Sampling pattern discrepancy in the application of compressed sensing hyperpolarized xenon‐129 lung MRI
Notice bibliographique
Résumé
Abstract Although hyperpolarized (HP) 129 Xe ventilation MRI can be carried out within a breath hold, it is still challenging for many sick patients. Compressed sensing (CS) is a viable alternative to accelerate this approach. However, undersampled images with identical sampling ratios differ from one another. Twenty subjects ( n = 10 healthy and n = 10 patients with asthma) were scanned using a GE MR750 3 T scanner, acquiring fully sampled 2D multi‐slice HP 129 Xe lung ventilation images (10 s breath hold, 128 × 80 (FE × PE—frequency encoding × phase encoding) and 16 slices). Using fully sampled data, 500 variable‐density Cartesian random undersampling patterns were generated, each at eight different sampling ratios from 10% to 80%. The parallel imaging and compressed sensing (PICS) command from BART was employed to reconstruct undersampled data. The signal to noise ratio (SNR), structural similarity index measurement (SSIM) and sidelobe to peak ratio of each were subsequently compared. There was a high degree of variation in both SNR and SSIM results from each of the 500 masks of each sampling rate. As the undersampling increases, there is more variation in the quantifying metrics, for both healthy and asthmatic individuals. Our study shows that random undersampling poses a significant challenge when applied at sampling ratios less than 60%, despite fulfilling CS's incoherency criteria. Such low sampling ratios will result in a large variety of undersampling patterns. Therefore, skipped segments of k ‐space cannot be allowed to happen randomly at low sampling rates. By optimizing the sampling pattern, CS will reach its full potential and be able to be applied to a highly undersampled 129 Xe lung dataset.
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 | 0,001 |
| 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 ».