利用伪节点方法降低多模态医学成像中的吉布斯效应
数值分析
2022-02-22 v1 计算机视觉与模式识别
数值分析
摘要
在多模态医学成像中，通常对解剖学衍生的分割图像进行欠采样，以测量共获取功能图像的平均活性。这种做法避免了在功能图像过采样时出现的与重采样相关的吉布斯效应。其副作用是浪费了时间和工作量，因为全分辨率的解剖分割需要数小时的运算或手工操作。本文中我们解释了常用的重采样方法，并给出了连续和离散信号情况下的误差界。随后我们提出了一种用于图像重采样的伪节点（Fake Nodes）方案，旨在减少功能图像过采样时的吉布斯效应。在两个重要实验中将这种新方法与传统方法进行了比较，均显示伪节点重采样给出了更小的误差。
引用
@article{arxiv.2202.10325,
title = {Reducing the Gibbs effect in multimodal medical imaging by the Fake Nodes Approach},
author = {Davide Poggiali and Diego Cecchin and Stefano De Marchi},
journal= {arXiv preprint arXiv:2202.10325},
year = {2022}
}