mia-2dmyoica-nonrigid-parallel - Online sa Cloud

PROGRAMA:

NAME

mia-2dmyoica-nonrigid-parallel - Magpatakbo ng pagpaparehistro ng isang serye ng mga 2D na larawan.

SINOPSIS

mia-2dmyoica-nonrigid-parallel -i -o [mga pagpipilian]

DESCRIPTION

mia-2dmyoica-nonrigid-parallel Ang program na ito ay nagpapatupad ng 2D na bersyon ng paggalaw
compensation algorithm na inilarawan sa Wollny G, Kellman P, Santos A, Ledesma-Carbayo MJ,
"Ang Automatic Motion Compensation ng Libreng Paghinga ay nakakuha ng Myocardial Perfusion Data sa pamamagitan ng
gamit ang Independent Component Analysis", Medical Image Analysis, 2012,
DOI:10.1016/j.media.2012.02.004.Ang bersyon na ito ng program ay maaaring magpatakbo ng lahat ng mga pagpaparehistro sa
kahilera

Opsyon

File-IO
-i --in-file=(input, kinakailangan); string
set ng data ng perfusion ng input

-o --out-file=(output, kinakailangan); string
set ng data ng output perfusion

-r --registered=reg
Base sa pangalan ng file para sa mga rehistradong larawan. Uri ng imahe at scheme ng pagnunumero
ay kinuha mula sa input na mga imahe tulad ng ibinigay sa input data set.

--save-crop=(output); string
i-save ang na-crop na set sa file na ito, gagamitin ng mga file ng imahe ang stem ng pangalan
bilang base ng pangalan ng file

--save-feature=(output); string
i-save ang mga imahe ng tampok na segmentation at paunang ICA mixing matrix

--save-refs=(output); string
para sa bawat pass sa pagpaparehistro i-save ang mga reference na larawan sa mga file na may ibinigay
base ng pangalan

--save-regs=(output); string
para sa bawat pass sa pagpaparehistro i-save ang mga intermediate na rehistradong larawan

Tulong & Impormasyon
-V --verbose=babala
verbosity ng output, pag-print ng mga mensahe ng ibinigay na antas at mas mataas na priyoridad.
Ang mga sinusuportahang priyoridad na nagsisimula sa pinakamababang antas ay:
info - Mga mensahe sa mababang antas
kopyahin o sipiin sa pamamagitan ng pag-aninag - Trace ng tawag sa function
mabigo - Mag-ulat ng mga pagkabigo sa pagsubok
babala - Mga babala
mali - Mag-ulat ng mga error
mag-alis ng mga insekto ‐ Debug na output
mensahe - Mga normal na mensahe
nakamamatay ‐ Iulat lamang ang mga nakamamatay na pagkakamali

--copyright
i-print ang impormasyon sa copyright

-h --tulong
i-print ang tulong na ito

-? --gamit
mag-print ng maikling tulong

--bersyon
i-print ang numero ng bersyon at lumabas

Ica
-C --mga bahagi=0
Mga bahagi ng ICA 0 = awtomatikong pagtatantya Mga bahagi ng ICA 0 = awtomatiko
kuru-kuro

--normalize
na-normalize na mga IC

--no-meanstrip
huwag hubarin ang ibig sabihin mula sa mga kurba ng paghahalo

-s --segscale=0
i-segment at sukatin ang crop box sa paligid ng LV (0=no segmentation)segment at
sukatin ang crop box sa paligid ng LV (0=walang segmentation)

-k --laktawan=0
laktawan ang mga larawan sa simula ng serye hal dahil tulad ng mga ito sa iba
modalitiesskip mga larawan sa simula ng serye hal dahil bilang sila
ay sa iba pang mga modalidad

-m --max-ica-iter=400
maximum na bilang ng mga iteration sa ICAmaximum na bilang ng mga iteration sa ICA

-E --segmethod=features
Paraan ng segmentasyon
delta-peak ‐ pagkakaiba ng peak enhancement na mga larawan
mga tampok - tampok na mga larawan
delta-tampok - pagkakaiba ng mga tampok na larawan

-b --min-frequency-paghinga=-1
minimal na mean frequency na maaaring isaalang-alang na nagmumula ang isang curve ng paghahalo
paghinga. Ang isang malusog na rate ng paghinga ng pahinga ay 12 bawat minuto. Isang negatibong halaga
hindi pinapagana ang pagsubok.minimal mean frequency na maaaring kailanganin ng isang mixing curve
itinuturing na nagmumula sa paghinga. Ang isang malusog na rate ng paghinga ng pahinga ay 12 bawat
minuto. Hindi pinapagana ng negatibong halaga ang pagsubok.

Pagproseso
--mga thread=-1
Maximum na bilang ng mga thread na gagamitin para sa pagproseso, Ang bilang na ito ay dapat na mas mababa
o katumbas ng bilang ng mga lohikal na core ng processor sa makina. (-1:
awtomatikong pagtatantya). Pinakamataas na bilang ng mga thread na gagamitin para sa pagproseso, Ito
Ang numero ay dapat na mas mababa o katumbas ng bilang ng mga lohikal na core ng processor
ang makina. (-1: awtomatikong pagtatantya).

rehistrasyon
-O --optimizer=gsl:opt=gd,step=0.1
Optimizer na ginagamit para sa minimization. Gagamitin ang string value sa pagbuo
isang plug-in. Para sa mga sinusuportahang plugin tingnan ang PLUGINS:minimizer/singlecost

-a --start-c-rate=16
simulan ang coefficinet rate sa mga spine, nahahati sa --c-rate-divider na may
bawat pass.start coefficinet rate sa spines, nahahati sa
--c-rate-divider sa bawat pass.

--c-rate-divider=2
Cofficient rate divider para sa bawat pass.Cofficient rate divider para sa bawat pass.

-d --start-divcurl=10000
Simulan ang divcurl weight, nahahati sa --divcurl-divider sa bawat
pass.Start divcurl weight, nahahati sa --divcurl-divider sa bawat
pumasa

--divcurl-divider=2
Divcurl weight scaling sa bawat bagong pass. Divcurl weight scaling sa bawat isa
bagong pass.

-w --imagecost=image:weight=1,cost=ssd
gastos ng imahe, huwag tukuyin ang src at ref na mga parameter, ang mga ito ay itatakda ng
ang programa. Gagamitin ang string value para gumawa ng plug-in. Para sa
mga suportadong plugin tingnan ang PLUGINS:2dimage/fullcost

-l --mg-levels=3
mga antas ng multi-resolution na mga antas ng multi-resolution

-P --pasa=3
registration pass mga registration pass

MGA PLUGIN: 1d/splinekernel

bspline B-spline kernel creation , ang mga sinusuportahang parameter ay:

d = 3; int sa [0, 5]
Spline degree.

omoms Ang paggawa ng kernel ng OMoms-spline, ang mga sinusuportahang parameter ay:

d = 3; int sa [3, 3]
Spline degree.

MGA PLUGIN: 2dimage/gastos

lncc lokal na normalized cross correlation na may masking support., mga sinusuportahang parameter
ay:

w = 5; wala sa [1, 256]
kalahating lapad ng bintana na ginagamit para sa pagsusuri ng naisalokal na krus
ugnayan.

lsd Sukat ng Distansya na Pinakamababang Kuwadrado

(walang mga parameter)

mi Spline parzen based mutual information., Ang mga sinusuportahang parameter ay:

bawasan = 0; lumutang sa [0, 40]
Porsiyento ng mga pixel na i-cut sa mataas at mababang intensity na aalisin
outliers.

mbins = 64; wala sa [1, 256]
Bilang ng histogram bins na ginamit para sa gumagalaw na larawan.

mkernel = [bspline:d=3]; pabrika
Spline kernel para sa paglipat ng imahe parzen hinstogram. Para sa mga sinusuportahang plug-in
tingnan ang PLUGINS:1d/splinekernel

rbins = 64; wala sa [1, 256]
Bilang ng histogram bins na ginamit para sa reference na larawan.

rkernel = [bspline:d=0]; pabrika
Spline kernel para sa reference na imahe parzen hinstogram. Para sa suportadong plug-
ins tingnan ang PLUGINS:1d/splinekernel

ncc normalized na cross correlation.

(walang mga parameter)

ngf Sinusuri ng function na ito ang pagkakatulad ng imahe batay sa normalized na gradient
mga patlang. Ang iba't ibang mga kernel ng pagsusuri ay magagamit., ang mga sinusuportahang parameter ay:

eval = ds; dict
subtype ng plugin. Ang mga sinusuportahang halaga ay:
sq - parisukat ng pagkakaiba
ds ‐ parisukat ng pinaliit na pagkakaiba
tuldok ‐ scalar product kernel
tumawid ‐ cross product kernel

SSD 2D imaga cost: kabuuan ng mga squared differences, ang mga sinusuportahang parameter ay:

autothresh = 0; lumutang sa [0, 1000]
Gumamit ng awtomatikong pag-mask ng gumagalaw na imahe sa pamamagitan lamang ng pagkuha ng mga halaga ng intensity
sa account na mas malaki kaysa sa ibinigay na threshold.

uliran = 0; bool
Itakda kung dapat na gawing normal ang sukatan ng bilang ng mga pixel ng larawan.

ssd-automask
Gastos ng 2D na imahe: kabuuan ng mga squared na pagkakaiba, na may automasking batay sa ibinigay
mga threshold, ang mga sinusuportahang parameter ay:

rthresh = 0; doble
Halaga ng intensity ng threshold para sa reference na larawan.

maggiik = 0; doble
Halaga ng intensity ng threshold para sa pinagmulang larawan.

MGA PLUGIN: 2dimage/fullcost

larawan Pangkalahatang pag-andar ng gastos sa pagkakatulad ng imahe na humahawak din ng multi-resolution
pagpoproseso. Ang aktwal na sukatan ng pagkakatulad ay binibigyan ng karagdagang parameter.,
Ang mga sinusuportahang parameter ay:

gastos = ssd; pabrika
Cost function kernel. Para sa mga sinusuportahang plug-in tingnan ang PLUGINS:2dimage/cost

mag-alis ng mga insekto = 0; bool
I-save ang mga intermediate resut para sa pag-debug.

Ref =(input, string)
Larawan ng sanggunian.

SRC =(input, string)
Pag-aaral ng imahe.

timbang = 1; lumutang
bigat ng function ng gastos.

labelimage
Pag-andar ng pagkakatulad sa gastos na nagmamapa ng mga label ng dalawang larawan at humahawak ng label-
pinapanatili ang pagproseso ng multi-resolution., ang mga sinusuportahang parameter ay:

mag-alis ng mga insekto = 0; int sa [0, 1]
isulat ang mga pagbabago sa distansya sa isang 3D na imahe.

maxlabel = 256; int sa [2, 32000]
maximum na bilang ng mga label na dapat isaalang-alang.

Ref =(input, string)
Larawan ng sanggunian.

SRC =(input, string)
Pag-aaral ng imahe.

timbang = 1; lumutang
bigat ng function ng gastos.

maskedimage
Pangkalahatang masked image similarity cost function na humahawak din ng multi-
pagpoproseso ng resolusyon. Ang mga ibinigay na maskara ay dapat na makapal na puno ng mga rehiyon
multi-resolution na pagproseso dahil kung hindi ay maaaring mawala ang impormasyon ng mask
kapag binabawasan ang laki ng imahe. Ang reference mask at ang transformed mask ng
Ang imahe ng pag-aaral ay pinagsama ng binary AT. Ang aktwal na sukat ng pagkakatulad ay ibinigay
ang mga karagdagang parameter., ang mga sinusuportahang parameter ay:

gastos = ssd; pabrika
Cost function kernel. Para sa mga sinusuportahang plug-in tingnan
PLUGINS:2dimage/maskedcost

Ref =(input, string)
Larawan ng sanggunian.

ref-mask =(input, string)
Reference image mask (binary).

SRC =(input, string)
Pag-aaral ng imahe.

src-mask =(input, string)
Pag-aralan ang mask ng imahe (binary).

timbang = 1; lumutang
bigat ng function ng gastos.

MGA PLUGIN: 2dimage/io

bmp BMP 2D-image input/output support

Mga kinikilalang extension ng file: .BMP, .bmp

Mga sinusuportahang uri ng elemento:
binary data, unsigned 8 bit, unsigned 16 bit

datapool Virtual IO papunta at mula sa panloob na data pool

Mga kinikilalang extension ng file: .@

dicom 2D image io para sa DICOM

Mga kinikilalang extension ng file: .DCM, .dcm

Mga sinusuportahang uri ng elemento:
nilagdaan ang 16 bit, hindi nilagdaan ang 16 bit

exr isang 2dimage io plugin para sa OpenEXR na mga imahe

Mga kinikilalang extension ng file: .EXR, .exr

Mga sinusuportahang uri ng elemento:
unsigned 32 bit, floating point 32 bit

jpg isang 2dimage io plugin para sa jpeg gray scale na mga imahe

Mga kinikilalang extension ng file: .JPEG, .JPG, .jpeg, .jpg

Mga sinusuportahang uri ng elemento:
unsigned 8 bit

png isang 2dimage io na plugin para sa mga larawang png

Mga kinikilalang extension ng file: .PNG, .png

Mga sinusuportahang uri ng elemento:
binary data, unsigned 8 bit, unsigned 16 bit

hilaw Suporta sa output ng RAW 2D-image

Mga kinikilalang extension ng file: .RAW, .raw

Mga sinusuportahang uri ng elemento:
binary data, 8 bit na nilagdaan, 8 bit na hindi nilagdaan, 16 bit na nilagdaan, 16 bit na hindi nilagdaan,
nilagdaan ang 32 bit, unsigned 32 bit, floating point 32 bit, floating point 64
kaunti

tif TIFF 2D-image input/output support

Mga kinikilalang extension ng file: .TIF, .TIFF, .tif, .tiff

Mga sinusuportahang uri ng elemento:
binary data, unsigned 8 bit, unsigned 16 bit, unsigned 32 bit

tingnan isang 2dimage io plugin para sa mga larawan ng vista

Mga kinikilalang extension ng file: .V, .VISTA, .v, .vista

Mga sinusuportahang uri ng elemento:
binary data, 8 bit na nilagdaan, 8 bit na hindi nilagdaan, 16 bit na nilagdaan, 16 bit na hindi nilagdaan,
nilagdaan ang 32 bit, unsigned 32 bit, floating point 32 bit, floating point 64
kaunti

MGA PLUGIN: 2dimage/maskedcost

lncc lokal na normalized cross correlation na may masking support., mga sinusuportahang parameter
ay:

w = 5; wala sa [1, 256]
kalahating lapad ng bintana na ginagamit para sa pagsusuri ng naisalokal na krus
ugnayan.

mi Spline parzen based mutual information na may masking., Ang mga sinusuportahang parameter ay:

bawasan = 0; lumutang sa [0, 40]
Porsiyento ng mga pixel na i-cut sa mataas at mababang intensity na aalisin
outliers.

mbins = 64; wala sa [1, 256]
Bilang ng histogram bins na ginamit para sa gumagalaw na larawan.

mkernel = [bspline:d=3]; pabrika
Spline kernel para sa paglipat ng imahe parzen hinstogram. Para sa mga sinusuportahang plug-in
tingnan ang PLUGINS:1d/splinekernel

rbins = 64; wala sa [1, 256]
Bilang ng histogram bins na ginamit para sa reference na larawan.

rkernel = [bspline:d=0]; pabrika
Spline kernel para sa reference na imahe parzen hinstogram. Para sa suportadong plug-
ins tingnan ang PLUGINS:1d/splinekernel

ncc normalized cross correlation na may masking support.

(walang mga parameter)

SSD Kabuuan ng mga parisukat na pagkakaiba sa masking.

(walang mga parameter)

MGA PLUGIN: minimizer/singlecost

gdas Gradient descent na may awtomatikong pagwawasto ng laki ng hakbang., ang mga sinusuportahang parameter ay:

ftolr = 0; doble sa [0, inf)
Itigil kung nasa ibaba ang relatibong pagbabago ng criterion..

max-step = 2; doble sa (0, inf)
Pinakamataas na ganap na laki ng hakbang.

maxiter = 200; uint in [1, inf)
Pamantayan sa paghinto: ang maximum na bilang ng mga pag-ulit.

min-hakbang = 0.1; doble sa (0, inf)
Minimal na ganap na laki ng hakbang.

xtola = 0.01; doble sa [0, inf)
Itigil kung ang inf-norm ng pagbabagong inilapat sa x ay mas mababa sa halagang ito..

gdsq Gradient descent na may quadratic step estimation, ang mga sinusuportahang parameter ay:

ftolr = 0; doble sa [0, inf)
Itigil kung nasa ibaba ang relatibong pagbabago ng criterion..

gtola = 0; doble sa [0, inf)
Itigil kung ang inf-norm ng gradient ay mas mababa sa halagang ito..

maxiter = 100; uint in [1, inf)
Pamantayan sa paghinto: ang maximum na bilang ng mga pag-ulit.

sukatan = 2; doble sa (1, inf)
Fallback fixed step size scaling.

hakbang = 0.1; doble sa (0, inf)
Sukat ng paunang hakbang.

xtola = 0; doble sa [0, inf)
Itigil kung ang inf-norm ng x-update ay mas mababa sa halagang ito..

gsl optimizer plugin batay sa mga multimin optimizer ng GNU Scientific Library
(GSL) https://www.gnu.org/software/gsl/, ang mga sinusuportahang parameter ay:

eps = 0.01; doble sa (0, inf)
gradient based optimizers: huminto kapag |grad| < eps, simplex: huminto kung kailan
simplex size < eps..

ito = 100; uint in [1, inf)
maximum na bilang ng mga pag-ulit.

opt = gd; dict
Tukoy na optimizer na gagamitin.. Ang mga sinusuportahang halaga ay:
bfgs ‐ Broyden-Fletcher-Goldfarb-Shann
bfgs2 ‐ Broyden-Fletcher-Goldfarb-Shann (pinakamahusay na bersyon)
cg-fr ‐ Flecher-Reeves conjugate gradient algorithm
gd ‐ gradient descent.
simplex ‐ Simplex algorithm ng Nelder at Mead
cg-pr ‐ Polak-Ribiere conjugate gradient algorithm

hakbang = 0.001; doble sa (0, inf)
laki ng paunang hakbang.

tol = 0.1; doble sa (0, inf)
ilang tolerance parameter.

nlopt Minimizer algorithm gamit ang NLOPT library, para sa isang paglalarawan ng
mga optimizer mangyaring tingnan ang 'http://ab-
initio.mit.edu/wiki/index.php/NLopt_Algorithms', ang mga sinusuportahang parameter ay:

ftola = 0; doble sa [0, inf)
Pamantayan sa paghinto: ang ganap na pagbabago ng layunin na halaga ay nasa ibaba
ang halagang ito.

ftolr = 0; doble sa [0, inf)
Pamantayan sa paghinto: nasa ibaba ang kaugnay na pagbabago ng layuning halaga
ang halagang ito.

mas mataas = inf; doble
Mas mataas na hangganan (pantay para sa lahat ng mga parameter).

local-opt = wala; dict
lokal na minimization algorithm na maaaring kailanganin para sa pangunahing
minimization algorithm.. Ang mga sinusuportahang value ay:
gn-orig-direct-l ‐ Dividing Rectangles (orihinal na pagpapatupad,
may kinikilingan sa lokal)
gn-direct-l-noscal ‐ Dividing Rectangles (unscaled, locally biased)
gn-isres ‐ Pinahusay na Stochastic Ranking Evolution Strategy
ld-tnewton - Pinutol na Newton
gn-direct-l-rand ‐ Dividing Rectangles (lokal na bias, randomized)
ln-newuoa ‐ Derivative-free Unconstrained Optimization sa pamamagitan ng Iteratively
Binuo Quadratic Approximation
gn-direct-l-rand-noscale ‐ Dividing Rectangles (unscaled, locally
biased, randomized)
gn-orig-direct ‐ Dividing Rectangles (orihinal na pagpapatupad)
ld-tnewton-precond ‐ Preconditioned Pinutol na Newton
ld-tnewton-restart ‐ Pinutol na Newton na may pinakamatarik na pag-restart
gn-direkta - Paghahati ng mga Parihaba
ln-neldermead ‐ Nelder-Mead simplex algorithm
ln-cobyla ‐ Pinilit na Optimization NG Linear Approximation
gn-crs2-lm ‐ Kinokontrol na Random na Paghahanap gamit ang Lokal na Mutation
ld-var2 ‐ Shifted Limited-Memory Variable-Metric, Rank 2
ld-var1 ‐ Shifted Limited-Memory Variable-Metric, Rank 1
ld-mma ‐ Paraan ng Paglipat ng mga Asymptotes
ld-lbfgs-nocedal - Wala
ld-lbfgs ‐ Mababang-imbak na BFGS
gn-direct-l ‐ Dividing Rectangles (lokal na bias)
wala ‐ huwag tukuyin ang algorithm
ln-bobyqa ‐ Derivative-free Bound-constrained Optimization
ln-sbplx ‐ Subplex na variant ng Nelder-Mead
ln-newuoa-bound ‐ Derivative-free Bound-constrained Optimization sa pamamagitan ng
Paulit-ulit na Binuo Quadratic Approximation
ln-praksis ‐ Gradient-free na Local Optimization sa pamamagitan ng Principal-Axis
Paraan
gn-direct-noscal ‐ Dividing Rectangles (unscaled)
ld-tnewton-precond-restart ‐ Preconditioned Pinutol Newton na may
steepest-descent restarting

ibaba = -inf; doble
Mas mababang hangganan (katumbas para sa lahat ng mga parameter).

maxiter = 100; int sa [1, inf)
Pamantayan sa paghinto: ang maximum na bilang ng mga pag-ulit.

opt = ld-lbfgs; dict
pangunahing algorithm ng minimization. Ang mga sinusuportahang halaga ay:
gn-orig-direct-l ‐ Dividing Rectangles (orihinal na pagpapatupad,
may kinikilingan sa lokal)
g-mlsl-lds ‐ Multi-Level Single-Linkage (low-discrepancy-sequence,
nangangailangan ng lokal na gradient na nakabatay sa pag-optimize at mga hangganan)
gn-direct-l-noscal ‐ Dividing Rectangles (unscaled, locally biased)
gn-isres ‐ Pinahusay na Stochastic Ranking Evolution Strategy
ld-tnewton - Pinutol na Newton
gn-direct-l-rand ‐ Dividing Rectangles (lokal na bias, randomized)
ln-newuoa ‐ Derivative-free Unconstrained Optimization sa pamamagitan ng Iteratively
Binuo Quadratic Approximation
gn-direct-l-rand-noscale ‐ Dividing Rectangles (unscaled, locally
biased, randomized)
gn-orig-direct ‐ Dividing Rectangles (orihinal na pagpapatupad)
ld-tnewton-precond ‐ Preconditioned Pinutol na Newton
ld-tnewton-restart ‐ Pinutol na Newton na may pinakamatarik na pag-restart
gn-direkta - Paghahati ng mga Parihaba
auglag-eq ‐ Augmented Lagrangian algorithm na may mga hadlang sa pagkakapantay-pantay
lamang
ln-neldermead ‐ Nelder-Mead simplex algorithm
ln-cobyla ‐ Pinilit na Optimization NG Linear Approximation
gn-crs2-lm ‐ Kinokontrol na Random na Paghahanap gamit ang Lokal na Mutation
ld-var2 ‐ Shifted Limited-Memory Variable-Metric, Rank 2
ld-var1 ‐ Shifted Limited-Memory Variable-Metric, Rank 1
ld-mma ‐ Paraan ng Paglipat ng mga Asymptotes
ld-lbfgs-nocedal - Wala
g-mlsl ‐ Multi-Level Single-Linkage (nangangailangan ng lokal na pag-optimize at
hangganan)
ld-lbfgs ‐ Mababang-imbak na BFGS
gn-direct-l ‐ Dividing Rectangles (lokal na bias)
ln-bobyqa ‐ Derivative-free Bound-constrained Optimization
ln-sbplx ‐ Subplex na variant ng Nelder-Mead
ln-newuoa-bound ‐ Derivative-free Bound-constrained Optimization sa pamamagitan ng
Paulit-ulit na Binuo Quadratic Approximation
auglag ‐ Augmented Lagrangian algorithm
ln-praksis ‐ Gradient-free na Local Optimization sa pamamagitan ng Principal-Axis
Paraan
gn-direct-noscal ‐ Dividing Rectangles (unscaled)
ld-tnewton-precond-restart ‐ Preconditioned Pinutol Newton na may
steepest-descent restarting
ld-slsqp ‐ Sequential Least-Squares Quadratic Programming

hakbang = 0; doble sa [0, inf)
Paunang laki ng hakbang para sa mga pamamaraan na walang gradient.

itigil = -inf; doble
Pamantayan sa paghinto: ang value ng function ay mas mababa sa value na ito.

xtola = 0; doble sa [0, inf)
Ang pamantayan sa paghinto: ang ganap na pagbabago ng lahat ng x-values ​​ay nasa ibaba nito
halaga.

xtolr = 0; doble sa [0, inf)
Pamantayan sa paghinto: ang relatibong pagbabago ng lahat ng x-values ​​ay nasa ibaba nito
halaga.

Halimbawa

Irehistro ang serye ng perfusion na ibinigay sa 'segment.set' sa pamamagitan ng paggamit ng awtomatikong pagtatantya ng ICA.
Laktawan ang dalawang larawan sa simula at kung hindi man ay gamitin ang mga default na parameter. Itabi ang
magresulta sa 'registered.set'.

mia-2dmyoica-nonrigid-parallel -i segment.set -o registered.set -k 2

AUTHOR(s)

Gert Wollny

COPYRIGHT

Ang software na ito ay Copyright (c) 1999‐2015 Leipzig, Germany at Madrid, Spain. Dumating ito
na WALANG WARRANTY at maaari mo itong muling ipamahagi sa ilalim ng mga tuntunin ng GNU
PANGKALAHATANG PUBLIC LICENSE Bersyon 3 (o mas bago). Para sa karagdagang impormasyon, patakbuhin ang programa gamit ang
opsyon na '--copyright'.

Gumamit ng mia-2dmyoica-nonrigid-parallel online gamit ang mga serbisyo ng onworks.net