A new method for joint susceptibility artefact correction and super-resolution for dMRI
Notice bibliographique
Résumé
Diffusion magnetic resonance imaging (dMRI) has become increasingly relevant in clinical research and neuroscience. It is commonly carried out using the ultra-fast MRI acquisition technique Echo-Planar Imaging (EPI). While offering crucial reduction of acquisition times, two limitations of EPI are distortions due to varying magnetic susceptibilities of the object being imaged and its limited spatial resolution. In the recent years progress has been made both for susceptibility artefact correction and increasing of spatial resolution using image processing and reconstruction methods. However, so far, the interplay between both problems has not been studied and super-resolution techniques could only be applied along one axis, the slice-select direction, limiting the potential gain in spatial resolution. In this work we describe a new method for joint susceptibility artefact correction and super-resolution in EPI-MRI that can be used to increase resolution in all three spatial dimensions and in particular increase in-plane resolutions. The key idea is to reconstruct a distortion-free, high-resolution image from a number of low-resolution EPI data that are deformed in different directions. Numerical results on dMRI data of a human brain indicate that this technique has the potential to provide for the first time in-vivo dMRI at mesoscopic spatial resolution (i.e. 500μm); a spatial resolution that could bridge the gap between white-matter information from ex-vivo histology (≈1μm) and in-vivo dMRI (≈2000μm).
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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 ».