Merken

MRI data models at low SNR

Zitierlink des Filmsegments
Embed Code

Automatisierte Medienanalyse

Beta
Erkannte Entitäten
Sprachtranskript
ok vielen Dank den nach 2 so exzellenten Vorträgen ist dass er für mich eine Bürde hier nochmal den Fokus komplett zu wechseln auf eine eigene fachliche Detailarbeit aber ich ich hoffe wir kriegen das hin OK ich möchte Ihnen nichtsdestotrotz durch die schon mal ganz im Sinne des Selbstdarsteller tun und nehme ich diese Gelegenheit jetzt war und erzählen etwas über die über die Arbeit die ich zusammen insbesondere mit einem voll zu ihrem Publikum und den Infos in den letzten Jahren gemacht habe und es gibt dort vor allen Dingen um immer Alltag Soldaten aus Magnet-Resonanz-Tomographie und der entscheidende Punkt der uns daran interessiert ist unter anderem was passiert wenn das Signal zur Rauschverhältnis sehr sehr klein ist dass wir oft eigene Probleme vorerst die Bilder sind verrauscht sind nicht gut aus die Information ist versteckt im Rauschen sozusagen Extremfall und ich will hier in diesem Vortrag auch darauf eingehen was das noch so für spezifische Probleme hervorruft n an ich vermute dass es nicht
ganz wieder auf auf dem Schirm hat die Magnetresonanz Tomographie funktioniert ich würde auch gar nicht so ins Detail gehen aber ich werde paar verdingen nennen wie das funktioniert und was das für grundsätzliche Auswirkungen auf die statistischen Eigenschaften der Daten hat und dann möchte ich Ihnen 2 Dinge nach nahe bringen das Rauschen des in den Daten drin ist dass sie die Unsicherheit in den gemessenen Werten hat 2 Effekte des 1 ist sie sind variabel und in diesem Teil des Vortrages möcht ich Ihnen erzählen wie wir diese Variabilität charakterisieren und das hat aber auch einen 2. Effekt wir wollen sind in der Regel nicht nur an den Daten selbst interessiert sondern als einen anderen Parametern aus abgeleiteten Modellen die biophysikalischen Hintergrund zum Beispiel haben und das ist ein ganz wichtiger Punkt war zu verstehen dass das Rauschen auch zu einem Schätzpreis führte zu einer Verzerrung dieser Parameter und ich möchte Ihnen sozusagen erzählen was wir da für Vorstellungen zu haben gut zunächst kurz zum 1 Ei
1 ist ein großes Gerät ein teures Gerät basierend auf magnetische Resonanz das heißt wir haben hier in diesem Scanner ein starkes statisches Magnetfeld zudem zusätzliche Magnetfeld gravierende hinzukommen zeitlich abhängig +plus Radiofrequenz quellen zur Anregung der nukleares Bands sind nehmen in der Regel einen also die die Bild Akquisition erfolgt im K Raum das heißt sie messen Frequenz Profile typischerweise in 2 D gedacht Sequenzen die ganze 3 D Bilder aufnehmen aber typischerweise nehmen wir wird das in 6 von 2 D aufgenommen und bekommt man dann von einem solchen nichtssagenden wild im Kreis bis zum Juli ist es durch eine Fouriertransformation ganz spezifische macht man einfach Fourier-Transformationen schmeißt in der Regel die Phasen Informationen weg dass zumindest der typische Weg und nimmt nur die Amplitude davon dieses Vorgehen
führt zu ganz spezifischen statistischen Eigenschaften sie bilden also sozusagen den Modus das Signal zum K Raum und wenn wir davon ausgehen und davon können wir ganz gut ausgehen dass in diesem im Chatraum das Rauschen durch eine Gaußsche variable beschrieben werden kann einfach als thermische Rauschen dann hat das ganz klar den Effekt auf die sich diesen Modus im im im im Juli ist es dass der nicht mehr aus verteilt ist sondern preiswerter wird für gutes Signal-Rausch-Verhältnis also sehr gutes Signal wenig rauschen lässt sich das gut durch Durchschnitt Gauss-Verteilung wieder approximieren in dem Bereich wo es kleine Signatur Neues ist geht das nicht mehr und der Effekt der später dann noch eine Rolle spielen wird der Erwartungswert dieses Signals ist dann nicht mehr identisch mit dem sozusagen im Fluge ist das Signal das wir eigentlich erwarten würde das liegt einfach daran dass für kleine Signal-Rausch-Verhältnis die Verteilung nicht mehr symmetrisch ist sondern schießt und die Sache
wird noch komplizierter da durch dass man so genanntes parallel in Mettingen hat eine einzelne also ist der der der der der die die Signale Akquise geschieht durch so genannte Receiver kurz also hier in diesem in diesem 1. sind die versteckt jeder jeder dieser dieser Leiche hier entspricht einer gewissen Receiver Kolbe werden nur einer davon haben es ganz klar dass wenn eine gewisse Sinne eine gewisse ausgezeichnete Sensitivitäten nahe der der Polizei haben Freitag dass immer mehr aber deswegen zur Erhöhung des Signals und einer guten Abdeckung der gesamten des gesamten Raumes macht man vor allen also in den letzten Jahren fast nur Nachteile in München mit 8 16 32 Colts hatten gute Abdeckung von dem vom gesamten Raum da entsteht sofort das Problem auf das ich hier nicht im Detail eingehen würde kombiniert man jetzt 16 32 Signale der gibt es viele viele Lösungen für viele Algorithmen mit unterschiedlichsten Namen unterschiedlichsten Eigenschaften und es ist klar dass die Art und Weise wie ich aus diesen 16 32 Signalen wieder in einem Bild zusammensetzt auch auf die statistischen Eigenschaften der Verteilung eine entscheidende Rolle einen entscheidenden Einfluss hat nichtsdestotrotz zeigt sich man kann das in eine kleine wieder in eine Klasse von Verteilungen einsortieren und das sind ist dann eine Verallgemeinerung der Preisverteilung die nicht zentral durch die Verteilung 2 wichtige Parameter spielen dabei eine Rolle das ist im Grunde genommen der Rausch Parameter und die Freiheitsgrade das zeigt sich auch abhängig vom Rekonstruktionsarbeiten muss da steht immer mal was alles in den Wind im Haar im Extremfall steht hier die Anzahl der der DDR sie war kurz in dem anderen extrem versteht einfach 1 zu 1 dann bewegt sich das nun das was mich jetzt hier interessieren würde ist dieser Parameter also diese neues Parameter bekommt das nämlich
an der Mann könne nun und denken ok also ich habe sowieso ein homogenes Rauschen überall gleich was zeigt sich dass das nicht der Fall ist sondern das der dieser neues Parameter und ich war jetzt wieder so besonders so 8 Kreuzer mit den verschiedenen Sensitivität der Abdeckung sie an unterschiedlichen Stellen im sind sie unterschiedlich sensitiv reagieren ein Rauschen auf in der Regel haben wir dann einen nicht homogen also nicht vom den globalen Dennis Rausch Niveau sondern sowas in der Art aber wenigstens glatt so Ziel soll es jetzt sein das
zu charakterisieren so ein lokales in diesen Lokalen neues Parameter aus den Daten effektiv zu schützen der Algorithmus den Bedarf wenn
kommt auf der nächsten Folie hat einige Voraussetzungen ich kurz erläutern möchte die 1. Voraussetzung quasi den wollte die habe ich eben schon genannt und man kann das Signal durch nicht zentral ist die Verteilung approximieren mit einem lokalen variieren und Arbeit Platten neues Parameter das scheint so jedenfalls die die experimentellen Befunde und die Literatur sehr gut erfüllt zu sein es war ja der der Parameter variiert klappt auch das ist eine vernünftige Voraussetzungen die nächste Voraussetzung ist schon schwieriger die Zahl der Freiheitsgrade die die Verteilung hat wie wie gesagt die hängt vom Rekonstruktionsarbeiten muss aber wenn es ganz schlimm kommt wenn wir gehen nicht sondern wir können nur so eine Art des für den effektiven Parameter daraus machen es zeigt sich ja zunächst versucht sowohl den neuesten Parameter als auch zu schätzen aber es zeigt sich dass das schlecht Möglichkeit möglich ist sondern die Identifizierbarkeit beider Parameter der nicht gewährleistet ist ist dazu trotz für für viele der Konstruktionsart gerückt im Palais in mit kann man ältere Männer und dann war das in den Algorithmus reinstecken die letzte Voraussetzung ist eine über das Bild selbst versteckte Parameter Täter also der Täter ist der Parameter der die Bild Intensität der sind schon intensiv meines Bildes repräsentiert und das ist eine Voraussetzung die man immer ganz gut an einem Bilder ganz im Allgemeinen machen kann ist eine lokale konstante Funktion also irgendetwas mehr oder weniger homogene Bereiche zum Beispiel verschiedene Tisch just im Gehirn getrennt durch mehr oder weniger scharfe Diskontinuität und die Signal Verteilung steht unten hier unten nochmal Erwartungswert dieser Verteilung der sich von dem optischen Parameter sozusagen unterscheidet doch was ist die Idee
des Algorithmus wenn wir sie einschätzen wollen dazu verwenden wir eingerichteten lockt die gut Schätze zu und steht die geht die Dichte also den nicht zentralen die Verteilung ein und die Gegengewichte in der Konstruktion dieser Gewichte steckt der ganze klug da werden nämlich so genannte adaptive gerichtete finden wenn Sie nur diesen Teil von ansehen erkennen Sie das sicherlich von der Einschätzung haben ist einfach ein Kern genommen euklidische Abstand im Juli ist zwischen 2 Boxen genommen und eine Bandbreite damit versteckt ist gewissermaßen ein und aus flattern den sie in den sie leben können entscheiden die ID Nummer 1 besteht darin hier einen zusätzlichen Term einzuführen der zusätzlich zum Lokal Abstand der Location bewertet wie der Abstand der gemessenen der gemessenen Werte an diesen beiden Lokationen zu bewerten ist im Verhältnis zum Rausch Niveau sind besteht das Rauschen vom der 2. Punkt ist dass man hier einen Multiscale nämlich einen integrativen Ansatz ausmacht und hier die weiter variieren lässt in einem iterativen Prozess man startet sehr lokal für sehr kleine beim 2. erhöht dann im Laufe des Algorithmus immer mehr 2. die die Band wollte immer mehr und bekommen immer mehr und verbesserte Informationspflichten schätze einfach weil man man immer Umgebung mit einem und stabilisiert die ganze ich sollte vielleicht erwähnen 1 muss man reinstecken eine indische gehst für das für das Stigma für und für den globalen Scherzer das war nicht so schwer weil man eigentlich ganz gute Methoden hat zum Beispiel der auch Personen sollen sich man sich aus dem aus dem Weg und das Image ist also da wo eigentlich gar keine Signale einbringen das wollen schwarz sein sollte zu beschaffen da die dieses Problem relativ einfach so das funktioniert hier einfach in einer
Simulation für verschiedene Staaten das Rauschen aber schon sehr sehr schlecht das Signal-Rausch-Verhältnis sieht man fast gar nicht das Ziel ist das glatte Profil das ihnen am Anfang zeigte sich in die Simulation für das sich über die lokale Abhängigkeit ist das eingestellt ist und Grünen in die indiziert dass wir in dem geschätzten werden also In-Lokal geschätzten Werten für diese neues Parameter ein ziemlich gut drauf wofür braucht man
das tatsächlich in der Praxis nun und das ist mal ein geschätztes neues Profil für einen echten Datensatz hier in dem Falle sogenannte Diskussions Bildgebung und dass man hier ungefähr sieht das ist nicht gut dass es tatsächlich auch in realen Daten nicht homogen und hat hier aus verschiedenen Gründen der Aufnahmetechnik ein sehr viel höheres rauschten wohin wir in den vorderen Bereichen und der Punkt ist das braucht man wenn man
sich zum derselbe Datensatz wenn man sich zum Beispiel zur Aufgabe gesetzt hat dieses Bild das sehr verrauscht ist adäquat zu rekonstruieren was heißt eigentlich Algorithmus zu verwenden aus der Mann eine geglättete Version 1 rauschte Version dieser Daten geben wir hier ist es wichtig denn dieser klärt uns Algorithmus braucht in den in den den Innendienst gar eine neues Parlament sieht man dass man den lokal richtig einsetzt das natürlich wieso er hier schwer auszumachen dass die und die die wie die Unterschicht tatsächlich sind aber ich kann Ihnen versichern dass die Berücksichtigung eines lokalen neues Parameter ist im Gegensatz zu einem zum Beispiel durch den Einstieg des aus dem Weg Background bestimmt globalen Parameter nochmals eine deutliche Verbesserung für nun ich nun zum 2. Teil
das Rauschen führt nicht nur dazu dass die Bilder schlecht aussehen und in gewisser Weise verbessert werden sollten zur Analyse zur zur Auswertung der führt auch zu systematischen war in den Chats Parametern von spezifischen Modell und das ist wichtig wenn wir bedenken dass es gerade in der Malerei mehr und mehr dazu übergegangen wird nicht nur nicht nur Kontrast Bilder auf auf Euro also nicht skalierte Kontrast Bilder anzusehen sondern auch quantitative Aussagen zu treffen also wo die gemessenen Bilddaten nicht nur gar ein freie Bilder sind sondern wirklich mit einer Einheit versehen sind und so eine Vergleichbarkeit über die Zeit über verschiedene Patienten Probanden oder auch nur zwischen verschiedenen Gene zu gewährleisten und ein solches
Modell für Daten hatte das schon gezeigt und ein sehr einfaches Modell könnte Fusions gewichtete Daten das sogenannte die Fusionspläne sein Modell steht hier charakterisiert durch einen Diskussions denn so oben in der quadratischen Formen was bedeutet das in der Interpretation von das sagt einfach dass sich die Befunde was lässt sich mit den Songs der Bildgebung Messe ich die Diffusion Deposited von Wasser in bestimmten Richtungen gehören ein jeder Location das ist anisotroper die Gespür Strukturen des Gehirns durch Grenzen entlang von faserartige Strukturen einfach nur verschiedene das diffusive Ted in verschiedene Richtungen zu lassen das einfachste Modell davon ist ich sag einfach ich nehme ich mir dem Haupte Fusionsrecht und entlang solcher Phasen wenn das die wichtigen Strukturen sind unser immer ein eben in diese Richtung und die Stärke diese die Exzentrizität dieses Gefühl dieses ehrlich zugeben dass umso umso stärker bin ich in diese Richtung eingebunden das im Wesentlichen die Essenz dieses Modells mathematisch repräsentiert durch die Formel der oben ein wichtiger eine wichtige Charakteristik eines Gallagher Charakteristik des der mehrdimensionales Objekt ist eine Skala Charakteristik ist die Fraktion Anisotropie das ist einfach ein Maß für die Exzentrizität dieses Bildes zu geben oder dieses Tensors liegt zwischen 0 und 1 basiert auf den eigenen Werten dieses denn sonst ganz aus so also den haben wir schon mal im Hinterkopf solche skalaren würden wir gerne haben soll nun typischerweise werden solche
Schätzungen für die Parameter des Symposions Tensor Modells einfach gemacht ich ich mach mich genau das liest wirst mach einfach hier praktisch täglich die Signale rein ich betrachte einfach 2 Abstand zum zu meinem Modell setzt eventuell noch ein paar Gewichte ein wenig das kann kann ich auch weglassen kann ich auch machen und dann stellt sich die Parameter einfach aus diesem auszulösen dieses Optimierungsproblem der Punkt ist das verlangt ein solches Modell das wir hier die das die Signale geben sind es echte Parameter plus ein bisschen Rauschen und dieses Rauschen der Erwartungswert Zeichen gesagt dass das nicht der Fall ist für die Preisverteilung nicht völlig zentrale schief verteilt ist das nicht der Fall dass es schief Erwartungswert stimmt nicht mit diesem Wert über überein das heißt hier können wir uns in der Schätzung der Parameter systematische war es stattdessen das ist etwas was wir kürzlich ausgearbeitet haben kann man eine quasi lag Wertschätzung davon machen das heißt man setzt hier nicht den Wert selbst ein sondern den Wert den wir eigentlich erwarten war meine Erwartungswert Funktion und löst dieses Optimierungsprobleme das funktioniert tatsächlich ich möchte sie ihnen wurde also nur darauf hinweisen dass hier plötzlich wieder da neues Parameter Auftritt auch hier wieder in seiner lokalen Variante und ich möchte auch darauf hinweisen dass es sich bei diesen neues Parameter um den geschätzten Parameter und prozessierte Daten handelt die Daten die wir noch gar nicht angefasst haben so ist das alles jetzt ich bin also
zunächst eine die Ergebnisse einer Simulation um ihnen den Effekt nochmals verdeutlichen Sie haben hierfür verschiedene SAR-Wert von 0 bis 1 sehen Sie in Rot das Problem gewissermaßen eine systematische Unterschätzung das ist aber das ist durch nichtlinearen durch den nicht wie gesund schätze ihre in schwarz das entsprechende gibt das ist quasi der Wirtschaftsweisen Simulation funktioniert es schon mal so was
hat das jetzt für alle Daten zu sagen und dazu haben wir eine Datenbank angezapft eine sehr wichtige Datenbank für die für die Neurowissenschaften aus das sogenannten Sicherungen kommen .punkt Cortex also ein Projekt das sich zum Ziel gestellt hat quasi mit viel mit viel Aufwand mit viel Geld in die Kartographie eine Konnektivität Kartographie des menschlichen Gehirns zu erstellen Sie sehen hier über 900 sagt schätzt die werden also von vorne bis hinten in verschiedenen Modalitäten durchgestzt werden die Daten sind alle frei verfügbar und von extrem hoher Qualität in 2 Varianten übrigens einmal so genannte minimale Kurs später das noch gar nicht viel passiert und mehr oder weniger das was aus uns Scanner rauskommt und dann natürlich als Unterstützung zur Analyse für die Wissenschaft neurowissenschaftliche Zwecke schon mal verschiedene Sachen gemacht zum Beispiel der Registrierung auf einander nicht eine Folge von Bildern aufgenommen die Registrierung des ein aufwendiger Prozess das kann man schon mal vorab machen und so man muss für Wirbelströme Korrektiv korrigieren und verschiedene andere Artefakte rauskommt danach sehen die sie die Daten perfekt aus wirklich dem Wahnsinn nach die und prozessierten Daten und deswegen ist es wichtig haben aber noch einen nicht zu vernachlässigenden Neustadt an der designierte neue israelische und prozessierten Daten ist nicht so gut wie es am Ende nach den ganzen Registrierung die alle Mittelungen beinhalten den Anschein hat und was wir zeigen konnten dass dass es wichtig ist genau diesen Parameter der und prozessierten Daten reinzustecken um den bei ist die man durch die Verwendung eines falschen Modells die wir dadurch bekommen dass wir den vernünftig korrigieren können und zu sich zu zeigen wie groß der Effekt eigentlich für diese werden Heiko liegt die Welt da ist man einfach hier sündigte Plot über die Differenz zwischen den beiden verschiedenen schätzt also nicht länger gesonnen quasi pleite und des im Bereich von Asyl also ist nur 0 Komma 3 0 Komma 2 FA jetzt jetzt fragen Sie sich vielleicht ok wir wissen dass die SA liegt zwischen 0 und 1 ist es ist nur ein Unterschied von 0 Komma 0 2 denn überhaupt viel mehr kann ich Ihnen versichern dass ich viele Jahre in verschiedenen Projekten mit Kollegen vom Uniklinikum Münster das debattiert die SA ist ein sehr sensitiver Marker für neuronale Erkrankungen und sensitiv bedeutet das also eine Änderung von 0 Komma 0 2 wirklich schon eine große und unter Umständen pathologische Änderung anzeigen kann das heißt die Nichtberücksichtigung eines solchen beides Effekts wenn die schon für solche werde Heiko die Täter einen verhältnismäßig großen Effekte wie soll das dann auch erst in der klinischen Praxis aus gut ich möchte
hiermit abschließen und einfach nur eine kurze kurze Zusammenfassung geben über das was ich gesprochen habe also Magnetresonanz Daten insbesondere bei kleinen Signale in Bezug auf das Signal zur neues Verhältnis haben hohe Variabilität und ein neues das ist ein Problem an sich das kann man aber die Parameter dieser Verteilung kann man gut schätzen auch die lokale Version davon und dann insbesondere für Algorithmen nutzen die die Bildverbesserung vorantreiben und der 2. Punkt ist dieses neues führt auch zu einem Schätzpreis für nachgelagerte Parameter für den für nachgelagerte Modelle die man basierend auf diesen Daten erstellt und eine Nichtberücksichtigung führt unter Umständen zu einer unserer Marke führt uns weg von der Behauptung dass es sich wirklich um quantitative Methode Kant und Botschafter ein paar unserer Spezial Methoden in genannt wie man das unserer Meinung nach machen kann und vielen Dank für
Punkt
Signal
Information
Modelltheorie
Fokalpunkt
Computeranimation
Soundverarbeitung
Parametersystem
Kreis
Stellenring
Punkt
Fourier-Transformierte
Sampler <Musikinstrument>
Raum-Zeit
Formation <Mathematik>
Frequenz
Computeranimation
Spezifisches Volumen
Spezialrechner
Verzerrung
Informationsmodellierung
Parametersystem
Schätzung
Phasenumwandlung
Information
Modelltheorie
Soundverarbeitung
Parametersystem
Objektklasse
Signal
Empfindlichkeit
Imaginäre Zahl
Elektronische Unterschrift
Computeranimation
Spezialrechner
Freiheitsgrad
Lösung <Mathematik>
Geräusch
Erwartungswert
Wärmeausdehnung
Algorithmus
Normalverteilung
Verallgemeinerung
Durchschnitt <Mengenlehre>
Raum <Mathematik>
Wahrscheinlichkeitsverteilung
Parallele Schnittstelle
Gammafunktion
Parametersystem
Stellenring
Algorithmus
Stellenring
Weitverkehrsnetz
Vorlesung/Konferenz
Modelltheorie
Computeranimation
Stellenring
Punkt
Gewicht <Mathematik>
Formation <Mathematik>
Term
Computeranimation
Schätzfunktion
Anpassung <Mathematik>
Wurm <Informatik>
Lokation <Statistik>
Freiheitsgrad
Erwartungswert
Algorithmus
Schätzung
Gewichtung
Abstand
Kerndarstellung
Normalvektor
Parametersystem
Distributionstheorie
Algorithmus
Signal
Laufzeitsystem
Stellenring
Zahl
Dichte <Physik>
Parametersystem
Identifizierbarkeit
Parametersystem
Datensatz
Punkt
Modelltheorie
Computeranimation
Gammafunktion
Aggregatzustand
Parametersystem
Datensatz
Algorithmus
Chatten <Kommunikation>
Schätzung
Aussage <Mathematik>
Version <Informatik>
Modelltheorie
Computeranimation
Stellenring
Gewicht <Mathematik>
Punkt
Gewichtete Summe
Computeranimation
Richtung
Spezifisches Volumen
Anisotropie
Informationsmodellierung
Erwartungswert
Tensor
Volumen
Abstand
Struktur <Mathematik>
Modallogik
Parametersystem
Distributionstheorie
Varianz
Ruhmasse
Optimierungsproblem
Schätzung
Charakteristik <Algebra>
Quadratischer Raum
Exzentrizität
Parametersystem
Quadratzahl
Modelltheorie
Fusion <Programm>
TED <Datenbank>
Binärdaten
Unendlichkeit
Soundverarbeitung
Parametersystem
Mittelungsverfahren
Informationsmodellierung
Wirbelströmung
Task
Plotter
Datenbank
Modelltheorie
Computeranimation
Parametersystem
Informationsmodellierung
Punkt
Algorithmus
Signal
ATM
Schätzung
Bildverbesserung
Version <Informatik>
Streuungsmaß
Kante
Computeranimation

Metadaten

Formale Metadaten

Titel MRI data models at low SNR
Serientitel The Leibniz "Mathematical Modeling and Simulation" (MMS) Days 2017
Autor Tabelow, Karsten
Mitwirkende Weierstraß-Institut für Angewandte Analysis und Stochastik (WIAS)
Lizenz CC-Namensnennung - keine kommerzielle Nutzung - keine Bearbeitung 3.0 Deutschland:
Sie dürfen das Werk bzw. den Inhalt in unveränderter Form zu jedem legalen und nicht-kommerziellen Zweck nutzen, vervielfältigen, verbreiten und öffentlich zugänglich machen, sofern Sie den Namen des Autors/Rechteinhabers in der von ihm festgelegten Weise nennen.
DOI 10.5446/21910
Herausgeber Technische Informationsbibliothek (TIB)
Erscheinungsjahr 2017
Sprache Deutsch
Produktionsjahr 2017
Produktionsort Hannover

Inhaltliche Metadaten

Fachgebiet Informatik
Abstract In this talk we elaborate the effect of low SNR on estimated parameters in models for neuroimaging data. We will present a new method for the local estimation of the noise parameter in the signal distribution and demonstrate how this can be used for improved estimation of model parameters. (joint work with Joerg Polzehl).

Ähnliche Filme

Loading...