Bizonytalanságot mér az új módszer mágneses rezonanciás képalkotásban
Kutatók egy új Bayesian módszert fejlesztettek ki, amely megbecsüli a mágneses rezonancia képalkotás során keletkező hibák mértékét. Ez a módszer hatékonyabban képes kvantálni a képalkotás során keletkező hibákat.
Bayesian megközelítés a képalkotásban
A kutatásban a problémát lineáris inverz problémaként fogalmazzák meg egy Bayesian keretrendszeren belül. Az ismeretlen paraméterekre előzetes eloszlásokat rendelnek, feltételezve, hogy a rekonstruálandó kép egy adott bázisban ritka (sparse). A módszer bármilyen bázisra alkalmazható, és példaként a térbeli gradiensre, valamint a wavelet transzformációra tesztelték.
Markov Chain Monte Carlo mintavételezés
A posterior eloszlás mintavételezésére egy Markov Chain Monte Carlo (MCMC) módszert alkalmaznak, amely egy split-and-augmented Gibbs sampleren alapul. A nem-differenciálható feltételes eloszlásokat hatékonyan mintázzák proximal MCMC módszerrel. Az algoritmusokat single-coil és multi-coil adatkészleteken validálták, különféle k-tér alul-mintavételezési mintázatokkal és arányokkal.
Kapcsolódó: MRI-adat elemzés
Hatékonyság és bizonytalanságmérés
Az eredmények azt mutatják, hogy a javasolt megközelítések mindegyike jobb kép-rekonstrukciós teljesítményt nyújt a párhuzamos optimalizálás-alapú módszerekkel szemben. A keretrendszer hatékonyan kvantálja a bizonytalanságot, és szignifikáns korrelációt mutat a becsült bizonytalansági térképek és a hiba-térképek között, összevetve a jelenlegi mélytanulási alapú módszerekkel.
Kapcsolódó: mellkasröntgen diagnózis
A kutatás eredményei az arXiv-en jelentek meg nemrég.
Kapcsolódó: orvosi képalkotás