Improved Configurations for 3D Acoustoelectric Tomography With a Minimal Number of Electrodes
Notice bibliographique
Résumé
OBJECTIVE: Acoustoelectric tomography (AET) is a hybrid imaging technique combining ultrasound and electrical impedance tomography (EIT). It exploits the acoustoelectric effect (AAE): an US wave propagating through the medium induces a local change in conductivity, depending on the acoustoelectric properties of the medium. Typically, AET image reconstruction is limited to 2D and most cases employ a large number of surface electrodes. METHODS: This article investigates the detectability of contrasts in AET. We characterize the AEE signal as a function of the medium conductivity and electrode placement, using a novel 3D analytical model of the AET forward problem. The proposed model is compared to a finite element method simulation. RESULTS: In a cylindrical geometry with an inclusion contrast of 5 times the background and two pairs of electrodes, the maximum, minimum, and mean suppression of the AEE signal are 68.5%, 3.12%, and 49.0%, respectively, over a random scan of electrode positions. The proposed model is compared to a finite element method simulation and the minimum mesh sizes required successfully model the signal is estimated. CONCLUSION: We show that the coupling of AAE and EIT leads to a suppressed signal and the magnitude of the reduction is a function of geometry of the medium, contrast and electrode locations. SIGNIFICANCE: This model can aid in the reconstruction of AET images involving a minimum number of electrodes to determine the optimal electrode placement.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».