MBFormer: A Transformer model for 3D Time-Series Data Processing to Improve Bound Bubble Detection in Nondestructive Ultrasound Molecular Imaging
Notice bibliographique
Résumé
Ultrasound molecular imaging (USMI) is an approach that detects targeted microbubbles (MBs) that are bound to specific biomarkers of disease; however, effectively suppressing free-floating MBs remains challenging. In this study, we adopted 3D transformer to analyze time-series ultrasound dataset to achieve enhanced differentiation of bound MBs from free-floating counterparts.We present MBFormer, or microbubble transformer, a nondestructive USMI transformer model that processes time-series 3D spatio-temporal ultrasound videos. The architecture of our model consists of a hierarchical transformer framework that comprises (1) an encoder with the attention mechanism but without positional embeddings, (2) a lightweight decoder featuring multilayer perceptrons (MLPs), and (3) a probability head. The model was validated through an in vivo study employing a transgenic mouse model of spontaneous breast cancer. B-mode and contrast enhanced ultrasound (CEUS) videos were captured utilizing the Vevo2100 system (FUJIFILM Visualsonics, Toronto, Canada). The ground truth data was generated via robust principal component analysis (RPCA)-processed differential targeted enhancement (DTE).We assessed the performance of MBFormer against the baseline models: a CNN-based USMI approach and SegFormer3D, an established 3D transformer model for medical image segmentation. MBFormer demonstrated improved detectability of bound MBs, achieving an area under the curve (AUC) of 0.951, a correlation coefficient (CC) of 0.981, and a continuous dice coefficient (CDC) of 0.748, surpassing the baseline models. These findings suggest that our 3D time-series data processing using the proposed transformer architecture effectively suppresses free-floating MBs while enhancing the detectability of bound MBs.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 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 ».