Iterative estimation of MRI sensitivity maps and image based on sense reconstruction method (<i>i</i>sense)
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract SENSitivity Encoding (SENSE) is a parallel MR image reconstruction technique that yields optimal results when the sensitivity maps are accurately known. Unfortunately, in practical scenarios, obtaining accurate estimates of the sensitivity maps is not possible. In this work, we propose a technique that iteratively reconstructs the image and refines the sensitivity maps (from initial estimates). Our technique is named i SENSE (iterative SENSE). Our proposed technique exploits the sparsity of the MR image in some transform domains or the rank deficiency characteristic of the matrix representing the MRI image; the former leads to a compressed sensing‐based reconstruction method, whereas the latter leads to an image reconstruction method that minimizes the nuclear norm (NN) of the image matrix. The sensitivity maps are assumed to be rank‐deficient matrices, and thus the refinement of the sensitivity maps is achieved via the NN minimization. To evaluate the performance of the proposed method, we have carried out the experiments on real and one simulated datasets. We have compared our method with three state‐of‐the‐art image domain methods—SparSENSE (Sparse SENSE), NNSENSE (NN Regularized SENSE), and JSENSE (Joint SENSE reconstruction)—and one widely used frequency domain method—GRAPPA (Generalized Autocalibrating Partially Parallel Acquisition). Our method yields the best reconstruction results both in quantitative (normalized mean‐squared error) and qualitative (visual inspection of reconstructed and difference images) evaluation. © 2012 Wiley Periodicals, Inc. Concepts Magn Reson Part A 40A: 269–280, 2012.
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.
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 | 0,000 |
| 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) | 0,000 | 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 découle