MRI using radiofrequency magnetic field phase gradients
Notice bibliographique
Résumé
Conventionally, MR images are formed by applying gradients to the main static magnetic field (B0). However, the B0 gradient equipment is expensive, power-hungry, complex, and noisy and can induce eddy currents in nearby conducting structures, including the patient. Here, we describe a new silent, B0 gradient-free MRI principle, Transmit Array Spatial Encoding (TRASE), based on phase gradients of the radio-frequency (RF) field. RF phase gradients offer a new method of k-space traversal. Echo trains using at least two different RF phase gradients allow spin phase to accumulate, causing k-space traversal. Two such RF fields provide one-dimensional imaging and three are sufficient for two-dimensional imaging. Since TRASE is a k-space method, analogues of many conventional pulse sequences are possible. Experimental results demonstrate one-dimensional and two-dimensional RF MRI and slice selection using a single-channel, transmit/receive, 0.2 T, permanent magnet, human MR system. The experimentally demonstrated spatial resolution is much higher than that provided by RF receive coil array sensitivity encoding alone but lower than generally achievable with B0 gradients. Potential applications are those in which one or more of the features of simplified equipment, lower costs, silent MRI, or the different physics of the image formation process are particularly advantageous.
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) | 0,000 | 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) | 0,001 | 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 ».