Sci‐Fri PM Imaging‐01: Comparison of POCS and cTERA Image Reconstruction Algorithms Applied to 3D Sparsely Sampled k‐Space Data
Notice bibliographique
Résumé
Real‐time 3D magnetic resonance (MR) imaging sometimes focus on rapid data acquisition by full sampling the central zone of phase‐encoding plane while sparse sampling its periphery, which results in the formation of sparsely sampled MR raw data. This research compares the performance of image reconstruction from sparsely sampled MR data by the often‐used zero filling (ZF) algorithm, and by two new methods, i.e., projection‐onto‐convex sets (POCS) and constrained transient error reconstruction approach (cTERA) algorithms. It is found that both the POCS and cTERA algorithms reconstruct high‐quality images that greatly improve the depiction of high‐frequency‐containing structures compared to ZF. However, POCS and cTERA take significantly increased computational times. Due to their intrinsic complexities compared to conventional Fourier transform and ZF reconstruction, POCS and cTERA algorithms are currently not implemented on commercial clinical MR scanners. It is also demonstrated that for a given scan time, it is possible to find an optimal specific sparse sampling strategies by both POCS and cTERA. Under pseudo optimal conditions, the corresponding POCS and cTERA images demonstrated better high‐resolution image quality compared to other, less optimal, sampling strategies. Therefore, it is desirable to acquire some high‐frequency data, as opposed to spending time only collecting an enlarged central region.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,003 | 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 ».