Pushing the Doppler envelope: From complex flow visualization to biomarker quantification
Notice bibliographique
Résumé
Although Doppler ultrasound has been widely used clinically, the current technology is known to lack visual intuitiveness and is often erroneous. New ultrasound flow mapping solutions are needed to more effectively diagnose a variety of medical problems that the aging population is prone to, such as atherosclerosis. In the decade of 2010s, there is a major innovation drive in high-frame-rate (or ultrafast) ultrasound imaging that is characterized by frame rates of over 1000 fps. New techniques such as vector flow imaging have become mature over this period. Building upon this success, we have now entered the era of “High-Frame-Rate Ultrasound 2.0” that makes use of time-resolved mapping to derive quantitative biomarkers that are directly linked to diseases. One example is the development of wall shear mapping techniques for next-generation cardiovascular diagnostics. Here, wall shear stress is measured as the flow velocity gradient tangential to the arterial wall by performing (1) plane-wave data acquisition, (2) dynamic wall tracking, (3) vector flow estimation with near-wall velocity regularization, and (4) spatial velocity gradient estimation. These solutions have been implemented in real-time using open-platform ultrasound scanners and high-speed GPU computing platforms. With these imaging innovations, it becomes possible to track complex cardiovascular flow phenomena and, in turn, derive hemodynamic biomarkers that are important to atherosclerosis monitoring, such as wall shear stress.
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 | 0,005 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».