Diagnostic quality assessment of compressed sensing accelerated magnetic resonance neuroimaging
Notice bibliographique
Résumé
PURPOSE: To determine the efficacy of compressed sensing (CS) reconstructions for specific clinical magnetic resonance neuroimaging applications beyond more conventional acceleration techniques such as parallel imaging (PI) and low-resolution acquisitions. MATERIALS AND METHODS: Raw k-space data were acquired from five healthy volunteers on a 3T scanner using a 32-channel head coil using T2 -FLAIR, FIESTA-C, time of flight (TOF), and spoiled gradient echo (SPGR) sequences. In a series of blinded studies, three radiologists independently evaluated CS, PI (GRAPPA), and low-resolution images at up to 5× accelerations. Synthetic T2 -FLAIR images with artificial lesions were used to assess diagnostic accuracy for CS reconstructions. RESULTS: CS reconstructions were of diagnostically acceptable quality at up to 4× acceleration for T2 -FLAIR and FIESTA-C (average qualitative scores 3.7 and 4.3, respectively, on a 5-point scale at 4× acceleration), and at up to 3× acceleration for TOF and SPGR (average scores 4.0 and 3.7, respectively, at 3× acceleration). The qualitative scores for CS reconstructions were significantly better than low-resolution images for T2 -FLAIR, FIESTA-C, and TOF and significantly better than GRAPPA for TOF and SPGR (Wilcoxon signed rank test, P < 0.05) with no significant difference found otherwise. Diagnostic accuracy was acceptable for both CS and low-resolution images at up to 3× acceleration (area under the ROC curve 0.97 and 0.96, respectively.) CONCLUSION: Mild to moderate accelerations are possible for those sequences by a combined CS and PI reconstruction. Nevertheless, for certain sequences/applications one might mildly reduce the acquisition time by appropriately reducing the imaging resolution rather than the more complicated CS reconstruction. J. Magn. Reson. Imaging 2016;44:433-444.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 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 ».