Efficient compressed sensing reconstruction frameworks for accelerated cardiac magnetic resonance imaging
Notice bibliographique
Résumé
Dynamic magnetic resonance imaging requires rapid data acquisition to provide an appropriate combination of spatial and temporal resolution, and volumetric coverage for clinical studies. In the most challenging clinical situations, conventional dynamic MR scanners are often incapable of simultaneously providing images with sufficient temporal resolution and high spatial resolution. In practice, clinicians are often forced to compromise between these parameters, often resulting in sub-optimal performance. Cardiac MRI is the most challenging and inspiring dynamic MRI application. In cardiac MRI, the main challenge is the sensitivity of reconstruction methods to large inter frame motion. The reconstructions often suffer from temporal blurring and motion related artifacts at high acceleration factors. In this dissertation, three novel approaches are proposed specifically designed to minimize the sensitivity of the reconstructions to inter frame motion. First, a compressed sensing (CS) based image reconstruction method in conjunction with spiral sampling is developed for the reconstruction of dynamic MRI data from highly accelerated / under-sampled Fourier measurements. In the second algorithm, the problem of motion artifacts including respiratory motion and cardiac motion in compressed sensing reconstructions is addressed. A motion estimation/motion compensation algorithm based on a modified search that aids block matching and results in improved residual reconstruction is incorporated into the CS reconstruction for dynamic MRI. In the third algorithm, a novel formulation for the joint estimation of the deformation and the dynamic images in cardiac cine MR imaging is introduced. The motion estimation algorithm estimates the deformation by registering the dynamic data to a reference dataset that is free of respiratory motion, which is derived from the measurements themselves. A variable splitting framework is used to minimize the objective function, and thus derive the deformation and the dynamic images. The validation of the proposed algorithms is illustrated using a numerical phantom and in-vivo cine MRI data to show the feasibility in precisely recovering cardiac MRI data from extensively under-sampled data.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».