Rigid-body motion correction in hybrid PET/MRI using spherical navigator echoes
Notice bibliographique
Résumé
Integrated positron emission tomography and magnetic resonance imaging (PET/MRI) is an imaging technology that provides complementary anatomical and functional information for medical diagnostics. Both PET and MRI are highly susceptible to motion artifacts due, in part, to long acquisition times. The simultaneous acquisition of the two modalities presents the opportunity to use MRI navigator techniques for motion correction of both PET and MRI data. For this task, we propose spherical navigator echoes (SNAVs)-3D k-space navigators that can accurately and rapidly measure rigid body motion in all six degrees of freedom. SNAVs were incorporated into turbo FLASH (tfl)-a product fast gradient echo sequence-to create the tfl-SNAV pulse sequence. Acquiring in vivo brain images from a healthy volunteer with both sequences first compared the tfl-SNAV and product tfl sequences. It was observed that incorporation of the SNAVs into the image sequence did not have any detrimental impact on the image quality. The SNAV motion correction technique was evaluated using an anthropomorphic brain phantom. Following a stationary reference image where the tfl-SNAV sequence was acquired along with simultaneous list-mode PET, three identical PET/MRI scans were performed where the phantom was moved several times throughout each acquisition. This motion-up to 11° and 14 mm-resulted in motion artifacts in both PET and MR images. Following SNAV motion correction of the MRI and PET list-mode data, artifact reduction was achieved for both the PET and MR images in all three motion trials. The corrected images have improved image quality and are quantitatively more similar to the ground truth reference images.
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 | 0,000 |
| 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 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 ».