Despeckling Ultrasound Images with Decorrelated Compounding in the Spatial Frequency Domain
Notice bibliographique
Résumé
Speckle variance in ultrasound images limits the detection of low-contrast targets. Recently, a decorrelated compounding method in synthetic transmit aperture ultrasound imaging was proposed to reduce speckle variance. This paper extended the decorrelated compounding method beyond synthetic transmit aperture ultrasound imaging to any radio-frequency ultrasound images. A spatial-frequency-domain compounding method is proposed here by dividing the spectrum of ultrasound images into overlapped sub-domains to produce multiple sub-images for decorrelation and compounding. The image quality metrics, such as speckle signal-noise-ratio, contrast, contrast-noise-ratio, spatial resolutions, and lesion signal-noise-ratio, were calculated to compare the proposed method and the delay-and-sum method. The proposed method improved the contrast-noise ratio over the delay-and-sum method at the cost of spatial resolution loss. Overall, the proposed method improved lesion detectability in terms of lesion signal-noise-ratio by more than 57\% in numerical simulations and experimental studies. The proportion correct of detecting simulated low-contrast (-1 dB) lesions increased from the 67\% in the the delay-and-sum method to 95\% in the proposed method in the two-alternative forced-choice studies on human observers. Structures in the {\it in vivo} clinical image were identified more easily in the proposed method than in the delay-and-sum method.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».