Analysis of accelerated 4D flow MRI in the murine aorta by radial acquisition and compressed sensing reconstruction
Notice bibliographique
Résumé
Preclinical 4D flow MRI remains challenging and is restricted for parallel imaging acceleration due to the limited number of available receive channels. A radial acquisition with combined parallel imaging and temporal compressed sensing reconstruction was implemented to achieve accelerated preclinical 4D flow MRI. In order to increase the accuracy of the measured velocities, a quantitative evaluation of different temporal regularization weights for the compressed sensing reconstruction based on velocity instead of magnitude data is performed. A 3D radial retrospectively triggered phase contrast sequence with a combined parallel imaging and compressed sensing reconstruction with temporal regularization was developed. It was validated in a phantom and in vivo (C57BL/6 J mice), against an established fully sampled Cartesian sequence. Different undersampling factors (USFs [12, 15, 20, 30, 60]) were evaluated, and the effect of undersampling was analyzed in detail for magnitude and velocity data. Temporal regularization weights λ were evaluated for different USFs. Acceleration factors of up to 20 compared with full Nyquist sampling were achieved. The peak flow differences compared with the Cartesian measurement were the following: USF 12, 3.38%; USF 15, 4.68%; USF 20, 0.95%. The combination of 3D radial center‐out trajectories and compressed sensing reconstruction is robust against motion and flow artifacts and can significantly reduce measurement time to 30 min at a resolution of 180 μm 3 . Concisely, radial acquisition with combined compressed sensing and parallel imaging proved to be an excellent method for analyzing complex flow patterns in mice.
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 | 0,002 |
| 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 ».