<title>Classification and performance of denoising algorithms for low signal-to-noise ratio magnetic resonance images</title>
Notice bibliographique
Résumé
The generation of magnitude magnetic resonance images comprises a sequence of data encodings or transformations, from detection of an analog electrical signal to a digital phase/frequency k-space to a complex image space via an inverse Fourier transform and finally to a magnitude image space via a magnitude transformation and rescaling. Noise present in the original signal is transformed at each step of this sequence. Denoising MR images from low field strength scanners is important because such images exhibit low signal to noise ratio. Algorithms that perform denoising of magnetic resonance images may be usefully classified according to the data domain on which they operate (i.e. at which step of the sequence of transformations they are applied) and the underlying statistical distribution of the noise they assume. This latter dimension is important because the noise distribution for low SNR images may be decidedly non-Gaussian. Examples of denoising algorithms include 2D wavelet thresholding (operates on the wavelet transform of the magnitude image; assumes Gaussian noise), Nowak's 2D wavelet filter (operates on the squared wavelet transform of the magnitude image; assumes Rician noise), Alexander et. al.'s complex 2D filters (operates on the wavelet transform of the complex image space; assumes Gaussian noise), wavelet packet denoising (wavelet packet transformation of magnitude image; assumes Rician noise) and anisotropic diffusion filtering (operates directly on magnitude image; no assumptions on noise distribution). Effective denoising of MR images must take into account both the availability of the underlying data, and the distribution of the noise to be removed. We classify a number of recently published denoising algorithms and compare their performance on images from a 0.35T permanent magnet MR scanner.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».