MAPL1:<i>q</i>‐space reconstruction using ‐regularized mean apparent propagator
Notice bibliographique
Résumé
PURPOSE: To improve the quality of mean apparent propagator (MAP) reconstruction from a limited number of q-space samples. METHODS: -regularised MAP (MAPL1) to consider higher order basis functions and to improve the fit without increasing the number of q-space samples. We compare MAPL1 with the least-squares optimization subject to non-negativity (MAP), and the Laplacian-regularized MAP (MAPL). We use simulations of crossing fibers and compute the normalized mean squared error (NMSE) and the Pearson's correlation coefficient to evaluate the reconstruction quality in q-space. We also compare coefficient-based diffusion indices in the simulations and in in vivo data. RESULTS: Results indicate that MAPL1 improves NMSE in 1 to 3% when compared to MAP or MAPL in a high undersampling regime. Additionally, MAPL1 produces more reproducible and accurate results for all sampling rates when there are enough basis functions to meet the sparsity criterion for the regularizer. These improved reconstructions also produce better coefficient-based diffusion indices for in vivo data. CONCLUSIONS: regularizer to MAP allows the use of more basis functions and a better fit without increasing the number of q-space samples. The impact of our research is that a complete diffusion spectrum can be reconstructed from an acquisition time very similar to a diffusion tensor imaging protocol.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».