Multimodal Neuroimaging Fusion in Nonsubsampled Shearlet Domain Using Location-Scale Distribution by Maximizing the High Frequency Subband Energy
Notice bibliographique
Résumé
A fusion of medical imaging data obtained from different modalities plays an important role in the current clinical practice. In this paper, we propose a novel multimodal fusion algorithm for brain imaging data based on the statistical properties of nonsubsampled shearlet transform (NSST) coefficients and a novel energy maximization fusion rule. The marginal distributions of the high-frequency NSST coefficients exhibit heavier tails than the Gaussian distribution. As a consequence, after studying its characteristics, we use a heavy-tailed probability density function, student's t location-scale distribution, to describe the highly non-Gaussian statistics of empirical NSST coefficients by learning the parameters using maximum likelihood estimation. Then, we employ this model to develop a maximum a posteriori estimator to obtain the noise-free coefficients. Then, for the first time, a novel fusion rule for obtaining the fused NSST coefficients based on maximizing the energy in the high-frequency subbands is proposed. Experiments are carried out on fusing two or more multimodal neuroimages taken from the BrainWeb, Alzheimer's Disease Neuroimaging Initiative (ADNI), and Whole Brain Atlas databases. It is seen from the subjective and objective results that the proposed multimodal neuroimaging fusion method significantly outperforms the state-of-the-art methods including under noisy scenarios, and hence, it is more robust. It is also observed that the signal intensities in the fused images are better enhanced when a more number of source images are being fused. The proposed technique should benefit the medical professionals in diagnosing neurological disorders, such as Alzheimer, epilepsy, and multiple sclerosis.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».