High on sparsity: Interbin compensation of cardiac motion for improved assessment of left‐ventricular function using <scp>5D</scp> whole‐heart <scp>MRI</scp>
Notice bibliographique
Résumé
Abstract Purpose Cardiac magnetic resonance is the gold standard for evaluating left‐ventricular ejection fraction (LVEF). Standard protocols, however, can be inefficient, facing challenges due to significant operator and patient involvement. Although the free‐running framework (FRF) addresses these challenges, the potential of the extensive data it collects remains underutilized. Therefore, we propose to leverage the large amount of data collected by incorporating interbin cardiac motion compensation into FRF (FRF‐MC) to improve both image quality and LVEF measurement accuracy, while reducing the sensitivity to user‐defined regularization parameters. Methods FRF‐MC consists of several steps: data acquisition, self‐gating signal extraction, deformation field estimations, and motion‐resolved reconstruction with interbin cardiac motion compensation. FRF‐MC was compared with the original 5D‐FRF method using LVEF and several image‐quality metrics. The cardiac regularization weight () was optimized for both methods by maximizing image quality without compromising LVEF measurement accuracy. Evaluations were performed in numerical simulations and in 9 healthy participants. In vivo images were assessed by blinded expert reviewers and compared with reference standard 2D‐cine images. Results Both in silico and in vivo results revealed that FRF‐MC outperformed FRF in terms of image quality and LVEF accuracy. FRF‐MC reduced temporal blurring, preserving detailed anatomy even at higher cardiac regularization weights, and led to more accurate LVEF measurements. Optimized produced accurate LVEF for both methods compared with the 2D‐cine reference (FRF‐MC: 0.59% [−7.2%, 6.0%], p = 0.47; FRF: 0.86% [−8.5%, 6.7%], p = 0.36), but FRF‐MC resulted in superior image quality (FRF‐MC: 2.89 ± 0.58, FRF: 2.11 ± 0.47; p < 10 −3 ). Conclusion Incorporating interbin cardiac motion compensation significantly improved image quality, supported higher cardiac regularization weights without compromising LVEF measurement accuracy, and reduced sensitivity to user‐defined regularization parameters.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».