Matching strategy for co-registration of surfaces acquired by magnetic resonance imaging
Notice bibliographique
Résumé
Many photogrammetric and GIS applications work with surfaces that are commonly acquired by different sensors, from different viewpoints, and/or at different times. Manipulation of these data requires them to be relative to the same reference frame, and therefore surface matching is a necessary procedure for these applications. Similar to remote sensing, medical image analyses also deal with surfaces such as in studies of disease progression where changes between anatomical surfaces are detected. Magnetic resonance imaging (MRI), a medical imaging modality, is used in this research to capture 3D data of knee joint structures to aid in the non-invasive monitoring of joint diseases. However, human subjects can be positioned differently each time, and disease progression might lead to anatomical changes. As a result, surface matching is an essential task for these applications. Due to the similarities between remote sensing and medical image analyses, the major objective of this research is to translate and modify methods originally developed for geographic data to create new techniques that are feasible for accurate co-registration of MR 3D data. The proposed methodology is based on a voting scheme that can simultaneously establish the correspondence between datasets and estimate the transformation parameters. The matching is performed locally, and only matched features will contribute to the determination of the transformation parameters. Preliminary experiments were conducted on bone surfaces, and an average normal distance between surface elements of 0.201 mm was achieved after registration. This is quite good considering the MR image resolution, and it also shows that the proposed matching strategy is feasible and reliable when applied to MR data.
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 | 0,001 |
| 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 ».