Multichannel joint image reconstruction allows for artifact-free focused small field of view magnetic particle imaging
Notice bibliographique
Résumé
Abstract Magnetic Particle Imaging (MPI) directly detects superparamagnetic iron oxide (SPIO) labeled cells. We have used MPI to detect SPIO-labeled dendritic cells (DC) migrated to the popliteal lymph nodes (pLN) after injection into the hind footpads. However, in some cases the low pLN signal could not be resolved from nearby higher footpad signal where window leveling to pLN signal oversaturated the footpad signal. The same limitation occurs when SPIO is injected intravenously, accumulates in the liver, and prevents isolation of regions of interest with lower signals. Previous studies have reported on the issue of resolving a wide range of differing iron concentration. A small focused field of view (FOV), to exclude high sources of nearby signal cannot be performed with the standard reconstruction algorithm equipped on the MomentumTM MPI scanner because it is assumed that there is no signal at the edge of the FOV and these values are set to zero for each line along the transmit axis. However, when there is signal at the FOV edge, an inverted negative artifact is created. The multichannel joint reconstruction method uses an iterative reconstruction technique to recover edge information using information from an orthogonal axis, preventing this artifact and allowing the user to prescribe a small FOV on the region of interest. Here we describe the implementation of this method to isolate and quantify low regions of MPI signal from higher regions.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 |
| 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 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 ».