MétaCan
Menu
Retour à la cohorte
Enregistrement W2124436712 · doi:10.1117/12.596031

Efficient visualization of volume data sets with region of interest and wavelets

2005· article· en· W2124436712 sur OpenAlexaff
Sébastien Piccand, Rita Noumeir, Eric Paquette

Notice bibliographique

RevueProceedings of SPIE, the International Society for Optical Engineering/Proceedings of SPIE · 2005
Typearticle
Langueen
DomaineComputer Science
ThématiqueComputer Graphics and Visualization Techniques
Établissements canadiensÉcole de Technologie Supérieure
Organismes subventionnairesnon disponible
Mots-clésComputer scienceWaveletVisualizationComputer visionArtificial intelligenceRendering (computer graphics)Volume renderingPreprocessorData visualizationWavelet transformContext (archaeology)Geography

Résumé

récupéré en direct d'OpenAlex

The growing volume of medical images acquired with new imaging modalities poses big challenges to the radiologist's interpretation process. Innovative image visualization techniques can play a major role in enabling efficient and accurate information presentation and navigation, by combining computational efficiency with diagnostic resolution. Efficiency and resolution, two opposing requirements, can be accomplished by focusing on full resolution regions of interest while maintaining sufficient contextual information. In fact, structures of interest typically occupy a small percentage of the data, but their analysis requires context information like locations within a specific organ or adjacency to sensitive structures. We propose a 3D visualization technique that is based on the multi-resolution property of the wavelet transform in order to display a full resolution region of interest while displaying a coarser context to achieve efficiency in rendering during the exploratory navigation phase. A full resolution context can also be rendered when needed for a specific view. In a preprocessing stage the data is decomposed with a three-dimensional wavelet transform. The interactive visualization process then uses the wavelet representation and a user-specified region to render a full resolution region of interest and a coarser context directly from the wavelet space through wavelet splatting, thus avoiding volume reconstruction. This efficient rendering approach is combined with lighting calculations, in the preprocessing stage. While greatly enhancing depth perception and objects shape, lighting does not add additional cost to the interactive visualization process, resulting in a good compromise between computational efficiency and image quality.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0020,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,027
Tête enseignante GPT0,268
Écart entre enseignants0,240 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2005
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of SPIE, the International Society for Optical Engineering/Proceedings of SPIEMême sujetComputer Graphics and Visualization TechniquesTravaux en français237 207