A Hybrid Frequency-domain/Image-domain Deep Network for Magnetic\n Resonance Image Reconstruction
Notice bibliographique
Résumé
Decreasing magnetic resonance (MR) image acquisition times can potentially\nreduce procedural cost and make MR examinations more accessible. Compressed\nsensing (CS)-based image reconstruction methods, for example, decrease MR\nacquisition time by reconstructing high-quality images from data that were\noriginally sampled at rates inferior to the Nyquist-Shannon sampling theorem.\nIn this work we propose a hybrid architecture that works both in the k-space\n(or frequency-domain) and the image (or spatial) domains. Our network is\ncomposed of a complex-valued residual U-net in the k-space domain, an inverse\nFast Fourier Transform (iFFT) operation, and a real-valued U-net in the image\ndomain. Our experiments demonstrated, using MR raw k-space data, that the\nproposed hybrid approach can potentially improve CS reconstruction compared to\ndeep-learning networks that operate only in the image domain. In this study we\ncompare our method with four previously published deep neural networks and\nexamine their ability to reconstruct images that are subsequently used to\ngenerate regional volume estimates. We evaluated undersampling ratios of 75%\nand 80%. Our technique was ranked second in the quantitative analysis, but\nqualitative analysis indicated that our reconstruction performed the best in\nhard to reconstruct regions, such as the cerebellum. All images reconstructed\nwith our method were successfully post-processed, and showed good volumetry\nagreement compared with the fully sampled reconstruction measures.\n
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 | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».