.png){kind=icon}
返回
Ideal observer estimation for binary tasks with stochastic object models
.png){kind=icon}
OA
AI
DOI：10.1088/1361-6560/ae3c53.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
目标。我们提出了一种新的理想观察者（IOs）公式，该公式整合了随机对象模型（SOMs）以优化数据采集。方法。数据采集系统被视为一个（可能是非线性的）从有限维对象空间，到有限维测量空间，的离散到离散映射。对于二元任务，两个基础SOMs，和H1，由两个概率密度函数（PDFs），指定。这引出了内在似然比（LR）和内在类别可分性（ICS）的概念，后者量化了与数据采集无关的群体可分性。关于ICS，IO利用数据的“外在”LR，并量化外在类别可分性（ECS）。ICS与ECS之间的差异衡量了数据采集的效率。我们证明了外在LR是内在LR的期望值，其中期望值是在H1下的后验PDF中计算的。主要结果。我们使用两个示例，一个用于阐明新的IO，第二个用于展示其在实际应用中的潜力。具体而言，我们将新的IO应用于双能量CT投影域材料分解（pMD）中的光谱优化，其中SOMs用于描述基材料线积分的变异性。IO获得的表现排序与物理预测一致。意义。新IO的主要计算涉及从后验PDF中采样，这与（完全）贝叶斯重建类似。因此，我们的IO计算适用于CT研究人员已熟悉的标准化技术。双能量pMD的示例为其他光谱优化问题提供了一个原型，例如光子计数CT或多层探测器多能量CT。
Keyword:
Ideal observer
stochastic object models
binary tasks
data acquisition optimization
class separability
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
P
IF:
0
论文数:
243
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏Ideal Observer Computation by Use of Markov-Chain Monte Carlo With Generative Adversarial Networks使用具有生成对抗网络的马尔可夫链蒙特卡洛的理想观察者计算OAAI
OAAI分享收藏
查看更多内容