A unified Bayesian-based compensated magnetic resonance imaging
Notice bibliographique
Résumé
Magnetic resonance (MR) images of higher quality is demanded for helping with more accurate and earlier diagnosis of different diseases. The overall quality of MR images is limited due to the existence of different degradation factors such as (1) MR aberrations due to intrinsic properties of the MR scanner, (2) magnetic field inhomogeneity, and (3) inherent MRI noise. Correcting each MRI degradation factor could be solely useful for the quality enhancement of MR imaging with a limited impact. Here, we propose a unified Bayesian based compensated MR imaging (CMRI) system which jointly corrects for the different aforementioned MR aberrations as well as MR noise and hence generates compensated MR (CMR) images with a higher quality. Testing the proposed CMRI system on both MR physical phantom as well as diffusion weighted and T2 weighted MR imaging data resulted in producing MR images with an overall higher quality that better represents different structures of tissue. The quantitative performance analysis shows a higher Signal to Noise (SNR) and Contrast to Noise (CNR) ratios as well as less Coefficient of Variation (CV) for reconstructed images using the proposed CMRI system compared to the Blind Deconvolution Compensation (BDC) method as state-of-the-art. As such, the proposed CMRI system has potential in improving MR image quality, which is important for accurate and consistent clinical interpretation.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».