Correcting frequency and phase offsets in MRS data using robust spectral registration
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
An algorithm for retrospective correction of frequency and phase offsets in MRS data is presented. The algorithm, termed robust spectral registration (rSR), contains a set of subroutines designed to robustly align individual transients in a given dataset even in cases of significant frequency and phase offsets or unstable lipid contamination and residual water signals. Data acquired by complex multiplexed editing approaches with distinct subspectral profiles are also accurately aligned. Automated removal of unstable lipid contamination and residual water signals is applied first, when needed. Frequency and phase offsets are corrected in the time domain by aligning each transient to a weighted average reference in a statistically optimal order using nonlinear least-squares optimization. The alignment of subspectra in edited datasets is performed using an approach that specifically targets subtraction artifacts in the frequency domain. Weighted averaging is then used for signal averaging to down-weight poorer-quality transients. Algorithm performance was assessed on one simulated and 67 in vivo pediatric GABA-/GSH-edited HERMES datasets and compared with the performance of a multistep correction method previously developed for aligning HERMES data. The performance of the novel approach was quantitatively assessed by comparing the estimated frequency/phase offsets against the known values for the simulated dataset or by examining the presence of subtraction artifacts in the in vivo data. Spectral quality was improved following robust alignment, especially in cases of significant spectral distortion. rSR reduced more subtraction artifacts than the multistep method in 64% of the GABA difference spectra and 75% of the GSH difference spectra. rSR overcomes the major challenges of frequency and phase correction.
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 | 0,000 |
| 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