Local Gauss multiplicative components method for brain magnetic resonance image segmentation
Notice bibliographique
Résumé
Background and Objectives: In magnetic resonance (MR) images’ quantitative analysis, there are often considerable difficulties due to factors, such as intensity inhomogeneities and low contrast. Here, we construct a new image segmentation method to solve the MR image segmentation problem caused by internal and external factors. Materials and Methods: We downloaded a series of MR images as research objects through the BrainWeb (http://www.bic.mni.mcgill.ca/brainweb/). There is low contrast information between different components in these images. In addition, we randomly added a certain degree of bias field information to the images. We proposed a model that can simultaneously perform bias field estimation and image segmentation. Our idea is to make use of the property that observed image can be decomposed into multiplicative components. First, the bias field representation is given by a series of smooth basic functions; the required true image is represented as the function of observed image and bias field. Then, the segmentation model of Gaussian probability distribution with different means and variances is constructed by local information. Results: Qualitative experiments (intensity inhomogeneity images) show that our model achieves satisfactory segmentation results with very few (<10) iterations for severe intensity inhomogeneities image segmentation, while quantitative experiments (20 brain MR images) show that the proposed model can achieve higher accuracy in segmentation. Conclusions: Different from the existing model, our model is constructed based on the local information of the true image, and the influence of above-mentioned factors is better avoided and obtain satisfactory results.
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 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».