Motion compensated structured low‐rank reconstruction for 3D multi‐shot EPI
Notice bibliographique
Résumé
PURPOSE: The 3D multi-shot EPI imaging offers several benefits including higher SNR and high isotropic resolution compared to 2D single shot EPI. However, it suffers from shot-to-shot inconsistencies arising from physiologically induced phase variations and bulk motion. This work proposed a motion compensated structured low-rank (mcSLR) reconstruction method to address both issues for 3D multi-shot EPI. METHODS: Structured low-rank reconstruction has been successfully used in previous work to deal with inter-shot phase variations for 3D multi-shot EPI imaging. It circumvents the estimation of phase variations by reconstructing an individual image for each phase state which are then sum-of-squares combined, exploiting their linear interdependency encoded in structured low-rank constraints. However, structured low-rank constraints become less effective in the presence of inter-shot motion, which corrupts image magnitude consistency and invalidates the linear relationship between shots. Thus, this work jointly models inter-shot phase variations and motion corruptions by incorporating rigid motion compensation for structured low-rank reconstruction, where motion estimates are obtained in a fully data-driven way without relying on external hardware or imaging navigators. RESULTS: Simulation and in vivo experiments at 7T have demonstrated that the mcSLR method can effectively reduce image artifacts and improve the robustness of 3D multi-shot EPI, outperforming existing methods which only address inter-shot phase variations or motion, but not both. CONCLUSION: The proposed mcSLR reconstruction compensates for rigid motion, and thus improves the validity of structured low-rank constraints, resulting in improved robustness of 3D multi-shot EPI to both inter-shot motion and phase variations.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 | 0,001 |
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 ».