2D sodium <scp>MRI</scp> of the human calf using half‐sinc excitation pulses and compressed sensing
Notice bibliographique
Résumé
PURPOSE: Sodium MRI can be used to quantify tissue sodium concentration (TSC) in vivo; however, UTE sequences are required to capture the rapidly decaying signal. 2D MRI enables high in-plane resolution but typically has long TEs. Half-sinc excitation may enable UTE; however, twice as many readouts are necessary. Scan time can be minimized by reducing the number of signal averages (NSAs), but at a cost to SNR. We propose using compressed sensing (CS) to accelerate 2D half-sinc acquisitions while maintaining SNR and TSC. METHODS: Ex vivo and in vivo TSC were compared between 2D spiral sequences with full-sinc (TE = 0.73 ms, scan time ≈ 5 min) and half-sinc excitation (TE = 0.23 ms, scan time ≈ 10 min), with 150 NSAs. Ex vivo, these were compared to a reference 3D sequence (TE = 0.22 ms, scan time ≈ 24 min). To investigate shortening 2D scan times, half-sinc data was retrospectively reconstructed with fewer NSAs, comparing a nonuniform fast Fourier transform to CS. Resultant TSC and image quality were compared to reference 150 NSAs nonuniform fast Fourier transform images. RESULTS: TSC was significantly higher from half-sinc than from full-sinc acquisitions, ex vivo and in vivo. Ex vivo, half-sinc data more closely matched the reference 3D sequence, indicating improved accuracy. In silico modeling confirmed this was due to shorter TEs minimizing bias caused by relaxation differences between phantoms and tissue. CS was successfully applied to in vivo, half-sinc data, maintaining TSC and image quality (estimated SNR, edge sharpness, and qualitative metrics) with ≥50 NSAs. CONCLUSION: resolution and scan times of ≤5 mins.
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 | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».