Enhanced Deep-Learning-Based Magnetic Resonance Image Reconstruction by Leveraging Prior Subject-Specific Brain Imaging: Proof-of-Concept Using a Cohort of Presumed Normal Subjects
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Deep learning models have shown potential for reconstructing undersampled, multi-channel magnetic resonance (MR) image acquisitions. Recently proposed methods, however, have not leveraged information from prior subject-specific MR imaging sessions. Such data are often readily available through a picture archiving and communication system (PACS). We propose a flexible three-step method to incorporate this prior information into an enhanced deep-learning-based reconstruction process. The method consists of Step 1: an initial reconstruction; Step 2: registration of the previous scan to the initial reconstruction; and Step 3: an enhancement network. Training and testing used longitudinally acquired, three-dimensional, T1-weighted brain images acquired with different acquisition parameters. We tested our networks using data from 2808 images (obtained in 18 subjects) under four different acceleration factors (R = {5, 10, 15, 20}). Our enhanced reconstruction (Steps 1-3) produced higher-quality images: structural similarity and peak signal-to-noise ratio increased, and normalized root mean squared error decreased on average by 16.5%, 7.0% and 21.1%, respectively, compared to the nonenhanced reconstruction (Step 1 only) under the same network capacity as the enhanced reconstruction model. These differences were statistically significant (p <; 0.001, Wilcoxon signed-rank test). Further volumetric analysis performed on key brain regions (brain, white matter, gray matter and cortex) indicated that our enhanced images had better volume agreement with the fully sampled reference images compared to the non-enhanced images. hanced images for R = 20 were comparable to the non-enhanced images for R = 10 demonstrating that our proposed method use prior scan information to further accelerate MR examinations.
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.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 découle