Phase‐regularized and displacement‐regularized compressed sensing for fast magnetic resonance elastography
Notice bibliographique
Résumé
Abstract Liver magnetic resonance elastography (MRE) is a noninvasive stiffness measurement technique that captures the tissue displacement in the phase of the signal. To limit the scanning time to a single breath‐hold, liver MRE usually involves advanced readout techniques such as simultaneous multislice (SMS) or multishot methods. Furthermore, all these readout techniques require additional in‐plane acceleration using either parallel imaging capabilities, such as sensitivity encoding (SENSE), or ‐space undersampling, such as compressed sensing (CS). However, these methods apply a single regularization function on the complex image. This study aims to design and evaluate methods that use separate regularization on the magnitude and phase of MRE to exploit their distinct spatiotemporal characteristics. Specifically, we introduce two compressed sensing methods. The first method, termed phase‐regularized compressed sensing (PRCS), applies a two‐dimensional total variation (TV) prior to the magnitude and two‐dimensional wavelet regularization to the phase. The second method, termed displacement‐regularized compressed sensing (DRCS), exploits the spatiotemporal redundancy using 3D total variation on the magnitude. Additionally, DRCS includes a displacement fitting function to apply wavelet regularization to the displacement phasor. Both DRCS and PRCS were evaluated with different levels of compression factors in three datasets: an in silico abdomen dataset, an in vitro tissue‐mimicking phantom, and an in vivo liver dataset. The reconstructed images were compared with the full sampled reconstruction, zero‐filling reconstruction, wavelet‐regularized compressed sensing, and a low rank plus sparse reconstruction. The metrics used for quantitative evaluation were the structural similarity index (SSIM) of magnitude (M‐SSIM), displacement (D‐SSIM), and shear modulus (S‐SSIM), and mean shear modulus. Results from highly undersampled in silico and in vitro datasets demonstrate that the DRCS method provides higher reconstruction quality than the conventional compressed sensing method for a wide range of stiffness values. Notably, DRCS provides 24% and 22% increase in D‐SSIM compared with CS for the in silico and in vitro datasets, respectively. Comparison with liver stiffness measured from full sampled data and highly undersampled data (CR=4) demonstrates that the DRCS method provided the strongest correlation ( =0.95), second‐lowest mean bias (−0.18 kPa, lowest for CS with −0.16 kPa), and lowest coefficient of variation (CV=3.6%). Our results demonstrate the potential of using DRCS to improve the reconstruction quality of accelerated MRE.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».