A Gaussian fitting-based analysis method for multiple image radiography with integrated angular calibration, MIR2
Notice bibliographique
Résumé
Abstract Multiple image radiography (MIR) is an X-ray phase-contrast technique that enhances soft-tissue visibility by rejecting Compton scatter and capturing absorption, refraction, and ultra-small-angle x-ray scattering (USAXS) signals. Conventional MIR workflows depend on normalization between object and reference datasets and precise angular alignment, making them sensitive to drift and prone to artifacts such as banding. We present an improved analysis framework, MIR2, which eliminates normalization and alignment by independently analyzing object and reference data and applying angular calibration based on the dynamical theory of diffraction. Like MIR, it employs pixel-wise Gaussian fitting of angular intensity profiles, but the MIR2 pipeline is simpler, less error-prone, and more robust against alignment-related artifacts. Importantly, artifact suppression is achieved intrinsically, without relying on additional correction algorithms. MIR2 was implemented in Python and validated at the BMIT beamline (Canadian Light Source, 33.3 keV, Si(220) double-crystal monochromator) using both test objects (PMMA step wedge, layered paper) and in vivo imaging of a live anesthetized mouse lung. Across both studies, MIR2 produced more stable and artifact-reduced images than MIR. The method simplifies analysis workflows and supports streamlined application of MIR in biomedical and material imaging under dose-limited conditions.
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 | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,007 |
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 ».