Προκύπτουν με λύση των διαφορικών εξισώσεων Bloch νομίζω (κεφ 6 των σημειώσεων) 

Άρα χρησιμοποιούμε αυτόν τον τύπο και για τα δύο σήματα (White Matter και CSF)
και τις διαιρούμε; Και φεύγει το K σα σταθερά οπότε μένει ο λόγος τον FID?

Συμφωνα με τον τυπο εκει βεβαια ειναι Μx = Mo e^-TE/T2 ( 1 - e^-TR/T1 ), τα ΤΕ/Τ2 και ΤR/Τ1 ειναι αναποδα σε σχεση με τη λυση στη φωτο.

Θεινξ για το υπερπολυτιμο λινκ παντως

Ευχαριστω!
Αυτοι οι τυποι υπαρχουν καπου συγκεκριμενα?
Επισης η πληροφορια Βο που αξιοποιειται?

http://prntscr.com/mcex76

Μπορει καποιος να δωσει τα φωτα του για τη λυση της ασκησης?

στις διαφανειες για mri (7) τα διαγράμματα Τ1 και Τ2 weighted σε τι ακριβως ανταποκρίνονται??

Γράφω την τελική απάντηση που είναι η σωστή για όποιον ενδιαφέρεται. Όπως μου τα είπε ο Μιχάλης σε email.

Τα δεδομένα που δίνονται είναι το αποτέλεσμα της εκπαίδευσης και όχι τα ίδια τα δεδομένα εκπαίδευσης!! Άρα δεν μπορείς να τα χρησιμοποιήσεις για να κάνεις train έναν classifier όπως βλέπω από τον κώδικά σου.

Ουσιαστικά τα δεδομένου που σας δίνω είναι οι εκ των υστέρων πιθανότητες και άρα απ' ευθείας (χωρίς να εκπαιδεύσεις άλλο μοντέλο) μπορείς να τις χρησιμοποιήσεις για να βρεις την roc καμπύλη με τον παρακάτω κώδικα:
            > pred_m1 = prediction(P_M1, Class, label.ordering = c("0","1"))
            > roc_m1 = performance(pred_m1, "tpr", "fpr")

Τον δείκτη ευαισθησιας που τον λεει στο βιβλίο? Δεν το βρισκω