MétaCan
Menu
Retour à la cohorte
Enregistrement W4391567772 · doi:10.1177/01617346231226224

Spectral-based Quantitative Ultrasound Imaging Processing Techniques: Comparisons of RF Versus IQ Approaches

2024· article· en· W4391567772 sur OpenAlexaff
Mingrui Liu, Zhengchang Kou, Yuning Zhao, James Wiskin, Gregory J. Czarnota, Michael L. Oelze

Notice bibliographique

RevueUltrasonic Imaging · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueUltrasound Imaging and Elastography
Établissements canadiensHealth Sciences CentreUniversity of TorontoSunnybrook Health Science Centre
Organismes subventionnairesNational Cancer InstituteNational Institutes of Health
Mots-clésRadio frequencySIGNAL (programming language)AttenuationComputer sciencePhysicsOpticsTelecommunications

Résumé

récupéré en direct d'OpenAlex

Quantitative ultrasound (QUS) is an imaging technique which includes spectral-based parameterization. Typical spectral-based parameters include the backscatter coefficient (BSC) and attenuation coefficient slope (ACS). Traditionally, spectral-based QUS relies on the radio frequency (RF) signal to calculate the spectral-based parameters. Many clinical and research scanners only provide the in-phase and quadrature (IQ) signal. To acquire the RF data, the common approach is to convert IQ signal back into RF signal via mixing with a carrier frequency. In this study, we hypothesize that the performance, that is, accuracy and precision, of spectral-based parameters calculated directly from IQ data is as good as or better than using converted RF data. To test this hypothesis, estimation of the BSC and ACS using RF and IQ data from software, physical phantoms and in vivo rabbit data were analyzed and compared. The results indicated that there were only small differences in estimates of the BSC between when using the original RF, the IQ derived from the original RF and the RF reconverted from the IQ, that is, root mean square errors (RMSEs) were less than 0.04. Furthermore, the structural similarity index measure (SSIM) was calculated for ACS maps with a value greater than 0.96 for maps created using the original RF, IQ data and reconverted RF. On the other hand, the processing time using the IQ data compared to RF data were substantially less, that is, reduced by more than a factor of two. Therefore, this study confirms two things: (1) there is no need to convert IQ data back to RF data for conducting spectral-based QUS analysis, because the conversion from IQ back into RF data can introduce artifacts. (2) For the implementation of real-time QUS, there is an advantage to convert the original RF data into IQ data to conduct spectral-based QUS analysis because IQ data-based QUS can improve processing speed.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,713
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,036
Tête enseignante GPT0,306
Écart entre enseignants0,270 · 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 tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
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

Citations11
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueUltrasonic ImagingMême sujetUltrasound Imaging and ElastographyTravaux en français237 207