Recalage pour imagerie multimodale tomographique sur petit animal
Bibliographic record
Abstract
L'imagerie médicale joue désormais un rôle central tant en recherche fondamentale sur le développement des maladies que dans l'aide au diagnostic des pathologies. Il existe plusieurs techniques ou modalités d'imagerie qui permettent de visualiser de façon non invasive des corps biologiques et d'en fournir leurs propriétés structurelles et fonctionnelles. Un des problèmes majeurs rencontré est de pouvoir analyser et traiter ces techniques d'imagerie dans un référentiel commun. Ce problème, connu sous le nom de recalage ou registration, consiste en une estimation d'une transformation géométrique permettant la superposition spatiale des caractéristiques correspondantes entre les images. Deux contextes d'application peuvent être distingués : Le recalage monomodal qui traite les séquences temporelles d'images provenant de la même modalité et le recalage multimodal qui traite la mise en correspondance d'images venant de différentes modalités. Le laboratoire TomOptUs de l'Université de Sherbrooke a développé un lit multimodal, avec marqueurs fiduciaux, destiné à accueillir un petit animal pour des prises de mesures avec différentes modalités. Il est donc intéressant de recaler ces modalités en utilisant l'information basée sur les attributs géométriques ou sur l'intensité des pixels ou voxels. Le laboratoire a aussi développé un système laser-scanner permettant de mesurer le relief d'un objet ou d'un animal afin d'obtenir des images profilométriques. Avec ces images, il devient possible de faire un recalage de surface avec d'autres modalités d'imagerie dans la mesure où on veut obtenir le profil extérieur de l'animal afin de faire une reconstruction interne 3D. Le cadre de cette recherche consiste à développer un programme informatique permettant de répondre au besoin du laboratoire en matière de recalage d'image à l'aide de marqueurs fiduciaux et de recalage d'images profilométriques. Le présent document couvre la théorie et les algorithmes utilisés ainsi que la conception informatique détaillée permettant d'obtenir des résultats concluants.
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 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.003 |
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".