Accelerated multicontrast volumetric imaging with isotropic resolution for improved peri‐infarct characterization using parallel imaging, low‐rank and spatially varying edge‐preserving sparse modeling
Notice bibliographique
Résumé
PURPOSE: To achieve consistent effectiveness in reconstruction of fine image features for cases of varying contrast-to-noise ratio (CNR) to facilitate translating accelerated multicontrast volumetric imaging with isotropic resolution toward clinical utility in peri-infarct characterization. THEORY AND METHODS: A low-rank and spatially varying edge-preserving constrained compressed sensing parallel imaging reconstruction method (CP-LASER) is developed to effectively preserve contrast of small-scale structures for highly accelerated multicontrast volumetric imaging in CNR-limited scenarios. CP-LASER synergistically integrates parallel imaging, low-rank and spatially varying edge-preserving sparse modeling to achieve high signal-to-noise-ratio efficiency by leveraging prior knowledge about signal properties including coil sensitivity weighting, spatiotemporally correlated signal relaxation, and spatially varying sparsity. RESULTS: In the preclinical study using highly accelerated multicontrast volumetric imaging with an isotropic 1.5-mm resolution, CP-LASER demonstrated robust multicontrast reconstruction of peri-infarct characteristics with excellent correspondence with histopathology. CP-LASER provides better delineation of the peri-infarct border zone with improved sharpness than alternative methods in a clinical demonstration on 1.5T with an isotropic 2.2-mm resolution achieved in a single breath-hold. CONCLUSION: Accelerated multicontrast volumetric imaging with isotropic resolution using CP-LASER has demonstrated the potential to improve peri-infarct characterization in a clinical setting. Magn Reson Med 79:3018-3031, 2018. © 2017 International Society for Magnetic Resonance in Medicine.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».