Catalytic multiecho phase unwrapping scheme (CAMPUS) in multiecho gradient echo imaging: Removing phase wraps on a voxel‐by‐voxel basis
Notice bibliographique
Résumé
Phase images reflect local field variations including susceptibility contributions and play a key role in a number of imaging applications. However, due to the limited dynamic range of phase values, phase wrapping invariably occurs at long echo times. High pass filtering and region-growing approaches have been common themes in the effort of removing phase wraps. In this article, a novel voxel-by-voxel phase unwrapping scheme taking advantage of short interecho spacing of multiecho gradient echo imaging is proposed. By removing spurious sources of phase variations and exploiting the special features of the flow-induced phase component, phase increments during adjacent echoes can be unveiled that exhibit no phase aliasing. This unaliased phase information is then used to unwrap all the phase images at all of the echoes. Data of 15 volunteers scanned at 3 and 1.5T were processed with the proposed algorithm and two other algorithms in the literature (PhUN and branch cut). It is shown that the proposed approach is fast and effective in unwrapping all the phase values even for voxels in the eyes and the skull, which the other algorithms failed to unwrap. Thus, in multiecho gradient echo imaging, the proposed algorithm has major potential in various applications involving phase processing.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».