Spect image restoration via Recursive Inverse Filtering constrained by a probabilistic MRI atlas
Notice bibliographique
Résumé
3D Brain SPECT imagery is a well established functional imaging method which has become a great help to physicians in the diagnosis of several neurological and cerebrovascular diseases. However, mainly due to the effects of attenuation and the scattering of emitted photons, inherent to this imaging process, 3D SPECT images are generally blurred and exhibit poor spatial resolution. This leads to substantial errors in measurements of regional brain blood flow, and therefore in the estimations of brain activity. In order to improve the resolution of these images and then to facilitate their interpretation, we herein propose an original extension of the NAS-RIF (Recursive Inverse Filtering) deconvolution technique proposed by Kundur and Hatzinakos [1]. The proposed extension allows to efficiently integrate, in the deconvolution process, a set of soft constraints given by a probabilistic MRI atlas containing experts's prior knowledge about the spatial localization of the different brain structures (or tissue classes). This extension has three interesting properties ; first it allows to exploit (or fuse) reliable anatomical and (high resolution) geometrical information extracted horn a probabilistic 3D MRI atlas. Second, it allows to incorporate, into the NAS-RIF method, a regularization term which efficiently stabilizes the inverse solution. Third and contrary to multi-modal restoration techniques, it does not require a MRI scan of the patient. This method has been successfully tested on numerous real brain SPECT images (of different patients suffering from epilepsy), yielding promising restoration results.
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) | 0,000 | 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 ».