Accuracy of the Magnetic Field Gradient Waveform Monitor Technique and Consequent Accuracy of Pre‐Equalized Gradient Waveform
Notice bibliographique
Résumé
Abstract The magnetic field gradient waveform monitor ( MFGM ) technique permits characterization of the temporal evolution of magnetic field gradients in magnetic resonance ( MR ) instruments ( MRIs ). Knowledge of the gradient waveform performance permits the development of further techniques, such as gradient waveform pre‐equalization, that correct and optimize gradient waveform distortions due to eddy currents induced during the application of switched magnetic fields and other system limitations. The accuracy of the MFGM technique is important since the overall uncertainty of the gradient waveform measurement will propagate into an uncertainty in corrected gradient waveforms impacting the precision of the resulting MR / MRI measurements. The accuracy of MFGM is investigated through a treatment of the noise present in a MRI . A noisy receiver model provides the basis for characterization of the noise and permits examination of the overall impact of noise on the phase accumulated in a pure‐phase encoded MR signal. Ultimately, a relationship between the signal‐to‐noise ratio of a measurement and the corresponding MFGM uncertainty is developed. The theoretical development is supported through simulation in conjunction with experimental results. The propagation of uncertainties to gradient waveform pre‐equalization is also discussed.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».