xQSM: quantitative susceptibility mapping with octave convolutional and noise‐regularized neural networks
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
Quantitative susceptibility mapping (QSM) provides a valuable MRI contrast mechanism that has demonstrated broad clinical applications. However, the image reconstruction of QSM is challenging due to its ill‐posed dipole inversion process. In this study, a new deep learning method for QSM reconstruction, namely xQSM, was designed by introducing noise regularization and modified octave convolutional layers into a U‐net backbone and trained with synthetic and in vivo datasets, respectively. The xQSM method was compared with two recent deep learning (QSMnet + and DeepQSM) and two conventional dipole inversion (MEDI and iLSQR) methods, using both digital simulations and in vivo experiments. Reconstruction error metrics, including peak signal‐to‐noise ratio, structural similarity, normalized root mean squared error and deep gray matter susceptibility measurements, were evaluated for comparison of the different methods. The results showed that the proposed xQSM network trained with in vivo datasets achieved the best reconstructions of all the deep learning methods. In particular, it led to, on average, 32.3%, 25.4% and 11.7% improvement in the accuracy of globus pallidus susceptibility estimation for digital simulations and 39.3%, 21.8% and 6.3% improvements for in vivo acquisitions compared with DeepQSM, QSMnet + and iLSQR, respectively. It also exhibited the highest linearity against different susceptibility intensity scales and demonstrated the most robust generalization capability to various spatial resolutions of all the deep learning methods. In addition, the xQSM method also substantially shortened the reconstruction time from minutes using MEDI to only a few seconds.
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) | 0,000 | 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 | 0,000 |
| 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 découle