KDI-Net: dual-domain mapping network for undersampled magnetic resonance imaging reconstruction
Notice bibliographique
Résumé
Magnetic resonance imaging (MRI) is an imaging technique that provides comprehensive anatomical and functional information on the human body, but prolonged acquisition of fully sampled MRI images causes patient discomfort and motion artifacts. In recent years, deep learning (DL) has made significant progress in accelerating MRI image reconstruction. At present, MRI image reconstruction is concentrated on single domain, but hybrid domain reconstruction has more advantages. Here, we propose a hybrid domain reconstruction method based on AUTOMAP—KDI-Net, which divided into three parts: K-Block, D-Block and I-Block. We evaluated the performance of our KDI-Net model for MRI image reconstruction using PSNR, RMSE, and SSIM metrics and three reduction factors (2, 3, 4) on two publicly available MRI datasets (the AUTOMAP brain dataset and the Calgary Campinas single-coil brain dataset). The results show that KDI-Net performs better than AUTOMAP and Complex AUTOMAP. Compared to AUTOMAP, KDI-Net basically improved each metric by more than 6%. Compared to Complex AUTOMAP, KDI-Net basically improved by more than 8% on each metric. For reduction factor 2, the reconstructed MRI image is very close to ground true. Our specially designed KDI-Net can extract the sparsity from single channel MRI K-space, which achieve 2 folder acceleration.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».