Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

ÉValuation des seuils de détection : impact des faux positifs et négatifs sur la microscopie de localisation par ultrasons à super-résolution

Created by
  • Haebom

Auteur

Sepideh K. Gharamaleki, Brandon Helfield, Hassan Rivaz

Contour

L'imagerie échographique par microscopie ultrasonore (ULM) fournit des images haute résolution des structures microvasculaires, mais la qualité de l'image dépend fortement de la détection précise des microbulles (MB). Cette étude ajoute systématiquement des erreurs de détection contrôlées (faux positifs et faux négatifs) aux données simulées afin d'étudier l'impact des faux positifs et des faux négatifs sur la qualité de l'image ULM. Bien que les taux de faux positifs et de faux négatifs aient des effets similaires sur le rapport signal/bruit maximal (PSNR), une augmentation du taux de faux positifs de 0 % à 20 % diminue l'indice de similarité structurale (SSIM) de 7 %, tandis que la même augmentation du taux de faux négatifs le réduit significativement d'environ 45 %. De plus, les régions de MB à haute densité sont plus résistantes aux erreurs de détection, tandis que les régions à faible densité sont plus sensibles, démontrant la nécessité d'un cadre de détection de MB robuste pour améliorer les images en super-résolution.

Takeaways, Limitations

•
Takeaways:
◦
Nous avons analysé quantitativement l’impact des faux positifs et des faux négatifs sur la qualité de l’image ULM, soulignant l’importance d’améliorer les algorithmes de détection MB.
◦
Nous avons constaté que les faux négatifs avaient un impact plus important sur la dégradation de la qualité de l’image ULM que les faux positifs.
◦
ÉTant donné que l’impact de l’erreur de détection varie en fonction de la densité MB, cela suggère la nécessité de développer un algorithme de détection adaptatif qui prend en compte la densité MB.
•
Limitations:
◦
ÉTant donné que nous avons utilisé des données simulées, une validation par rapport à des données réelles est nécessaire.
◦
Des recherches supplémentaires sont nécessaires pour déterminer la généralisabilité à travers différents systèmes et paramètres d’échographie.
◦
Il existe un manque de suggestions de stratégies d’optimisation pour définir des paramètres spécifiques de l’algorithme de détection MB (par exemple, le seuil de détection).
👍
Made with Slashpage