Multi-penalty conditional random field approach to super-resolved reconstruction of optical coherence tomography images
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Improving the spatial resolution of Optical Coherence Tomography (OCT) images is important for the visualization and analysis of small morphological features in biological tissue such as blood vessels, membranes, cellular layers, etc. In this paper, we propose a novel reconstruction approach to obtaining super-resolved OCT tomograms from multiple lower resolution images. The proposed Multi-Penalty Conditional Random Field (MPCRF) method combines four different penalty factors (spatial proximity, first and second order intensity variations, as well as a spline-based smoothness of fit) into the prior model within a Maximum A Posteriori (MAP) estimation framework. Test carried out in retinal OCT images illustrate the effectiveness of the proposed MPCRF reconstruction approach in terms of spatial resolution enhancement, as compared to previously published super resolved image reconstruction methods. Visual assessment of the MPCRF results demonstrate the potential of this method in better preservation of fine details and structures of the imaged sample, as well as retaining the sharpness of biological tissue boundaries while reducing the effects of speckle noise inherent to OCT. Quantitative evaluation using imaging metrics such as Signal-to-Noise Ratio (SNR), Contrast to Noise Ratio (CNR), Equivalent Number of Looks (ENL), and Edge Preservation Parameter show significant visual quality improvement with the MPCRF approach. Therefore, the proposed MPCRF reconstruction approach is an effective tool for enhancing the spatial resolution of OCT images without the necessity for significant imaging hardware modifications.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle