Arxiv hàng ngày

Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới.
Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận.
Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.

ĐáNh giá ngưỡng phát hiện: Tác động của kết quả dương tính và âm tính giả lên kính hiển vi định vị siêu âm độ phân giải cao

Created by
  • Haebom

Tác giả

Sepideh K. Gharamaleki, Brandon Helfield, Hassan Rivaz

Phác thảo

Chụp ảnh siêu âm sử dụng kính hiển vi siêu âm (ULM) cung cấp hình ảnh có độ phân giải cao về các cấu trúc mạch máu nhỏ, nhưng chất lượng hình ảnh phụ thuộc rất nhiều vào việc phát hiện chính xác các bong bóng siêu nhỏ (MB). Nghiên cứu này bổ sung một cách có hệ thống các lỗi phát hiện được kiểm soát (dương tính giả và âm tính giả) vào dữ liệu mô phỏng để nghiên cứu tác động của dương tính giả và âm tính giả lên chất lượng hình ảnh ULM. Mặc dù cả tỷ lệ dương tính giả và âm tính giả đều có tác động tương tự đến Tỷ lệ tín hiệu trên nhiễu đỉnh (PSNR), việc tăng tỷ lệ dương tính giả từ 0% lên 20% làm giảm Chỉ số tương đồng cấu trúc (SSIM) 7%, trong khi cùng mức tăng tỷ lệ âm tính giả làm giảm đáng kể chỉ số này khoảng 45%. Hơn nữa, các vùng MB mật độ cao có khả năng chống lại các lỗi phát hiện tốt hơn, trong khi các vùng mật độ thấp nhạy cảm hơn, chứng minh sự cần thiết của một khuôn khổ phát hiện MB mạnh mẽ để nâng cao hình ảnh siêu phân giải.

Takeaways, Limitations

Takeaways:
Chúng tôi đã phân tích định lượng tác động của kết quả dương tính giả và kết quả âm tính giả đến chất lượng hình ảnh ULM, nhấn mạnh tầm quan trọng của việc cải thiện thuật toán phát hiện MB.
Chúng tôi nhận thấy rằng kết quả âm tính giả có tác động lớn hơn đến sự suy giảm chất lượng hình ảnh ULM so với kết quả dương tính giả.
Vì tác động của lỗi phát hiện thay đổi tùy thuộc vào mật độ MB, nên cần phải phát triển một thuật toán phát hiện thích ứng có tính đến mật độ MB.
Limitations:
Vì chúng tôi sử dụng dữ liệu mô phỏng nên cần phải xác thực bằng dữ liệu thực.
Cần phải nghiên cứu thêm để xác định khả năng khái quát hóa trên các hệ thống và cài đặt siêu âm khác nhau.
Thiếu các đề xuất về chiến lược tối ưu hóa để thiết lập các tham số cụ thể của thuật toán phát hiện MB (ví dụ: ngưỡng phát hiện).
👍