Multimodal Neuroimaging Fusion in Nonsubsampled Shearlet Domain Using Location-Scale Distribution by Maximizing the High Frequency Subband Energy
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
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.
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 | 0,001 |
| 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 découle