Spatial Shrinkage Estimation of Diffusion Tensors on Diffusion-Weighted Imaging Data
扩散加权成像数据中扩散张量的空间收缩估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦医学影像中的空间张量估计，与所列计量领域细分缺乏直接对应。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
扩散加权成像数据中扩散张量的空间收缩估计
- 研究问题
- 如何利用扩散加权成像中的空间信息，改善受噪声污染的扩散张量估计，并减少其导出特征值的系统偏差？
- 方法与思路
- 作者提出两阶段空间收缩估计 SpSkE，在异方差线性模型框架下结合 L1 型惩罚与局部加权最小二乘。
- 材料陈述的贡献
- 摘要称，该方法利用空间信息降低张量导出特征值的偏差，探讨其理论性质，并通过模拟和真实数据展示效果。
- 阅读关注点
- 应核对两阶段估计的衔接、空间权重与惩罚参数选择、张量约束，以及特征值偏差改善能否转化为纤维追踪效果。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化。摘要未说明理论条件、改善幅度或纤维追踪的实际评价结果。
原文摘要
Diffusion tensor imaging (DTI), based on the diffusion-weighted imaging (DWI) data acquired from magnetic resonance experiments, has been widely used to analyze the physical structure of white-matter fibers in the human brain in vivo. The raw DWI data, however, carry noise; this contaminates the diffusion tensor (DT) estimates and introduces systematic bias into the induced eigenvalues. These bias components affect the effectiveness of fiber-tracking algorithms. In this article, we propose a two-stage spatial shrinkage estimation (SpSkE) procedure to accommodate the spatial information carried in DWI data in DT estimation and to reduce the bias components in the corresponding derived eigenvalues. To this end, in the framework of the heteroscedastic linear model, SpSkE incorporates L 1-type penalization and the locally weighted least-square function. The theoretical properties of SpSkE are explored. The effectiveness of SpSkE is further illustrated by simulation and real-data examples. Supplementary materials for this article are available online.