Motion correction with subspace-based self-navigation for combined angiography, perfusion and structural imaging
Notice bibliographique
Résumé
Abstract Motion artifacts are problematic in many MRI modalities. “Self-navigating” approaches are desirable, since no additional scan time or hardware is required. However, the generation of a navigator image, to estimate and correct motion, is difficult in cases where the tissue contrast is changing during the navigator acquisition window, such as in magnetization- prepared methods. Here we propose a subspace approach to reconstruct accurate navigators in the presence of time-varying tissue contrast and apply it to a combined angiography, perfusion and structural imaging method using a golden ratio 3D cones trajectory. This arterial spin labeling-based pulse sequence relies on subtraction of label and control images to isolate the relatively weak blood signal, making it particularly susceptible to motion corruption. An inversion pulse leads to time-varying tissue contrast across the readout train, but by reconstructing subspace coefficient maps directly, artifacts due to the varying contrast were alleviated. This resulted in high-quality navigator images that were subsequently registered to estimate and correct for motion. In addition, a split-update method was proposed to efficiently reconstruct from mismatched label/control k-space data with locally low rank regularization enforced on the difference image. The correction process was tested with numerical simulation and in vivo data from 8 healthy subjects with and without cued motion. In numerical simulation, the subspace- based navigator achieved an 84% reduction in RMSE of residual motion compared to without motion correction. In vivo, motion correction resulted in noise-like and background artifacts being greatly reduced and vessel sharpness being noticeably improved. Correlation of angiography, perfusion and structural images with motion-free reference images also increased by 159%, 53% and 12%, respectively, after motion correction. These results show that subspace-based navigators can effectively improve the motion robustness of MR imaging in contrast-varying acquisitions.
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 ».