Development of software for quantitative image processing in magnetic resonance
Bibliographic record
Abstract
O uso de análise quantitativa em radiologia médica tem sido de grande valia na detecção de alterações não acessíveis à análise visual simples, dita qualitativa, seja por serem muito sutis, seja por não estarem presentes nas técnicas de imagem de ressonância magnética convencional. Porém, certos tipos de quantificação exigem a aquisição softwares e de plataformas computacionais de alto custo, além de mão de obra especializada com conhecimento técnico em computação para operar em ambientes não intuitivos. Neste cenário o objetivo deste trabalho foi a implementação de um software para análise de transferência de magnetização em imagens de ressonância magnética nuclear que funcionasse na plataforma IBM-PC e em sistemas operacionais livres como GNU/Linux. Com este intuito foi elaborado um algoritmo para leitura de imagens codificadas no padrão DICOM 3.0, um algoritmo para a construção dos mapas de Razão de Transferência de Magnetização do volume adquirido e um visualizador com interface amigável para a segmentação e análise dos resultados. Ao final, software possibilitou a abertura da imagem DICOM. Também construiu de maneira eficiente, os mapas de diferença de porcentagem entre as imagens sem e com o pulso de transferência de magnetização (MTR), possibilitando, inclusive, correções de artefatos de movimentos, quando pouco intensos. Permitiu o delineamento de regiões de interesse irregular, com boa visibilidade dos resultados. Como controle padrão, os resultados foram comparados com o conjunto de ferramentas da Universidade McGill (Brain Imaging Center, McGuill University, Montreal, Quebec, Canadá), amplamente testado em artigos publicados.
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 | 0.005 | 0.015 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.004 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.025 | 0.015 |
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".