Simplified skipped phase encoding and edge deghosting (SPEED) for imaging sparse objects with applications to MRA
Notice bibliographique
Résumé
The fast imaging method named skipped phase encoding and edge deghosting (SPEED) has been demonstrated to reduce scan time considerably with typical magnetic resonance imaging data. In this work, SPEED is simplified with improved efficiency to accelerate the scan of sparse objects; we refer to this method as S-SPEED. S-SPEED partially samples k-space into two interleaved data sets, each with the same skip size of N but a different relative shift in phase encoding. The sampled data are then Fourier transformed into two ghosted images with N aliasing ghosts. Given the sparseness of signal distribution, the ghosted images are simply modeled with a single-layer structure, analogous to that used in maximum-intensity projection. With an algorithm based on a least-square-error solution, a deghosted image is solved, and a residual map is output for quality control. S-SPEED can be generalized to include more layers with additional acquisitions for refined results. Without differential filtering and full central k-space sampling, S-SPEED reduces scan time further and achieves more straightforward reconstruction, as compared with SPEED. In this work, S-SPEED is applied to accelerate magnetic resonance angiography (MRA) by taking advantage of the sparse nature of MRA data. With sparse phantom data and in vivo phase contrast MRA data, S-SPEED is demonstrated to achieve satisfactory results with an acceleration factor of 5.5 using a single coil.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».