Ultrasound imaging dataset for elastography, deformation correction, and algorithm evaluation
Notice bibliographique
Résumé
Ultrasound imaging is widely used for its cost-effectiveness, non-invasiveness, and real-time capabilities in diagnostics and image-guided procedures. However, the direct skin contact involved in ultrasound image acquisition induces deformations in the tissues. In certain scenarios, such as elastography or freehand 3D ultrasound imaging, the relative deformations between successive ultrasound images must therefore be estimated or corrected. This is a non-rigid image registration operation. In addition to image data, validation requires knowledge of several parameters related to image deformation, such as probe contact force, indentation or mechanical parameters of the imaged body. Existing methods are often validated on simulated data or non-public datasets accessible within the research group, and the reported performances are challenging to reproduce by other research groups. Quality public datasets would enable research groups to compare their research results and drive performance improvements through competition. To address this gap, we introduce a publicly available dataset with controlled deformations on a phantom, including B-mode images, RF signals, probe indentations, contact force, and phantom material mechanical parameters. This dataset serves as a valuable resource for validating various registration and elastography methods, offering a standardized platform for performance evaluation and comparison among research groups. The article outlines the experimental protocol, the mechanical system for probe maintenance and indentation, force measurement, and the phantom creation process.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».