Fast Thresholding of SVD Clutter Filter Using the Spatial Similarity Matrix and a Sum-Table Algorithm
Notice bibliographique
Résumé
Singular value decomposition (SVD) has become a standard for clutter filtering of ultrafast ultrasound datasets. Its implementation requires the choice of appropriate thresholds to discriminate the singular value subspaces associated with tissue, blood, and noise signals. Comparing the similarity of the spatial singular vectors was shown to be a robust and efficient method to estimate the SVD thresholds. The correlation of the spatial singular vector envelopes gives the spatial similarity matrix (SSM), which usually exhibits two square-like domains juxtaposed along the diagonal of the SSM, representing the tissue and the blood subspaces. Up to now, the proposed methods to automatically segment these two subspaces on the SSM were of high computational complexity and had a long processing time. Here, we propose an optimized algorithm using a sum-table approach that decreases the complexity by two orders of magnitude:$O(n^{4}) to O(n^{2})$. The proposed method resulted in processing times lower than 0.08 s for datasets of 2000 frames, whereas previous algorithms took more than 26 h, so an improvement by a factor of 106. We illustrated this adaptive square-fitting on the SSM in the in vivo case of human neonate brain imaging and carotid imaging with various conditions of clutter. This optimization of SVD thresholding is essential to develop the use of adaptive clutter filtering, especially for real-time applications or block-wise processing.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».