4D alignment of bidirectional dynamic MRI sequences
Notice bibliographique
Résumé
Over the past decade, research in medical imaging and visualization has seen a progression from 2D to 3D and now 4D representation of medical data. 4D (3D +time) representation allows one to not only visualize a 3D structure, but also to study its functional movement. However, due to technological limitations no current acquisition modality acquires data in 4D. Instead, 4D data is created from multiple 3D or 2D acquisitions. In this paper we describe a method that spatio-temporally aligns dynamic 2D MRI sequences acquired in bidirectional, orthogonal planes (sagittal and coronal) for 4D visualization. As a proof of concept, we focus on the assessment of swallowing as a representative application of our work. MRI sequences with unknown temporal offsets are acquired through repeated instances of swallowing. We present a method that identifies common regions of interest (ROI) in the orthogonal sequences and combines image intensity profiles from the orthogonal ROIs, via registration to a fiducial volume, to align the MRI sequences. An interesting consequence of using bidirectional acquisition planes is that video sequences in the same acquisition view (e.g all sagittal sequences) automatically get aligned with respect to each other. The bidirectional alignment results are validated by comparing the sum of squared difference (SSD) values over all possible alignments of the sagittal sequences. Experimentally it is found that a minima in the SSD values corresponds to the alignment computed by our proposed method.
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 | 0,000 |
| 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) | 0,001 | 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 ».