MétaCan
Menu
Retour à la cohorte
Enregistrement W4391028759 · doi:10.1177/09544119231224674

On the soft tissue ultrasound elastography using FEM based inversion approach

2024· article· en· W4391028759 sur OpenAlexaff
Seyed Shahab Eshaghinia, Afshin Taghvaeipour, M.M. Aghdam, Hassan Rivaz

Notice bibliographique

RevueProceedings of the Institution of Mechanical Engineers Part H Journal of Engineering in Medicine · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueUltrasound Imaging and Elastography
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésElastic modulusElastographyFinite element methodDisplacement (psychology)Inverse problemStiffnessComputer scienceModulusIterative methodAlgorithmMathematicsMathematical analysisMaterials scienceAcousticsUltrasoundPhysicsGeometry

Résumé

récupéré en direct d'OpenAlex

Elastography is a medical imaging modality that enables visualization of tissue stiffness. It involves quasi-static or harmonic mechanical stimulation of the tissue to generate a displacement field which is used as input in an inversion algorithm to reconstruct tissue elastic modulus. This paper considers quasi-static stimulation and presents a novel inversion technique for elastic modulus reconstruction. The technique follows an inverse finite element framework. Reconstructed elastic modulus maps produced in this technique do not depend on the initial guess, while it is computationally less involved than iterative reconstruction approaches. The method was first evaluated using simulated data (in-silico) where modulus reconstruction's sensitivity to displacement noise and elastic modulus was assessed. To demonstrate the method's performance, displacement fields of two tissue mimicking phantoms determined using three different motion tracking techniques were used as input to the developed elastography method to reconstruct the distribution of relative elastic modulus of the inclusion to background tissue. In the next stage, the relative elastic modulus of three clinical cases pertaining to liver cancer patient were determined. The obtained results demonstrate reasonably high elastic modulus reconstruction accuracy in comparison with similar direct methods. Also it is associated with reduced computational cost in comparison with iterative techniques, which suffer from convergence and uniqueness issues, following the same formulation concept. Moreover, in comparison with other methods which need initial guess, the presented method does not require initial guess while it is easy to understand and implement.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,245
Écart entre enseignants0,228 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the Institution of Mechanical Engineers Part H Journal of Engineering in MedicineMême sujetUltrasound Imaging and ElastographyTravaux en français237 207