Three‐dimensional Yarnball k‐space acquisition for accelerated MRI
Notice bibliographique
Résumé
Purpose To introduce an efficient sampling technique named Yarnball, which may serve as a direct alternative to 3D Cones. Methods Yarnball evolves through 3D k‐space with increasing loop size, and the differential equations defining this flexible trajectory are presented in detail. The sampling efficiencies of Yarnball and 3D Cones were compared through point spread function analysis and simulated imaging (which highlights undersampling in the absence of other scanning effects). The feasibility of Yarnball implementation was demonstrated for fully sampled T 1 ‐weighted images of the human head at 3 T. Results The mostly large 3D loops of the Yarnball trajectory facilitate rapid sampling under peripheral nerve stimulation constraint, an advantage that increases with readout duration (T RO ). Point spread function analysis yielded 89% (T RO = 2 ms) and 77% (T RO = 10 ms) of Yarnball voxels with magnitude less than 0.01% of the point spread function peak. For 3D Cones, these values were only 52% and 29%. The 3D‐Cones technique required 1.4 times (T RO = 2 ms) and 1.8 times (T RO = 10 ms) more trajectories than Yarnball to produce simulated images of a sphere free from undersampling artifact. For a prolate spheroidal (head‐like) object, 1.75 times and 2.6 times more trajectories were required for 3D Cones. Yarnball produced 0.72 mm (1/2k max ) isotropic T 1 ‐weighted human brain images free from undersampling artifact in only 98 seconds at 3 T. Conclusion Yarnball demonstrated greater k‐space sampling efficiency than directly comparable 3D Cones, and may have value wherever 3D Cones has been considered. Yarnball may also have value in the context of rapid T 1 ‐weighted brain imaging.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».