J.C.: N4ITK: Nicks N3 ITK implementation for MRI bias field correction
Notice bibliographique
Résumé
Several algorithms exist for correcting the nonuniform intensity in magnetic resonance images caused by field inhomogeneities.1 These algorithms constitute important preprocessing steps for subsequent image analysis tasks. One such algorithm, known as parametric bias field correction (PABIC) [2], has already been implemented in ITK. Another popular algorithm is the non-uniform intensity normalization (N3) approach [1]. A particularly advantageous aspect of this algorithm is that it does not require a prior tissue model for its application. In addition, the source code for N3 is publicly available at the McConnell Brain Imaging Centre (Montreal Nuerological Institute, McGill University) which includes source code and the coordinating set of perl scripts.2 This submission describes an implementation of the N3 algorithm for the Insight Toolkit which is implemented as a single class, viz. itk::N3MRIBiasFieldCorrectionImageFilter. We tried to maintain minimal difference between the publicly available MNI N3 implementation and our ITK implemen-tation. The only intentional variation is the substitution of an earlier contribution, i.e. the class itk::BSplineScatteredDataPointSetToImageFilter, for the originally proposed least-squares approach for B-spline fitting used to model the bias field. This avoids the potential for ill-conditioned fitting matrices for higher B-spline mesh resolutions. 1
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 | 0,002 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,006 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,359 | 0,291 |
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 ».