A pixel is an artifact: On the necessity of zero‐filling in fourier imaging
Notice bibliographique
Résumé
Abstract MR imaging data is sometimes presented in a “patchwork quilt” format with individual pixels visible as squares of uniform intensity. This phenomenon often arises by default from an image space convolution (performed implicitly by the graphics system) used to convert the sparse point sampling of the spatial domain offered by the discrete Fourier transform (DFT) into a sufficiently dense sampling to allow assignment of an intensity value to each addressable point on the display device. Typical examples are fMRI maps, spectroscopic images and zoomed‐in views. These square patches are image structure not present in the object, i.e., artifacts. This form of image display is studied by both an image analysis method and by Fourier analysis. Image formation by display of the 2D DFT of an acquired k‐space matrix as a 2D pixel array is a poor reconstruction because it does not ensure a faithful representation of the spatial frequency content actually present in the data. By analysis of the visual appearance of 2D pixel arrays we show that there are two principal effects: (a) attenuation of higher spatial frequencies (i.e., low‐pass filtering); (b) introduction of artifactual high frequency image structure. These effects can lead to very poor performance with an artifact/signal ratio of over 200% in the corners of 2D k‐space. Generated k‐space maps demonstrate that both detrimental effects increase radially in k‐space. The simple remedy is to zero‐fill (resulting in image interpolation) until individual pixels become invisible in the displayed image. Alternatively, data modeling may be used. © 2013 Wiley Periodicals, Inc. Concepts Magn Reson Part 42A: 32–44, 2013.
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 | 0,023 |
| 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 | 0,001 | 0,004 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».