Comparison of deconvolution techniques using a distribution mixture parameter estimation: Application in single photon emission computed tomography imagery
Notice bibliographique
Résumé
Thanks to its ability to yield functionally rather than anatomically-based information, the single photon emission computed tomography (SPECT) imagery technique has become a great help in the diagnostic of cerebrovascular diseases which are the third most common cause of death in the USA and Europe. Nevertheless, SPECT images are very blurred and consequently their interpretation is difficult. In order to improve the spatial resolution of these images and then to facilitate their interpretation by the clinician, we propose to implement and to compare the effectiveness of different existing ‘‘blind’’ or ‘‘supervised’’ deconvolution methods. To this end, we present an accurate distribution mixture parameter estimation procedure which takes into account the diversity of the laws in the distribution mixture of a SPECT image. In our application, parameters of this distribution mixture are efficiently exploited in order to prevent overfitting of the noisy data for the iterative deconvolution techniques without regularization term, or to determine the exact support of the object to be restored when this one is needed. Recent blind deconvolution techniques such as the NAS–RIF algorithm, [D. Kundur and D. Hatzinakos, ‘‘Blind image restoration via recursive filtering using deterministic constraints,’’ in Proc. International Conf. On Acoustics, Speech, and Signal Processing, Vol. 4, pp. 547–549 (1996).] combined with this estimation procedure, can be efficiently applied in SPECT imagery and yield promising results.
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 | 0,004 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».