Enhancing Channel Data Savings and Information Transfer Efficiency in Ultrasound Imaging
Notice bibliographique
Résumé
Ultrasound is a popular imaging technique mainly due to its non-invasive nature. And so, it is being used in a variety of applications. Due to advent of plane wave imaging technique in ultrasound, the frame rate of ultrasound imaging has the potential for being very high. Due to which, many channel data frames are being generated within a fraction of seconds. As a result, tasks such as storing data frames and transferring them from front end ultrasonic system to processing computers are presenting significant challenges. Our current research work will minimize these issues. We proposed and implemented: (a) Data encoding technique - We will combine every two consecutive raw channel data frames without repetition in full data to generate a reduced version of raw channel data, whose size is half of original data in the front end, (b) Data compression technique – We apply discrete frequency domain transforms on full raw data, all frequency components less than or equal to median value are discarded. Both (a) and (b) will reduce data storage by up to 50%. In addition to this, transferring this reduced data into the computer means increasing data transfer efficiency by 50%, when compared to that of full data. Data decoding and inverse frequency domain transforms were performed in the computer software, followed by ultrasound image generation process. Our final technique (c) will integrate both (a) and (b), therefore the overall savings in this technique can reach up to 75%. All these savings can be achieved by slightly increasing the processing time of computer.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 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) | 0,004 | 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 ».