Rational approximation of golden angles: Accelerated reconstructions for radial MRI
Notice bibliographique
Résumé
PURPOSE: To develop a generic radial sampling scheme that combines the advantages of golden ratio sampling with simplicity of equidistant angular patterns. The irrational angle between consecutive spokes in golden ratio-based sampling schemes enables a flexible retrospective choice of temporal resolution, while preserving good coverage of k-space for each individual bin. Nevertheless, irrational increments prohibit precomputation of the point-spread function (PSF), can lead to numerical problems, and require more complex processing steps. To avoid these problems, a new sampling scheme based on a rational approximation of golden angles (RAGA) is developed. METHODS: The theoretical properties of RAGA sampling are mathematically derived. Sidelobe-to-peak ratios (SPR) are numerically computed and compared to the corresponding golden ratio sampling schemes. The sampling scheme is implemented in the BART toolbox and in a radial gradient-echo sequence. Feasibility is shown for quantitative imaging in a phantom and a cardiac scan of a healthy volunteer. RESULTS: RAGA sampling can accurately approximate golden ratio sampling and has almost identical PSF and SPR. In contrast to golden ratio sampling, each frame can be reconstructed with the same equidistant trajectory using different sampling masks, and the angle of each acquired spoke can be encoded as a small index, which simplifies processing of the acquired data. CONCLUSION: RAGA sampling provides the advantages of golden ratio sampling while simplifying data processing, rendering it a valuable tool for dynamic and quantitative MRI.
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 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 | 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 ».