Layer-Wise Speed-of-Sound Estimation and Beamforming of Segmented Media
Notice bibliographique
Résumé
Speed-of-sound (SoS) is a fundamental acoustic property of tissues that is essential for ultrasound image beamforming. The SoS can also act as a quantitative biomarker for pathology in tissue. Typically, the beamforming SoS is assumed to be 1540 m/s for human imaging, but it may be imprecise for imaging scenarios with inhomogeneous tissue. In this work, we present a novel framework for multilayer SoS estimation and propose a SoS-aware (SoSA) beamformer to realize high-quality ultrasound imaging. Our framework consists of three core steps: segmentation of the media layers, sequential estimation of each layer's SoS assuming intra-layer homogeneity, and SoSA beamforming based on the estimated SoS map. We validated our algorithm in vitro, ex vivo, and in vivo in comparison to through-transmission SoS measurements. Across 126 stacked agar phantom experiments (pairwise combinations of six staircase phantoms with different SoS values), the average SoS estimation error of our framework was 4.9 m/s over the top layers and 1.6 m/s over the bottom layers. In nine stacked bovine and porcine sample experiments, we achieved an average error of 2.7 m/s with an improved point target lateral resolution of 32.5% compared to conventional beamforming with a nominal SoS of 1540 m/s. When indirectly evaluated over five human calves, our algorithm achieved a mean error of 7.9 m/s for the average calf SoS. Also, in human quadriceps imaging scenarios, our proposed framework showed image quality enhancements with improved visibility of the fascicle structure. Overall, our new technique improves ultrasound image resolution and allows more accurate SoS estimates to be derived for tissue health diagnostics.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».