DIRECT INFERENCE BASED ON UNDERSAMPLED MRI DATA OF INDUSTRIAL SAMPLES
Method for automated non-invasive identification of a predetermined feature in a multitude of industrial samples (102) of a predefined sample type, the method comprising the steps of: a) conveying an industrial sample (102) of the predefined sample type into an MRI scanner (106), b) recording in an...
Gespeichert in:
| Hauptverfasser: | , , , , |
|---|---|
| Format: | Patent |
| Sprache: | eng ; fre |
| Schlagworte: | |
| Online-Zugang: | Volltext bestellen |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| container_end_page | |
|---|---|
| container_issue | |
| container_start_page | |
| container_title | |
| container_volume | |
| creator | LAPARIDOU, Maria GÓMEZ DAMIÁN, Pedro Agustín MOLINA ROMERO, Miguel COELLO URIBE, Jorge Eduardo KUDIELKA, Guido |
| description | Method for automated non-invasive identification of a predetermined feature in a multitude of industrial samples (102) of a predefined sample type, the method comprising the steps of: a) conveying an industrial sample (102) of the predefined sample type into an MRI scanner (106), b) recording in an MRI measurement for at least one slice or at least a partial volume of the industrial sample undersampled MRI data (300), comprising: - undersampled raw MRI data, comprising a multitude of time dependent signals for different phases, and/or - processed MRI data, obtained from processing undersampled raw MRI data, and c) analysing the undersampled MRI data (300) with an inference module (200) for identifying a predetermined feature of the industrial sample (102) using a machine learning module (204) that is trained for identifying the predetermined feature in industrial samples (102) of the predefined sample type from undersampled MRI data (300).
L'invention concerne un procédé d'identification automatisée non invasive d'une caractéristique prédéterminée dans une multitude d'échantillons industriels (102) d'un type d'échantillon prédéfini, le procédé comprenant les étapes suivantes : a) le transport d'un échantillon industriel (102) du type d'échantillon prédéfini dans un appareil d'imagerie par résonance magnétique (IRM) nucléaire (106), b) l'enregistrement dans une mesure d'IRM pour au moins une tranche ou au moins un volume partiel de l'échantillon industriel de données d'IRM sous-échantillonnées (300), comprenant : des données d'IRM brutes sous-échantillonnées, comportant une multitude de signaux dépendant du temps pour différentes phases, et/ou des données d'IRM traitées, obtenues à partir du traitement de données d'IRM brutes sous-échantillonnées, et c) l'analyse des données d'IRM sous-échantillonnées (300) avec un module d'inférence (200) pour identifier une caractéristique prédéterminée de l'échantillon industriel (102) à l'aide d'un module d'apprentissage automatique (204) qui est formé pour identifier la caractéristique prédéterminée dans des échantillons industriels (102) du type d'échantillon prédéfini à partir de données d'IRM sous-échantillonnées (300). |
| format | Patent |
| fullrecord | <record><control><sourceid>epo_EVB</sourceid><recordid>TN_cdi_epo_espacenet_WO2023118175A1</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><sourcerecordid>WO2023118175A1</sourcerecordid><originalsourceid>FETCH-epo_espacenet_WO2023118175A13</originalsourceid><addsrcrecordid>eNrjZHB18QxydQ5R8PRzcw1y9XN2VXByDHZ1UfD3Uwj1c3ENCnb0DfAB8n2DPBVcHEMcFfzdgGpdQoNDgjwdfRQg0sE8DKxpiTnFqbxQmptB2c01xNlDN7UgPz61uCAxOTUvtSQ-3N_IwMjY0NDC0NzU0dCYOFUADI8srQ</addsrcrecordid><sourcetype>Open Access Repository</sourcetype><iscdi>true</iscdi><recordtype>patent</recordtype></control><display><type>patent</type><title>DIRECT INFERENCE BASED ON UNDERSAMPLED MRI DATA OF INDUSTRIAL SAMPLES</title><source>esp@cenet</source><creator>LAPARIDOU, Maria ; GÓMEZ DAMIÁN, Pedro Agustín ; MOLINA ROMERO, Miguel ; COELLO URIBE, Jorge Eduardo ; KUDIELKA, Guido</creator><creatorcontrib>LAPARIDOU, Maria ; GÓMEZ DAMIÁN, Pedro Agustín ; MOLINA ROMERO, Miguel ; COELLO URIBE, Jorge Eduardo ; KUDIELKA, Guido</creatorcontrib><description>Method for automated non-invasive identification of a predetermined feature in a multitude of industrial samples (102) of a predefined sample type, the method comprising the steps of: a) conveying an industrial sample (102) of the predefined sample type into an MRI scanner (106), b) recording in an MRI measurement for at least one slice or at least a partial volume of the industrial sample undersampled MRI data (300), comprising: - undersampled raw MRI data, comprising a multitude of time dependent signals for different phases, and/or - processed MRI data, obtained from processing undersampled raw MRI data, and c) analysing the undersampled MRI data (300) with an inference module (200) for identifying a predetermined feature of the industrial sample (102) using a machine learning module (204) that is trained for identifying the predetermined feature in industrial samples (102) of the predefined sample type from undersampled MRI data (300).
L'invention concerne un procédé d'identification automatisée non invasive d'une caractéristique prédéterminée dans une multitude d'échantillons industriels (102) d'un type d'échantillon prédéfini, le procédé comprenant les étapes suivantes : a) le transport d'un échantillon industriel (102) du type d'échantillon prédéfini dans un appareil d'imagerie par résonance magnétique (IRM) nucléaire (106), b) l'enregistrement dans une mesure d'IRM pour au moins une tranche ou au moins un volume partiel de l'échantillon industriel de données d'IRM sous-échantillonnées (300), comprenant : des données d'IRM brutes sous-échantillonnées, comportant une multitude de signaux dépendant du temps pour différentes phases, et/ou des données d'IRM traitées, obtenues à partir du traitement de données d'IRM brutes sous-échantillonnées, et c) l'analyse des données d'IRM sous-échantillonnées (300) avec un module d'inférence (200) pour identifier une caractéristique prédéterminée de l'échantillon industriel (102) à l'aide d'un module d'apprentissage automatique (204) qui est formé pour identifier la caractéristique prédéterminée dans des échantillons industriels (102) du type d'échantillon prédéfini à partir de données d'IRM sous-échantillonnées (300).</description><language>eng ; fre</language><subject>CALCULATING ; COMPUTING ; COUNTING ; IMAGE DATA PROCESSING OR GENERATION, IN GENERAL ; INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIRCHEMICAL OR PHYSICAL PROPERTIES ; MEASURING ; MEASURING ELECTRIC VARIABLES ; MEASURING MAGNETIC VARIABLES ; PERFORMING OPERATIONS ; PHYSICS ; POSTAL SORTING ; SEPARATING SOLIDS FROM SOLIDS ; SORTING ; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTEDPIECE-MEAL, e.g. BY PICKING ; TESTING ; TRANSPORTING</subject><creationdate>2023</creationdate><oa>free_for_read</oa><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Tsyndetics_thumb_exl</thumbnail><linktohtml>$$Uhttps://worldwide.espacenet.com/publicationDetails/biblio?FT=D&date=20230629&DB=EPODOC&CC=WO&NR=2023118175A1$$EHTML$$P50$$Gepo$$Hfree_for_read</linktohtml><link.rule.ids>230,309,781,886,25569,76552</link.rule.ids><linktorsrc>$$Uhttps://worldwide.espacenet.com/publicationDetails/biblio?FT=D&date=20230629&DB=EPODOC&CC=WO&NR=2023118175A1$$EView_record_in_European_Patent_Office$$FView_record_in_$$GEuropean_Patent_Office$$Hfree_for_read</linktorsrc></links><search><creatorcontrib>LAPARIDOU, Maria</creatorcontrib><creatorcontrib>GÓMEZ DAMIÁN, Pedro Agustín</creatorcontrib><creatorcontrib>MOLINA ROMERO, Miguel</creatorcontrib><creatorcontrib>COELLO URIBE, Jorge Eduardo</creatorcontrib><creatorcontrib>KUDIELKA, Guido</creatorcontrib><title>DIRECT INFERENCE BASED ON UNDERSAMPLED MRI DATA OF INDUSTRIAL SAMPLES</title><description>Method for automated non-invasive identification of a predetermined feature in a multitude of industrial samples (102) of a predefined sample type, the method comprising the steps of: a) conveying an industrial sample (102) of the predefined sample type into an MRI scanner (106), b) recording in an MRI measurement for at least one slice or at least a partial volume of the industrial sample undersampled MRI data (300), comprising: - undersampled raw MRI data, comprising a multitude of time dependent signals for different phases, and/or - processed MRI data, obtained from processing undersampled raw MRI data, and c) analysing the undersampled MRI data (300) with an inference module (200) for identifying a predetermined feature of the industrial sample (102) using a machine learning module (204) that is trained for identifying the predetermined feature in industrial samples (102) of the predefined sample type from undersampled MRI data (300).
L'invention concerne un procédé d'identification automatisée non invasive d'une caractéristique prédéterminée dans une multitude d'échantillons industriels (102) d'un type d'échantillon prédéfini, le procédé comprenant les étapes suivantes : a) le transport d'un échantillon industriel (102) du type d'échantillon prédéfini dans un appareil d'imagerie par résonance magnétique (IRM) nucléaire (106), b) l'enregistrement dans une mesure d'IRM pour au moins une tranche ou au moins un volume partiel de l'échantillon industriel de données d'IRM sous-échantillonnées (300), comprenant : des données d'IRM brutes sous-échantillonnées, comportant une multitude de signaux dépendant du temps pour différentes phases, et/ou des données d'IRM traitées, obtenues à partir du traitement de données d'IRM brutes sous-échantillonnées, et c) l'analyse des données d'IRM sous-échantillonnées (300) avec un module d'inférence (200) pour identifier une caractéristique prédéterminée de l'échantillon industriel (102) à l'aide d'un module d'apprentissage automatique (204) qui est formé pour identifier la caractéristique prédéterminée dans des échantillons industriels (102) du type d'échantillon prédéfini à partir de données d'IRM sous-échantillonnées (300).</description><subject>CALCULATING</subject><subject>COMPUTING</subject><subject>COUNTING</subject><subject>IMAGE DATA PROCESSING OR GENERATION, IN GENERAL</subject><subject>INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIRCHEMICAL OR PHYSICAL PROPERTIES</subject><subject>MEASURING</subject><subject>MEASURING ELECTRIC VARIABLES</subject><subject>MEASURING MAGNETIC VARIABLES</subject><subject>PERFORMING OPERATIONS</subject><subject>PHYSICS</subject><subject>POSTAL SORTING</subject><subject>SEPARATING SOLIDS FROM SOLIDS</subject><subject>SORTING</subject><subject>SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTEDPIECE-MEAL, e.g. BY PICKING</subject><subject>TESTING</subject><subject>TRANSPORTING</subject><fulltext>true</fulltext><rsrctype>patent</rsrctype><creationdate>2023</creationdate><recordtype>patent</recordtype><sourceid>EVB</sourceid><recordid>eNrjZHB18QxydQ5R8PRzcw1y9XN2VXByDHZ1UfD3Uwj1c3ENCnb0DfAB8n2DPBVcHEMcFfzdgGpdQoNDgjwdfRQg0sE8DKxpiTnFqbxQmptB2c01xNlDN7UgPz61uCAxOTUvtSQ-3N_IwMjY0NDC0NzU0dCYOFUADI8srQ</recordid><startdate>20230629</startdate><enddate>20230629</enddate><creator>LAPARIDOU, Maria</creator><creator>GÓMEZ DAMIÁN, Pedro Agustín</creator><creator>MOLINA ROMERO, Miguel</creator><creator>COELLO URIBE, Jorge Eduardo</creator><creator>KUDIELKA, Guido</creator><scope>EVB</scope></search><sort><creationdate>20230629</creationdate><title>DIRECT INFERENCE BASED ON UNDERSAMPLED MRI DATA OF INDUSTRIAL SAMPLES</title><author>LAPARIDOU, Maria ; GÓMEZ DAMIÁN, Pedro Agustín ; MOLINA ROMERO, Miguel ; COELLO URIBE, Jorge Eduardo ; KUDIELKA, Guido</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-epo_espacenet_WO2023118175A13</frbrgroupid><rsrctype>patents</rsrctype><prefilter>patents</prefilter><language>eng ; fre</language><creationdate>2023</creationdate><topic>CALCULATING</topic><topic>COMPUTING</topic><topic>COUNTING</topic><topic>IMAGE DATA PROCESSING OR GENERATION, IN GENERAL</topic><topic>INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIRCHEMICAL OR PHYSICAL PROPERTIES</topic><topic>MEASURING</topic><topic>MEASURING ELECTRIC VARIABLES</topic><topic>MEASURING MAGNETIC VARIABLES</topic><topic>PERFORMING OPERATIONS</topic><topic>PHYSICS</topic><topic>POSTAL SORTING</topic><topic>SEPARATING SOLIDS FROM SOLIDS</topic><topic>SORTING</topic><topic>SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTEDPIECE-MEAL, e.g. BY PICKING</topic><topic>TESTING</topic><topic>TRANSPORTING</topic><toplevel>online_resources</toplevel><creatorcontrib>LAPARIDOU, Maria</creatorcontrib><creatorcontrib>GÓMEZ DAMIÁN, Pedro Agustín</creatorcontrib><creatorcontrib>MOLINA ROMERO, Miguel</creatorcontrib><creatorcontrib>COELLO URIBE, Jorge Eduardo</creatorcontrib><creatorcontrib>KUDIELKA, Guido</creatorcontrib><collection>esp@cenet</collection></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext_linktorsrc</fulltext></delivery><addata><au>LAPARIDOU, Maria</au><au>GÓMEZ DAMIÁN, Pedro Agustín</au><au>MOLINA ROMERO, Miguel</au><au>COELLO URIBE, Jorge Eduardo</au><au>KUDIELKA, Guido</au><format>patent</format><genre>patent</genre><ristype>GEN</ristype><title>DIRECT INFERENCE BASED ON UNDERSAMPLED MRI DATA OF INDUSTRIAL SAMPLES</title><date>2023-06-29</date><risdate>2023</risdate><abstract>Method for automated non-invasive identification of a predetermined feature in a multitude of industrial samples (102) of a predefined sample type, the method comprising the steps of: a) conveying an industrial sample (102) of the predefined sample type into an MRI scanner (106), b) recording in an MRI measurement for at least one slice or at least a partial volume of the industrial sample undersampled MRI data (300), comprising: - undersampled raw MRI data, comprising a multitude of time dependent signals for different phases, and/or - processed MRI data, obtained from processing undersampled raw MRI data, and c) analysing the undersampled MRI data (300) with an inference module (200) for identifying a predetermined feature of the industrial sample (102) using a machine learning module (204) that is trained for identifying the predetermined feature in industrial samples (102) of the predefined sample type from undersampled MRI data (300).
L'invention concerne un procédé d'identification automatisée non invasive d'une caractéristique prédéterminée dans une multitude d'échantillons industriels (102) d'un type d'échantillon prédéfini, le procédé comprenant les étapes suivantes : a) le transport d'un échantillon industriel (102) du type d'échantillon prédéfini dans un appareil d'imagerie par résonance magnétique (IRM) nucléaire (106), b) l'enregistrement dans une mesure d'IRM pour au moins une tranche ou au moins un volume partiel de l'échantillon industriel de données d'IRM sous-échantillonnées (300), comprenant : des données d'IRM brutes sous-échantillonnées, comportant une multitude de signaux dépendant du temps pour différentes phases, et/ou des données d'IRM traitées, obtenues à partir du traitement de données d'IRM brutes sous-échantillonnées, et c) l'analyse des données d'IRM sous-échantillonnées (300) avec un module d'inférence (200) pour identifier une caractéristique prédéterminée de l'échantillon industriel (102) à l'aide d'un module d'apprentissage automatique (204) qui est formé pour identifier la caractéristique prédéterminée dans des échantillons industriels (102) du type d'échantillon prédéfini à partir de données d'IRM sous-échantillonnées (300).</abstract><oa>free_for_read</oa></addata></record> |
| fulltext | fulltext_linktorsrc |
| identifier | |
| ispartof | |
| issn | |
| language | eng ; fre |
| recordid | cdi_epo_espacenet_WO2023118175A1 |
| source | esp@cenet |
| subjects | CALCULATING COMPUTING COUNTING IMAGE DATA PROCESSING OR GENERATION, IN GENERAL INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIRCHEMICAL OR PHYSICAL PROPERTIES MEASURING MEASURING ELECTRIC VARIABLES MEASURING MAGNETIC VARIABLES PERFORMING OPERATIONS PHYSICS POSTAL SORTING SEPARATING SOLIDS FROM SOLIDS SORTING SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTEDPIECE-MEAL, e.g. BY PICKING TESTING TRANSPORTING |
| title | DIRECT INFERENCE BASED ON UNDERSAMPLED MRI DATA OF INDUSTRIAL SAMPLES |
| url | https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2024-12-13T20%3A55%3A00IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-epo_EVB&rft_val_fmt=info:ofi/fmt:kev:mtx:patent&rft.genre=patent&rft.au=LAPARIDOU,%20Maria&rft.date=2023-06-29&rft_id=info:doi/&rft_dat=%3Cepo_EVB%3EWO2023118175A1%3C/epo_EVB%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rfr_iscdi=true |