🔬 physics

MORSE: Multiple Orthogonal Reference Sensitivity Encoding

यह शोध पत्र MORSE को पेश करता है, जो समानांतर (पैरेलल) MRI पुनर्निर्माण के लिए एक गणनात्मक रूप से कुशल, ओपन-सोर्स विधि है, जो उच्च-गुणवत्ता वाले, वास्तविक समय में व्यवहार्य चित्र बनाने के लिए प्रति वोक्सेल कई कॉइल संवेदनशीलता का मजबूती से अनुमान लगाता है और आर्टिफैक्ट्स एवं शोर को प्रभावी ढंग से संबोधित करता है।

मूल लेखक: Oliver Josephs, Barbara Dymerska, Nadine N. Graedel, Yael Balbastre, Nadege Corbin, Martina F. Callaghan

प्रकाशित 2026-07-15

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Oliver Josephs, Barbara Dymerska, Nadine N. Graedel, Yael Balbastre, Nadege Corbin, Martina F. Callaghan

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप भीड़ के एक विशाल समूह की ग्रुप फोटो लेने की कोशिश कर रहे हैं, लेकिन आपका कैमरा खराब है और वह एक बार में केवल दृश्य का एक छोटा सा हिस्सा ही कैप्चर कर सकता है। यदि आप उस हिस्से की बस एक तस्वीर खींच लेते हैं, तो बाकी सब कट जाएंगे, और यदि आप बाद में उन हिस्सों को जोड़ने की कोशिश करते हैं, तो किनारों पर मौजूद लोग अजीब आकृतियों में दोहरे या खिंचे हुए दिख सकते हैं। यह एमआरआई (MRI) के साथ होने वाला दैनिक संघर्ष है जब वैज्ञानिक मस्तिष्क की तस्वीरें बहुत तेज़ी से लेना चाहते हैं। एक धड़कन के भीतर स्पष्ट छवि प्राप्त करने के लिए, उन्हें समय बचाने के लिए कुछ डेटा छोड़कर "अंडर-सैंपल्ड" (under-sampled) तस्वीरें लेनी पड़ती है। लेकिन यह अंतिम तस्वीर को एक उलझे हुए पहेली जैसा बना देता है, जिसमें मस्तिष्क की विशेषताओं के भूतिया डुप्लिकेट दिखाई देते हैं।

इस पहेली को सुलझाने के लिए, एमआरआई मशीनें "कानों" (रिसीवर कॉइल्स) की एक टीम का उपयोग करती हैं जो शरीर से आने वाले रेडियो संकेतों को सुनती है। प्रत्येक कान सिग्नल को थोड़ा अलग तरह से सुनता है, यह इस पर निर्भर करता है कि वह कहाँ स्थित है। इन विभिन्न दृष्टिकोणों की तुलना करके, एक कंप्यूटर यह पता लगा सकता है कि सिग्नल वास्तव में कहाँ से आया था और उस उलझन को सुलझा सकता है। हालाँकि, यह गणित लगाना एक साथ लाखों छोटे रूबिक क्यूब्स (Rubik's cubes) को हल करने जैसा है। इसमें आमतौर पर इतना समय लगता है कि आपको अपनी तस्वीर के लिए घंटों इंतजार करना पड़ता है, जो वास्तविक समय (real-time) में मस्तिष्क को सोचते हुए देखने या उन रोगियों के लिए बहुत धीमा है जो स्थिर नहीं रह सकते। मुख्य सवाल यह है: क्या हम पहेली के इन टुकड़ों को इतना तेज़ सुलझा सकते हैं कि मस्तिष्क को काम करते हुए देख सकें, बिना तस्वीर के धुंधला या शोर (noise) से भरा हुए?

यहाँ MORSE (मल्टीपल ऑर्थोगोनल रेफरेंस सेंसिटिविटी एनकोडिंग) आता है, जो यूनिवर्सिटी कॉलेज लंदन के शोधकर्ताओं द्वारा विकसित एक नया तरीका है जो एक सुपर-स्मार्ट, बिजली की तेज़ पहेली सुलझाने वाले की तरह काम करता है।

समस्या: भूतिया डबल-एक्सपोज़र (The Ghostly Double-Exposure)

जब एमआरआई स्कैन की गति बढ़ाई जाती है, तो छवि "एलियास्ड" (aliased) हो जाती है। इसे एक खराब फोटोकॉपी की तरह समझें जहाँ कागज के किनारे मुड़कर ओवरलैप हो जाते हैं। यदि आप सिर का स्कैन कर रहे हैं, तो कान मुड़कर मस्तिष्क के अंदर दिखाई दे सकते हैं, या गर्दन का पिछला हिस्सा माथे के ऊपर तैरता हुआ लग सकता है। इसे ठीक करने के लिए, कंप्यूटर को यह जानने की आवश्यकता होती है कि उसके प्रत्येक "कान" की संवेदनशीलता (sensitivity) मस्तिष्क के हर बिंदु पर कितनी है।

पुराने तरीके इस संवेदनशीलता का अनुमान लगाने के लिए पहले एक अलग, धीमी, उच्च-गुणवत्ता वाली "संदर्भ" (reference) तस्वीर देखते थे। लेकिन वह संदर्भ तस्वीर तेज़ तस्वीर के साथ पूरी तरह मेल नहीं खाती थी, विशेष रूप से उन्नत अनुसंधान में उपयोग किए जाने वाले बहुत उच्च चुंबकीय क्षेत्रों (7 टेस्ला) पर। यह एक अलग शहर के मानचित्र का उपयोग करके धुंधली फोटो को ठीक करने जैसा है; विवरण मेल नहीं खाते, और सुधार विफल हो जाता है। अन्य तरीकों ने डेटा में पैटर्न देखकर चतुर बनने की कोशिश की, लेकिन वे या तो उपयोग के लिए बहुत धीमे थे या उन्होंने छवि को इतना शोर भरा बना दिया कि वह पुराने टीवी के स्टैटिक (static) जैसा दिखने लगा।

MORSE समाधान: वर्चुअल डिटेक्टिव्स की एक टीम

MORSE टीम ने महसूस किया कि एक एकल, पूर्ण मानचित्र पर भरोसा करने के बजाय, वे डेटा को चलते-चलते नियम सिखा सकते हैं। उन्होंने एक प्रणाली बनाई जो तीन चतुर चरणों में काम करती है:

वर्चुअल डिटेक्टिव स्क्वाड (The Virtual Detective Squad): सभी भौतिक "कानों" (कॉइल्स) का सीधे उपयोग करने के बजाय, MORSE पहले उन्हें "वर्चुअल कॉइल्स" की एक छोटी टीम में समूहित करता है। कल्पना कीजिए कि 64 गायकों के एक समूह को उनकी आवाज़ों को 8 विशिष्ट, शक्तिशाली सामंजकों (harmonies) में मिला दिया गया है। यह गणित को बहुत तेज़ बनाता है क्योंकि कंप्यूटर को ट्रैक करने के लिए कम आवाज़ें होती हैं।
लचीला लेंस (The Flexible Lens): पुराने तरीकों ने माना कि कॉइल्स की संवेदनशीलता एक मंद ढलान की तरह सहज और अनुमानित होती है। लेकिन उच्च गति और उच्च चुंबकीय क्षेत्रों पर, संवेदनशीलता तेजी से बदल सकती है, जैसे एक ऊबड़-खाबड़ पर्वत श्रृंखला। MORSE एक "लचीले लेंस" (एक गणितीय स्मूथिंग कर्नेल) का उपयोग करता है जो ज़ूम इन और ज़ूम आउट कर सकता है। यह संवेदनशीलता का पता लगाने के लिए पिक्सेल के एक छोटे पड़ोस को देखता है, जिससे यह बिना भ्रमित हुए उन तीव्र परिवर्तनों को संभाल सकता है।
मल्टी-व्यू रणनीति (The Multi-View Strategy): यही असली सफलता है। कभी-कभी, छवि के एक एकल बिंदु में वास्तव में दो अलग-अलग चीजें मिली हुई होती हैं (जैसे कि एक मस्तिष्क सिग्नल और एक वसा का सिग्नल, या एक सिग्नल जो सिर के दूसरी ओर से मुड़कर आया है)। पुराने तरीकों ने इन मिश्रित सिग्नलों को एक एकल उत्तर में बदलने की कोशिश की, जो अक्सर विफल रहा। हालाँकि, MORSE कहता है, "आइए कुछ अलग संभावनाओं को खुला रखें।" यह प्रत्येक स्थान के लिए कई संवेदनशीलता मानचित्रों का अनुमान लगाता है। यह एक ऐसे जासूस की तरह है जो न केवल एक संदिग्ध का अनुमान लगाता है, बल्कि तीन या चार संभावनाओं की एक छोटी सूची रखता है और जाँचता है कि कौन सा साक्ष्य के साथ सबसे अच्छा फिट बैठता है। यह उन जटिल ओवरलैप्स को सुलझाने की अनुमति देता है जिन्हें अन्य तरीके अव्यवस्थित भूतिया आकृतियों के रूप में छोड़ देते हैं।

उन्होंने क्या पाया: तेज़, साफ और रियल-टाइम के लिए तैयार

शोधकर्ताओं ने 3 टेस्ला (मानक हाई फील्ड) और 7 टेस्ला (अल्ट्रा-हाई फील्ड) दोनों स्कैनर पर वास्तविक मानव मस्तिष्क पर MORSE का परीक्षण किया। उन्होंने इसकी तुलना एमआरआई निर्माताओं द्वारा उपयोग किए जाने वाले मानक उपकरणों (GRAPPA) और दो अन्य उन्नत ओपन-सोर्स टूल्स (ESPIRiT और LORAKS) से की।

परिणाम आश्चर्यजनक थे। जब अन्य तरीकों ने "भूतिया" ओवरलैपिंग छवियों को ठीक करने की कोशिश की, तो वे अक्सर विफल रहे। GRAPPA ने दृश्य दोष (मस्तिष्क के अंदर कान के भूत) छोड़ दिए, और ESPIRIT, बेहतर होने के बावजूद, छवि को इतना दानेदार और शोर भरा बना दिया कि कुछ भी देखना कठिन हो गया। LORAKS ने साफ छवियां तो दीं लेकिन इसे कंप्यूट करने में इतना लंबा समय लगा (कभी-कभी दो घंटे से अधिक) कि यह रियल-टाइम में होने वाली किसी भी चीज़ के लिए बेकार था।

दूसरी ओर, MORSE ने ऐसी छवियां बनाईं जो काफी स्पष्ट और मजबूत थीं, हालांकि सटीक गुणवत्ता विशिष्ट स्कैन के लिए सेटिंग्स को ट्यून करने पर निर्भर करती है।

गति: यह अविश्वसनीय रूप से तेज़ था। एक जटिल 7 टेस्ला स्कैन के लिए, MORSE ने छवि को पुनर्गठित करने में लगभग 24 सेकंड लिए। इसकी तुलना में, ESPIRIT को 15 मिनट से अधिक और LORAKS को लगभग 2 घंटे लगे।
गुणवत्ता: छवियां अधिक तीखी और स्पष्ट थीं। उन परीक्षणों में जहाँ फील्ड ऑफ व्यू पूरे सिर को फिट करने के लिए बहुत छोटा था (जो तेज़ स्कैन में एक आम समस्या है), MORSE ने मस्तिष्क को स्टैटिक में बदले बिना मुड़े हुए कानों और गर्दन को सफलतापूर्वक सुलझा लिया। हालांकि आर्टिफ़ैक्ट्स को हटाने के लिए इष्टतम सेटिंग्स अलग-अलग हो सकती हैं, MORSE ने व्यापक सेटिंग्स के तहत न्यूनतम शोर के साथ लगातार उच्च-गुणवत्ता वाले परिणाम प्राप्त किए।
रियल-टाइम रेडी: क्योंकि यह बहुत तेज़ है, MORSE रोगी के अभी भी स्कैनर में होने के दौरान ही चल सकता है। इसका मतलब है कि डॉक्टर और शोधकर्ता यह देख सकते हैं कि मस्तिष्क की गतिविधि कैसे हो रही है, बजाय इसके कि वे यह देखने के लिए घंटों प्रतीक्षा करें कि क्या हुआ था।

यह क्यों महत्वपूर्ण है

शोध पत्र सुझाव देता है कि MORSE एक लचीला, मजबूत उपकरण है जो विभिन्न प्रकार के मस्तिष्क स्कैन में काम करता है, चाहे वह संरचना (मस्तिष्क कैसा दिखता है) को देख रहा हो या कार्य (मस्तिष्क क्या कर रहा है) को। यह बिना सुपरकंप्यूटर के उच्च-गति इमेजिंग के कठिन गणित को संभालता है, जिससे इसे मानक अस्पताल हार्डवेयर पर चलाना संभव हो जाता है।

शोधकर्ताओं ने MORSE के कोड को एक ओपन-सोर्स लाइब्रेरी के रूप में सभी के लिए उपलब्ध कराया है। इसका मतलब है कि महंगे, धीमे या अपूर्ण समाधानों की प्रतीक्षा करने के बजाय, वैज्ञानिक और अस्पताल एक ऐसे तरीके का उपयोग कर सकते हैं जो एमआरआई पहेली को जल्दी और सफाई से सुलझाता है, जिससे सभी के लिए उच्च-गुणवत्ता वाले तेज़ मस्तिष्क इमेजिंग के द्वार खुल जाते हैं। यह एक धीमी, धुंधली धारणा को एक तेज़, स्पष्ट तस्वीर में बदल देता है, जिससे हम मस्तिष्क को पहले से कहीं अधिक सक्रिय रूप से देख सकते हैं।

तकनीकी सारांश: MORSE (मल्टीपल ऑर्थोगोनल रेफरेंस सेंसिटिविटी एनकोडिंग)

समस्या विवरण
पैरेलल इमेजिंग, k-स्पेस को अंडरसैंपल करके एमआरआई अधिग्रहण (acquisition) को तेज करती है, जो एलियास्ड छवियों को अनफोल्ड करने के लिए रिसीवर कॉइल एरेज़ की विभेदक संवेदनशीलता प्रोफाइल (differential sensitivity profiles) का लाभ उठाती है। जबकि SENSE एल्गोरिदम इमेज डोमेन में एक इष्टतम पुनर्निर्माण (optimal reconstruction) प्रदान करता है, इसकी प्रभावकारिता कॉइल संवेदनशीलता मानचित्रों के सटीक अनुमान पर निर्भर करती है। पारंपरिक तरीकों के लिए अक्सर एक अलग, पूर्णतः सैम्पल्ड संदर्भ स्कैन (जैसे कि बॉडी कॉइल इमेज) की आवश्यकता होती है, जो उपलब्ध नहीं हो सकता है, विशेष रूप से अल्ट्रा-हाई फील्ड (UHF) स्ट्रेंथ (≥7T) पर। इसके अलावा, मौजूदा उन्नत पुनर्निर्माण तकनीकें (जैसे ESPIRiT और LORAKS) और मानक वेंडर कार्यान्वयन (जैसे GRAPPA) महत्वपूर्ण सीमाओं का सामना करते हैं:

मजबूती (Robustness): UHF पर तेजी से बदलने वाली संवेदनशीलता, केमिकल शिफ्ट आर्टिफैक्ट्स, पार्शियल वॉल्यूम इफेक्ट्स और अपर्याप्त फील्ड ऑफ व्यू (FoV), अवशिष्ट एलियासिंग आर्टिफैक्ट्स (residual aliasing artifacts) और शोर प्रवर्धन (noise amplification) का कारण बन सकते हैं।
कंप्यूटेशनल दक्षता: अत्याधुनिक एल्गोरिदम में अक्सर उच्च कंप्यूटेशनल लागत होती है जो उन्हें स्कैनर कंसोल पर वास्तविक समय (real-time), ऑनलाइन परिनियोजन (deployment) के लिए अनुपयुक्त बनाती है, जो उच्च-रिज़ॉल्यूशन कार्यात्मक और मात्रात्मक इमेजिंग के लिए महत्वपूर्ण है।

कार्यप्रणाली (Methodology)
लेखक MORSE (मल्टीपल ऑर्थोगोनल रेफरेंस सेंसिटिविटी एनकोडिंग) का प्रस्ताव करते हैं, जो एक कंप्यूटेशनल रूप से कुशल, डेटा-संचालित विधि है जो संवेदनशीलता का अनुमान लगाने और रेगुलराइज्ड SENSE फ्रेमवर्क के भीतर अंडरसैम्पल्ड छवियों के पुनर्निर्माण के लिए है। यह कार्यप्रणाली Walsh et al. के लोकल कोरिलेशन दृष्टिकोण पर आधारित है, लेकिन इसमें कई प्रमुख संशोधन किए गए हैं:

वर्चुअल कॉइल स्पेस और डाइमेंशनलिटी में कमी: दक्षता में सुधार के लिए, यह विधि पहले एरे कॉइल डेटा पर सिंगुलर वैल्यू डिकंपोजिशन (SVD) करके मुख्य भिन्नता मोड (principal modes of variation) को निकालती है, जिससे एक "वर्चुअल कॉइल" स्पेस बनता है। यह बाहरी उत्पाद (outer product) की डाइमेंशनलिटी को $N_{coil}^2$ से घटाकर $N_{coil} \times N_{ref}$ ( $N_{ref} \leq N_{coil}$ ) कर देता है, जिससे प्रति वोक्सेल कंप्यूटेशनल भार काफी कम हो जाता है।
लचीला स्थानिक भार (Flexible Spatial Weighting): पिछले तरीकों में उपयोग किए जाने वाले समान भार (uniform weighting) के विपरीत, MORSE एक क्षेत्र रुचि (ROI) पर संवेदनशीलता अनुमानों को स्मूथ करने के लिए मनमाने भार (जैसे कि 3D गॉसियन कर्नेल) का उपयोग करता है। यह संवेदनशीलता अनुमानों के एक्सट्रपलेशन (extrapolation) की अनुमति देता है, जिससे अलग-अलग संदर्भ और अंडरसैम्पल्ड स्कैन के बीच मोशन के विरुद्ध मजबूती मिलती है।
उच्च-क्रम संवेदनशीलता अनुमान (Higher-Order Sensitivity Estimation): एक मुख्य नवाचार प्रति वोक्सेल कई ऑर्थोगोनल संवेदनशीलता ( $N_{order}$ ) का अनुमान लगाना है। SVD के भारित बाहरी उत्पाद से कई लेफ्ट सिंगुलर वेक्टर्स को बनाए रखकर, MORSE उन परिदृश्यों को संभालता है जहाँ एक एकल संवेदनशीलता मानचित्र अपर्याप्त होता है (जैसे केमिकल शिफ्ट मिसलोकलाइजेशन, UHF पर तीव्र संवेदनशीलता परिवर्तन, या FoV सीमाएं)।
रेगुलराइज्ड SENSE अनफोल्डिंग: अनुमानित संवेदनशीलता का उपयोग एलियास्ड छवियों को अनफोल्ड करने के लिए एक जनरल लीनियर मॉडल में किया जाता है। यह विधि संवेदनशीलता अनुमान के सिंगुलर मानों से प्राप्त एक डेटा-संचालित टिखोनोव रेगुलराइजेशन (Tikhonov regularisation) टर्म को शामिल करती है। यह टर्म संवेदनशीलता अनुमानों में विश्वास और फिट की गुणवत्ता के बीच संतुलन को नियंत्रित करता है, जो सिग्नल को संरक्षित करते हुए बैकग्राउंड वोक्सेल्स में शोर को प्रभावी ढंग से दबाता है।
कार्यान्वयन: इस एल्गोरिदम को ओपन-सोर्स, वेंडर-अग्नोस्टिक गैजेट्रॉन (Gadgetron) फ्रेमवर्क के भीतर एक MATLAB गैजेट के रूप में लागू किया गया है, जो वास्तविक समय के ऑनलाइन पुनर्निर्माण की सुविधा प्रदान करता है।

प्रमुख योगदान

एल्गोरिद्मिक नवाचार: एक मल्टी-ऑर्डर संवेदनशीलता अनुमान योजना की शुरुआत जो बिना बॉडी कॉइल संदर्भ के जटिल संवेदनशीलता परिवर्तनों को संभालती है।
कंप्यूटेशनल दक्षता: वर्चुअल कॉइल्स और कम किए गए SVD ऑपरेशंस का उपयोग करने वाला एक सुव्यवस्थित पाइपलाइन जो मानक हार्डवेयर पर वास्तविक समय पुनर्निर्माण को सक्षम बनाता है।
ओपन-सोर्स उपलब्धता: कोड को गैजेट्रॉन के भीतर फंक्शन की एक लाइब्रेरी के रूप में और पुनरुत्पादक परिनियोजन के लिए डॉकर (Docker) कंटेनरों के साथ जारी किया गया है।

परिणाम
लेखकों ने विभिन्न कंट्रास्ट (T1, T2*, PD, MT), रिज़ॉल्यूशन (0.6mm से 3mm), और अधिग्रहण प्रकारों (EPI, GRE, CAIPIRINHA) के साथ 3T और 7T पर मानव इन वीवो (in vivo) डेटा का उपयोग करके MORSE का मूल्यांकन किया। तुलना वेंडर-प्रदान کردہ GRAPPA, ESPIRiT (BART टूलबॉक्स), और LORAKS के विरुद्ध की गई।

इमेज क्वालिटी: MORSE ने लगातार उच्च-गुणवत्ता वाली, आर्टिफैक्ट-मुक्त छवियां बनाईं।
- GRAPPA की तुलना में, MORSE ने फोकल सिग्नल भिन्नता और अवशिष्ट एलियासिंग आर्टिफैक्ट्स को समाप्त किया, विशेष रूप से उच्च $B_0$ इनहोमोजेनिटी या अपर्याप्त FoV (जैसे कान/गर्दन) वाले क्षेत्रों में।
- ESPIRiT की तुलना में, MORSE ने जटिल संवेदनशीलता को संभालने के लिए ESPIRiT में अधिक आइजनवेक्टर्स (eigenvectors) बढ़ाने पर देखे जाने वाले गंभीर शोर प्रवर्धन के बिना, तुलनीय या बेहतर आर्टिफैक्ट दमन प्राप्त किया।
- LORAKS की तुलना में, MORSE ने कई इकोज़ के माध्यम से सुसंगत गुणवत्ता प्रदान की (जहाँ LORAKS बाद के इको टाइम पर आर्टिफैक्ट्स से ग्रस्त था) और काफी तेज़ पुनर्निर्माण किया।
टेम्पोरल SNR (tSNR): कार्यात्मक इमेजिंग (fMRI) में, MORSE ने GRAPPA और ESPIRiT की तुलना में उच्च माध्य tSNR और अधिक होमोजेनियस वितरण प्रदर्शित किया।
पुनर्निर्माण समय: MORSE ने वास्तविक समय परिनियोजन के लिए व्यवहार्य पुनर्निर्माण समय प्राप्त किया।
- 7T स्ट्रक्चरल डेटासेट (32 चैनल, 6 इको) के लिए, MORS ने ~7.5 मिनट लिया, जबकि ESPIRiT ने ~1 घंटा और GRAPPA ने ~1.5 मिनट (हालांकि GRAPPA में आर्टिफैक्ट्स थे) लिया।
- 7T SWI अनुक्रम के लिए, MORSE ने 24 सेकंड लिए, जबकि ESPIRiT ने लगभग 16 मिनट लिए।
- ऑनलाइन fMRI परिदृश्यों में, संवेदनशीलता अनुमान अंतराल (lag) न्यूनतम था (संदर्भ डेटा अधिग्रहण के बाद जल्दी से पकड़ लेता है), जिससे लगभग वास्तविक समय फीडबैक संभव हुआ।

महत्व और दावे
पेपर का दावा है कि MORSE पैरेलल इमेजिंग के लिए एक मजबूत, लचीला और कंप्यूटेशनल रूप से कुशल समाधान प्रदान करता है जो वर्तमान अत्याधुनिक विधियों की सीमाओं को दूर करता है। विशेष रूप से, यह बॉडी कॉइल संदर्भ की आवश्यकता के बिना उच्च-क्षेत्र (ultra-high fields) और प्रतिबंधित FoV के साथ उच्च-गुणवत्ता वाली छवियां पुनर्निर्मित करने की चुनौती को संबोधित करता है। लेखक इस बात पर जोर देते हैं कि MORSE पहला तरीका है जो एक SENSE फ्रेमवर्क में कई ऑर्थोगोनल संवेदनशीलता अनुमानों को एक डेटा-संचालित रेगुलराइजेशन टर्म के साथ जोड़ता है जो नियमित नैदानिक और अनुसंधान उपयोग के लिए पर्याप्त तेज़ है। इसे UCL में विविध रोगी समूहों के साथ कई न्यूरोइमेजिंग अध्ययनों में सफलतापूर्वक तैनात किया गया है और इसे पुनरुत्पादक अनुसंधान को सुविधाजनक बनाने के लिए समुदाय के लिए उपलब्ध कराया गया है।

समस्या: भूतिया डबल-एक्सपोज़र (The Ghostly Double-Exposure)

MORSE समाधान: वर्चुअल डिटेक्टिव्स की एक टीम

उन्होंने क्या पाया: तेज़, साफ और रियल-टाइम के लिए तैयार

यह क्यों महत्वपूर्ण है

इसी तरह के और पेपर