Optimal <i>k</i>‐space sampling for dynamic contrast‐enhanced MRI with an application to MR renography
Notice bibliographique
Résumé
For time-resolved acquisitions with k-space undersampling, a simulation method was developed for selecting imaging parameters based on minimization of errors in signal intensity versus time and physiologic parameters derived from tracer kinetic analysis. Optimization was performed for time-resolved angiography with stochastic trajectories (TWIST) algorithm applied to contrast-enhanced MR renography. A realistic 4D phantom comprised of aorta and two kidneys, one healthy and one diseased, was created with ideal tissue time-enhancement pattern generated using a three-compartment model with fixed parameters, including glomerular filtration rate (GFR) and renal plasma flow (RPF). TWIST acquisitions with different combinations of sampled central and peripheral k-space portions were applied to this phantom. Acquisition performance was assessed by the difference between simulated signal intensity (SI) and calculated GFR and RPF and their ideal values. Sampling of the 20% of the center and 1/5 of the periphery of k-space in phase-encoding plane and data-sharing of the remaining 4/5 minimized the errors in SI (<5%), RPF, and GFR (both <10% for both healthy and diseased kidneys). High-quality dynamic human images were acquired with optimal TWIST parameters and 2.4 sec temporal resolution. The proposed method can be generalized to other dynamic contrast-enhanced MRI applications, e.g., MR angiography or cancer imaging.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».