Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Variational Bayes method for MRI image sequences

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21340%2F19%3A00335957" target="_blank" >RIV/68407700:21340/19:00335957 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://gams.fj.cvut.cz/spms2019" target="_blank" >http://gams.fj.cvut.cz/spms2019</a>

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Variational Bayes method for MRI image sequences

  • Popis výsledku v původním jazyce

    Variational Bayes method has been previously used for analysis of scintigraphic image sequences. The aim of the analysis is to extract time-activity curves of tracer in different regions of scanned body part. This problem may be viewed as a nonnegative matrix factorization, the sequence can be decomposed into a matrix of factor curves and a matrix of factor images. Modelling factor curves by convolution of tissue speciffc kernel and input function is inspired by distribution of tracer in tissue. Proposed convolutional model was further improved by incorporating an assumption of smoothnes on convolution kernels in order to meet psysiological expectations. The inference is tested on a sequence of MRI images.

  • Název v anglickém jazyce

    Variational Bayes method for MRI image sequences

  • Popis výsledku anglicky

    Variational Bayes method has been previously used for analysis of scintigraphic image sequences. The aim of the analysis is to extract time-activity curves of tracer in different regions of scanned body part. This problem may be viewed as a nonnegative matrix factorization, the sequence can be decomposed into a matrix of factor curves and a matrix of factor images. Modelling factor curves by convolution of tissue speciffc kernel and input function is inspired by distribution of tracer in tissue. Proposed convolutional model was further improved by incorporating an assumption of smoothnes on convolution kernels in order to meet psysiological expectations. The inference is tested on a sequence of MRI images.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    10103 - Statistics and probability

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2019

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Proceedings of SPMS 2019 - Stochastic and Physical Monitoring Systems

  • ISBN

    978-80-01-06659-1

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    10

  • Strana od-do

    1-10

  • Název nakladatele

    Česká technika - nakladatelství ČVUT

  • Místo vydání

    Praha

  • Místo konání akce

    Dobřichovice

  • Datum konání akce

    20. 6. 2019

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku