Multi-scale application of the N3 method for intensity correction of MR images
Notice bibliographique
Résumé
Spatial inhomogeneity due to the radio-frequency coil in MR imaging can confound segmentation results. In 1994, Sled introduced the N3 technique, using histogram deconvolution, for reducing inhomogeneity. We found some scans whose steep inhomogeneity gradient was not fully eliminated by N3. We created a multi-scale application of N3 that further reduces this gradient, and validated it on MNI BrainWeb and actual MRI data. The algorithm was applied to proton density simulated BrainWeb scans (with known inhomogeneity) and 100 standard MRI scans. Intra-slice and inter-slice inhomogeneity measures were created to compare the technique with standard N3. The slope of the estimated bias versus the known bias of BrainWeb data was 1.0 (r=0.9844) for N3 and 1.04 (r=0.9828) for multi-scale N3. The bias field estimated by multi-scale N3 was within 1% root-mean-square of that of standard N3. Over 100 MS patient scans, the average intra-slice measure (0 meaning bias-free) was 0.0694 (uncorrected), 0.0530 (N3) and 0.0402 (multi-scale). The average inter-slice measure (1 meaning bias-free) was 0.9121 (uncorrected), 0.9367 (N3) and 0.9508 (multi-scale). The multi-scale N3 algorithm showed a greater inhomogeneity reduction than N3 in the small percentage of scans bearing a strong gradient, and results similar to N3 in the remaining scans.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».