Evaluating noise reduction techniques while considering anatomical noise in dual‐energy contrast‐enhanced mammography
Notice bibliographique
Résumé
PURPOSE: The authors describe modifications to previously developed cascaded systems analysis to include the anatomical noise in evaluation of dual-energy noise reduction techniques. Previous models have ignored the anatomical noise in theoretical analysis of noise reduction techniques. The inclusion of anatomical noise leads to more accurate estimation of potential noise reduction improvements and optimization. METHODS: The model is applied to dual-energy contrast-enhanced mammography. The effect of linear noise reduction filters on the anatomical noise is taken into account using cascaded systems analysis. The noise model is included in the ideal observer detectability for performance evaluation of the noise reduction techniques. RESULTS: Dual-energy image noise with and without including the effect of anatomical noise in noise reduction technique analysis is reported. The theoretical model is compared with clinical images from a previous dual-energy contrast enhanced mammography clinical study and good agreement is observed. The results suggest that the inclusion of anatomical noise in the evaluation and comparison of noise reduction techniques is highly warranted for more accurate analysis. CONCLUSIONS: This work establishes a useful extension to dual-energy cascaded systems analysis for maximizing image quality using noise reduction techniques. The extension includes the effect of linear image filtering, such as that used for noise reduction, on anatomical noise. The results suggest that the inclusion of anatomical noise in the evaluation of noise reduction techniques can lead to more accurate optimization, noise, and performance estimations.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 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 ».