Perception of dim targets on dark backgrounds in MRI
Notice bibliographique
Résumé
Some diagnostic tasks in MRI involve determining the presence of a faint feature (target) relative to a dark background. In MR images produced by taking pixel magnitudes it is well known that the contrast between faint features and dark backgrounds is reduced due to the Rician noise distribution. In an attempt to enhance detection we implemented three different MRI reconstruction algorithms: the normal magnitude, phase-corrected real, and a wavelet thresholding algorithm designed particularly for MRI noise suppression and contrast enhancement. To compare these reconstructions, we had volunteers perform a two-alternative forced choice (2AFC) signal detection task. The stimuli were produced from high-field head MRI images with synthetic thermal noise added to ensure realistic backgrounds. Circular targets were located in regions of the image that were dark, but next to bright anatomy. Images were processed using one of the three reconstruction techniques. In addition we compared a channelized Hotelling observer (CHO) to the human observers in this task. We measured the percentage correct in both the human and model observer experiments. Our results showed better performance with the use of magnitude or phase-corrected real images compared to the use of the wavelet algorithm. In particular, artifacts induced by the wavelet algorithm seem to distract some users and produce significant inter-subject variability. This contradicts predictions based only on SNR. The CHO matched the mean human results quite closely, demonstrating that this model observer may be used to simulate human response in MRI target detection tasks.
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 | 0,002 | 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 | 0,001 |
| 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 ».