Quantitative evaluation of metal artifact reduction techniques
Notice bibliographique
Résumé
PURPOSE: To develop a technique to quantify artifact, and to use it to compare the effectiveness of several approaches to metal artifact reduction, including view angle tilting and increasing the slice select and image bandwidths (BWs), in terms of metal artifact reduction, noise, and blur. MATERIALS AND METHODS: Nonmetallic replicas of two metal implants (stainless steel and titanium/chromium-cobalt femoral prostheses) were fabricated from wax, and MR images were obtained of each component immersed in water. The differences between the images of each metal prosthesis and its wax counterpart were measured. The contributions from noise and blur were isolated, resulting in a measure of the metal artifact. Several off-resonance artifact reduction techniques were assessed in terms of metal artifact reduction capability, as well as signal to noise ratio and blur. RESULTS: Increasing the image BW from +/-16 kHz to +/-64 kHz was found to reduce the artifact by an average of 60%, while employing view angle tilting (VAT) alone was found to reduce the artifact by an average of 63%. The metal artifact reduction sequence (MARS), which combines several susceptibility artifact reduction techniques, resulted in the least amount of image distortion, reducing the artifact by an average of 79%. CONCLUSION: The results indicate that while VAT alone (with an image BW of +/-16 kHz) resulted in the smallest amount of total energy and no reduction in the signal-to-noise ratio compared to a conventional spin-echo pulse sequence, MARS resulted in significantly less artifact and dramatically less blur.
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 | 0,005 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».