Primer and Historical Review on Rapid Cardiac <scp>CINE MRI</scp>
Notice bibliographique
Résumé
Acceleration is an important consideration when imaging moving organs such as the heart. Not only does acceleration enable motion-free scans but, more importantly, it lies at the heart of capturing the dynamics of cardiac motion. For over three decades, various ingenious approaches have been devised and implemented for rapid CINE MRI suitable for dynamic cardiac imaging. Virtually all techniques relied on acquiring less data to reduce acquisition times. Parallel imaging was among the first of these innovations, using multiple receiver coils and mathematical algorithms for reconstruction; acceleration factors of 2 to 3 were readily achieved in clinical practice. However, in the context of imaging dynamic events, further decreases in scan time beyond those provided by parallel imaging were possible by exploiting temporal coherencies. This recognition ushered in the era of k-t accelerated MRI, which utilized predominantly statistical methods for image reconstruction from highly undersampled k-space. Despite the successes of k-t acceleration methods, however, the accuracy of reconstruction was not always guaranteed. To address this gap, MR physicists and mathematicians applied compressed sensing theory to ensure reconstruction accuracy. Reconstruction was, indeed, more robust, but it required optimizing regularization parameters and long reconstruction times. To solve the limitations of all previous methods, researchers have turned to artificial intelligence and deep neural networks for the better part of the past decade, with recent results showing rapid, robust reconstruction. This review provides a comprehensive overview of key developments in the history of CINE MRI acceleration, and offers a unique and intuitive explanation behind the techniques and underlying mathematics.Level of Evidence: 5Technical Efficacy Stage: 1.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 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 ».