Blind blur assessment of MRI images using parallel multiscale difference of Gaussian filters
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Rician noise, bias fields and blur are the common distortions that degrade MRI images during acquisition. Blur is unique in comparison to Rician noise and bias fields because it can be introduced into an image beyond the acquisition stage such as postacquisition processing and the manifestation of pathological conditions. Most current blur assessment algorithms are designed and validated on consumer electronics such as television, video and mobile appliances. The few algorithms dedicated to medical images either requires a reference image or incorporate manual approach. For these reasons it is difficult to compare quality measures from different images and images with different contents. Furthermore, they will not be suitable in environments where large volumes of images are processed. In this report we propose a new blind blur assessment method for different types of MRI images and for different applications including automated environments. METHODS: Two copies of the test image are generated. Edge map is extracted by separately convolving each copy of the test image with two parallel difference of Gaussian filters. At the start of the multiscale representation, the initial output of the filters are equal. In subsequent scales of the multiscale representation, each filter is tuned to different operating parameters over the same fixed range of Gaussian scales. The filters are termed low and high energy filters based on their characteristics to successively attenuate and highlight edges over the range of multiscale representation. Quality score is predicted from the distance between the normalized mean of the edge maps at the final output of the filters. RESULTS: The proposed method was evaluated on cardiac and brain MRI images. Performance evaluation shows that the quality index has very good correlation with human perception and will be suitable for application in routine clinical practice and clinical research.
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.
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 | 0,001 | 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 découle