Using High-Pass Filter to Enhance Scan Specific Learning for MRI Reconstruction without Any Extra Training Data
Notice bibliographique
Résumé
• Accelerated MRI reconstruction was improved by using an HP-RAKI algorithm. • A high-pass (HP) filter reduced image support to facilitate linear prediction. • Normal contrast was restored by using an inverse HP filtering. • HP-RAKI method was extended to corresponding residual structure. • High quality reconstruction was achieved without any extra training data. In accelerated MRI, the robust artificial-neural-network for k-space interpolation (RAKI) method is an attractive learning-based reconstruction that does not require additional training data. This study was focused on obtaining high quality MR images from regular under-sampled multi-coil k-space data using a high-pass filtered RAKI (HP-RAKI) reconstruction without any extra training data. MRI scan from human subjects was under-sampled with a regular pattern using skipped phase encoding and a fully sampled k-space center. A high-pass (HP) filter was applied in k-space to reduce image support to facilitate linear prediction. The HP filtered k-space center was used to train the RAKI network without any extra training data. The unacquired k-space data can be predicted from a trained RAKI network with optimized parameters. Final reconstruction was obtained after performing an inverse HP filtering for the predicted k-space data. This HP-RAKI method can be extended to corresponding residual structure (HP-rRAKI). HP-RAKI was compared with GRAPPA, HP-GRAPPA, RAKI and MW-RAKI algorithms, and HP-rRAKI was compared with corresponding residual extensions, including rRAKI and MW-rRAKI, all qualitatively and quantitatively using visual inspection and such metrics as SSIM and PSNR. HP-RAKI and HP-rRAKI were found to be effective in reconstructing MR images even at high acceleration factors. HP-RAKI and HP-rRAKI compared favorably with other algorithms. Using high-pass filtered central k-space data for training, HP-RAKI offers higher reconstruction quality for regularly under-sampled multi-coil k-space data without any extra training data. It has shown promising capabilities for fast MRI applications, especially those lacking fully sampled training data.
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 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».