Electric potential energy optimized 3D radial sampling trajectories for MRI
Notice bibliographique
Résumé
A novel method for creating “golden” 3D center-out radial MRI sampling trajectories was developed and analyzed. This method, called ELECTRO (ELECTRic potential energy Optimized), uses repulsive forces to minimize electric potential energy. An objective function $$\:G\left(S\right)$$ , the electric potential energies of all subsets of consecutive readouts in a 3D radial trajectory, and its reduced form were minimized using a multi-stage optimization strategy. A metric called normalized mean nearest neighbor angular distance (NMNA) was proposed for describing distributions of points on a sphere. ELECTRO and other relevant golden trajectories were compared in silico using NMNA and point spread function analysis. Consecutive readouts from an ELECTRO trajectory were well spread out, with consistent NMNA values across sphere sizes (σNMNA = 0.005) and between regions on the sphere (NMNA ≈ 1.49). Conversely, the supergolden trajectory had poor consistency in NMNA values (σNMNA = 0.090) and clustering (NMNA = 1.28 at the pole with 40,000 readouts) that lead to artifact in the point spread function. Multi-stage optimization was faster than single-stage and obtained lower values of $$\:G\left(S\right)$$ (e.g., 0.87 vs. 0.91, for a sphere size of 40). In conclusion, ELECTRO trajectories are more golden than other 3D center-out radial trajectories, making them a suitable candidate for dynamic 3D MR imaging.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».