Accélération d'une approche régularisée de reconstruction en tomographie à rayons X avec réduction des artéfacts métalliques
Bibliographic record
Abstract
J'ai achevé cette thèse grâce à l'aide de nombreuses personnes à qui j'aimerais témoigner ici de ma gratitude.Mes premiers remerciements vont aux membres du jury pour avoir pris la peine de lire et de critiquer ce travail.Merci à M. Dominique Orban de présider ce jury, ainsi qu'aux autres membres, MM.Ken Sauer, Carl Chartrand-Lefebvre, Yves Goussard et Jean-Pierre Dussault.Ce travail a été rendu possible par une bourse d'études supérieures du Conseil national de recherche en sciences naturelles et en génie du Canada (CRSNG) ainsi qu'une bourse de l'École Polytechnique, pour lesquelles je suis reconnaissant.Le travail a aussi été financé dans le cadre du projet de recherche concertée en santé du CRSNG #323572-06.Je tiens à remercier quelques professeurs qui ont participé à la progression de ce travail, de manière directe ou indirecte.Merci à Dominique Orban pour m'avoir invité à communiquer mes résultats dans diverses rencontres de la communauté de l'optimisation numérique.Les discussions échangées dans le cadre de ces rencontres ont contribué au travail de synthèse présenté ici.Merci à Guy Cloutier pour m'avoir permis, ainsi qu'à mes collègues, d'intégrer durant un an les activités du Laboratoire de biorhéologie et d'ultrasonographie médicale (LBUM).Ce contexte m'a permis de v mieux comprendre les aspects cliniques du projet.Aussi, merci à Jérôme Idier, pour ses commentaires sur une version préliminaire du travail ayant mené au chapitre 4. Finalement, merci à MM.Frédéric Lesage et Jean-Marc Lina, dont l'enthousiasme contagieux vis-à-vis de leurs projets m'a soutenu dans mes derniers efforts pour compléter ce travail.J'aimerais remercier mes plus proches collègues pour les échanges scientifiques enrichissants et l'encouragement personnel.À l'École Polytechnique de Montréal, je salue
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".