Displacement Tracking Techniques in Ultrasound Elastography: From Cross Correlation to Deep Learning
Notice bibliographique
Résumé
Ultrasound elastography is a noninvasive medical imaging technique that maps viscoelastic properties to characterize tissues and diseases. Elastography can be divided into two classes in a broad sense: strain elastography (SE), which relies on Hooke's law to delineate strain as a surrogate for elasticity, and shear-wave elastography (SWE), which tracks the propagation of shear waves (SWs) in tissues to estimate the elasticity. As tracking the displacement field in the temporal or spatial domain is an inevitable step of both SE and SWE, the success is contingent on the displacement estimation accuracy. Recent reviews mostly focused on clinical applications of elastography, disregarding advances in displacement tracking algorithms. Here, we comprehensively review the recently proposed displacement estimation algorithms applied to both SE and SWE. In addition to cross correlation, block-matching-based (i.e., window-based), model-based, energy-based, and deep learning-based tracking techniques, we review large and lateral displacement tracking, adaptive beamforming, data enhancement, and noise-suppression algorithms facilitating better displacement estimation. We also discuss the simulation models for displacement tracking validation, clinical translation and validation of displacement tracking methods, performance evaluation metrics, and publicly available codes and data for displacement tracking in elastography. Finally, we provide experiential opinions on different tracking algorithms, list the limitations of the current state of elastographic tracking, and comment on possible future research.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».