MixTURE: L1-Norm-Based Mixed Second-Order Continuity in Strain Tensor Ultrasound Elastography
Notice bibliographique
Résumé
Energy-based displacement tracking of ultrasound images can be implemented by optimizing a cost function consisting of a data term, a mechanical congruency term, and first- and second-order continuity terms. This approach recently provided a promising solution to 2-D axial and lateral displacement tracking in ultrasound strain elastography. However, the associated second-order regularizer only considers the unmixed second derivatives and disregards the mixed derivatives, thereby providing suboptimal noise suppression and limiting possibilities for total strain tensor imaging. We propose to improve axial, lateral, axial shear, and lateral shear strain estimation quality by formulating and optimizing a novel -norm-based second-order regularizer that penalizes both mixed and unmixed displacement derivatives. We name the proposed technique -MixTURE, which stands for -norm Mixed derivative for Total UltRasound Elastography. When compared with simulated ground-truth results, the mean structural similarity (MSSIM) obtained with -MixTURE ranged 0.53-0.86 and the mean absolute error (MAE) ranged 0.00053-0.005. In addition, the mean elastographic signal-to-noise ratio (SNR) achieved with simulated, experimental phantom, and in vivo breast datasets ranged 1.87-52.98, and the mean elastographic contrast-to-noise ratio (CNR) ranged 7.40-24.53. When compared with a closely related existing technique that does not consider the mixed derivatives, -MixTURE generally outperformed the MSSIM, MAE, SNR, and CNR by up to 37.96%, 67.82%, and 25.53% in the simulated, experimental phantom, and in vivo datasets, respectively. These results collectively highlight the ability of -MixTURE to deliver highly accurate axial, lateral, axial shear, and lateral shear strain estimates and advance the state-of-the-art in elastography-guided diagnostic and interventional decisions.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,000 | 0,001 |
| 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 ».