Time‐domain principal component reconstruction (tPCR): A more efficient and stable iterative reconstruction framework for non‐Cartesian functional MRI
Notice bibliographique
Résumé
PURPOSE: To improve the reconstruction efficiency (i.e., computational load) and stability of iterative reconstruction for non-Cartesian fMRI when using high undersampling rates and/or in the presence of strong off-resonance effects. THEORY AND METHODS: The magnetic resonance encephalography (MREG) sequence with 3D non-Cartesian trajectory and 0.1s repetition time (TR) was applied to acquire fMRI datasets. Different from a conventional time-point-by-time-point sequential reconstruction (SR), the proposed time-domain principal component reconstruction (tPCR) performs three steps: (1) decomposing the k-t-space fMRI datasets into time-domain principal component space using singular value decomposition, (2) reconstructing each principal component with redistributed computation power according to their weights, and (3) combining the reconstructed principal components back to image-t-space. The comparison of reconstruction accuracy was performed by simulation experiments and then verified in real fMRI data. RESULTS: The simulation experiments showed that the proposed tPCR was able to significantly reduce reconstruction errors, and subsequent functional activation errors, relative to SR at identical computational cost. Alternatively, at fixed reconstruction accuracy, computation time was greatly reduced. The improved performance was particularly obvious for L1-norm nonlinear reconstructions relative to L2-norm linear reconstructions and robust to different regularization strength, undersampling rates, and off-resonance effects intensity. By examining activation maps, tPCR was also found to give similar improvements in real fMRI experiments. CONCLUSION: The proposed proof-of-concept tPCR framework could improve (1) the reconstruction efficiency of iterative reconstruction, and (2) the reconstruction stability especially for nonlinear reconstructions. As a practical consideration, the improved reconstruction speed promotes the application of highly undersampled non-Cartesian fast fMRI.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».