Bayesian optimization of gradient trajectory for parallel‐transmit pulse design
Notice bibliographique
Résumé
PURPOSE: Spoke pulses improve excitation homogeneity in parallel-transmit MRI. We propose an efficient global optimization algorithm, Bayesian optimization of gradient trajectory (BOGAT), for single-slice and simultaneous multislice imaging. THEORY AND METHODS: -space positions to sample, to achieve fast convergence, often coming close to the globally optimal spoke positions. We investigated the typical features of spokes cost functions by a grid search with field maps comprising 85 slabs from 14 volunteers. We tested BOGAT in this database, and prospectively in a phantom and in vivo. We compared the vendor-provided Fourier transform approach with the same magnitude least squares RF optimizer. RESULTS: The cost function is nonconvex and seen empirically to be piecewise smooth with discontinuities where the underlying RF optimum changes sharply. BOGAT converged to within 10% of the global minimum cost within 30 iterations in 93% of slices in our database. BOGAT achieved up to 56% lower flip angle RMS error (RMSE) or 55% lower pulse energy in phantoms versus the Fourier transform approach, and up to 30% lower RMSE and 29% lower energy in vivo with 7.8 s extra computation. CONCLUSION: BOGAT efficiently estimated near-global optimum spoke positions for the two-spoke tests, reducing flip-angle RMSE and/or pulse energy in a computation time (˜10 s), which is suitable for online optimization.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».