MétaCan
Menu
← Retour à la cohorte
Enregistrement W2471515287 · doi:10.1118/1.4956062

SU‐F‐J‐154: Harmonic Analysis for Arbitrary 3D MR Image Distortion Fields

2016· article· en· W2471515287 sur OpenAlexaff
T Stanescu, David A. Jaffray

Notice bibliographique

RevueMedical Physics · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensPrincess Margaret Cancer CentreUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésCuboidHarmonicImaging phantomDistortion (music)Mathematical analysisAlgorithmMathematicsScannerPhysicsGeometryOpticsAcoustics

Résumé

récupéré en direct d'OpenAlex

Purpose: To study the practical feasibility of harmonic analysis for the full quantification of 3D MR image distortion fields associated with arbitrarily‐shaped regions of interest. Methods: The 3D scanner‐related distortion field (F) is innate to the MR image data. Since it is implicitly related to the magnetic fields required to perform MR imaging, F is in a steady‐state and can be described by a boundary value problem in which the Laplace's equation is solved with Dirichlet boundary conditions. Specifically, to fully derive a unique solution for F inside an arbitrarily‐shaped domain (D) the minimum input data required is given by the boundary of D. In practice, the data that needs to be measured by means of image acquisition and post‐processing is on the 3D surface of D (e.g. ellipsoid, cylinder, cuboid). Data from a large FOV phantom with a dense grid structure was used as a reference to explore multiple scenarios. The harmonic analysis solver was based on a finite element method and the domains were defined as binary STL structures for robust meshing. Simple and complex (non‐)quadratic shapes were analyzed to test the applicability of the harmonic approach. The harmonic solution and reference data were compared inside D using histograms and typical metrics such as max/mean/stdev using a residual error threshold set by the accuracy of the reference data (i.e. 1 mm). Results: The harmonic analysis showed good performance for all cases investigated. The percentage of control points inside D exhibiting residual values above 1 mm was lower than 1%. Conclusion: Harmonic analysis can be used to characterize geometric distortions inside arbitrary volumes given availability of the surface data with a certain accuracy.

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)0,002
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 enseignants0,004
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,013
Tête enseignante GPT0,296
Écart entre enseignants0,283 · 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

Citations1
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedical Physics→Même sujetRadiomics and Machine Learning in Medical Imaging→Travaux en français237 207→