Sci-PM Thurs - 04: A comparative study between multi-station and moving-table methods with steady-state free precession
Notice bibliographique
Résumé
Large field-of-view (FOV) imaging techniques, such as the multi-station and moving-table techniques, are necessary to image systemic diseases such as peripheral vascular disease and metastases. In the multi-station technique, the full k-space is acquired for each station, i.e., at each local FOV, and the images are combined offline. For the moving-table method, the scanner bed is continuously moved through the local FOV during a single acquisition, creating a single large FOV image. Steady-state free precession is a pulse sequence capable of rapid image data acquisition. This study compares large FOV images of healthy volunteers using both the moving-table method and the multi-station technique using an SSFP pulse sequence. In the multi-station technique, six 32 s-acquisition's are required to cover the large FOV. For the moving table method, the hybrid k-space is collected during a single 150 s-scan, creating a seamless large FOV image. Although the moving-table method is more time-efficient than the multi-station technique, image quality is sacrificed. This quality reduction is due to non-steady-state conditions caused by table motion and because the k-space data is partially sampled. By optimizing this moving-table SSFP technique and integrating it with a tissue suppression algorithm, it may be possible to perform non-contrast enhanced MR angiograms of the entire peripheral vasculature. Thus, the technique could provide a non-invasive and time-efficient method for producing seamless large FOV images for diagnosis of systemic diseases.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».