Optimized Apodizations with Training Simulations (OATS): Learned depth-dependent apodizations via differentiable beamforming for reduced operator tuning
Notice bibliographique
Résumé
Ultrasound is a point-of-care imaging modality that allows for real-time operation. While real-time capabilities are advantageous, one potential concern is the operator dependency of the modality as settings selected by the operator can alter the image appearance. Improvement of the B-mode image to necessitate fewer adjustments can reduce the operator dependency. Here, we propose a supervised learning framework (Optimal Apodizations with Training Simulations - OATS) to devise new apodization weights for image quality improvement. Our framework relies on the use of a differentiable beamformer to iteratively optimize apodization weights by comparing differences between simulated ground truth images and the corresponding post-beamformed images (simulated training set of over 200 images). We experimentally verified that these apodization weights resulted in higher quality B-mode images on both simulated and real-world data for focused and unfocused imaging scenarios. In the focused imaging scenario, the OATS-apodized images demonstrated reduced sidelobe artifact, improved lateral resolution (11 %), and improved signal equalization across depth when compared to a conventional Hanning apodization. In the unfocused imaging scenario, we observed reduced sidelobe artifacts and improved tissue-to-lesion contrast by up to 13 dB when compared against fixed F-number beamforming. Additionally, the OATS apodization weights were physically interpretable and learned to emulate image formation parameters such as time-gain compensation, F-number limited aperture, and transmit focus through the supervised learning procedure. Overall, the proposed framework successfully learned generalizable receive apodizations to improve image quality.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».