MétaCan
Menu
Retour à la cohorte
Enregistrement W4407674912 · doi:10.1002/mrm.30471

Basis function compression for field probe monitoring

2025· article· en· W4407674912 sur OpenAlexafffund
Paul I. Dubovan, Gabriel Varela‐Mattatall, Eric Seth Michael, Franciszek Hennel, Ravi S. Menon, Klaas P. Pruessmann, Adam B. Kerr, Corey A. Baron

Notice bibliographique

RevueMagnetic Resonance in Medicine · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueAdvanced MRI Techniques and Applications
Établissements canadiensLawson Health Research InstituteWestern University
Organismes subventionnairesCanada Research Chairs
Mots-clésCalibrationBasis functionBasis (linear algebra)Field (mathematics)Computer scienceSpherical harmonicsPrincipal component analysisCompression (physics)AlgorithmBiological systemMathematicsArtificial intelligencePhysicsMathematical analysisStatistics

Résumé

récupéré en direct d'OpenAlex

PURPOSE: Field monitoring using field probes allows for accurate measurement of magnetic field perturbations, such as from eddy currents, during MRI scanning. However, errors may result when the spatial variation of the fields is not well-described by the conventionally used spherical harmonics model that has the maximum order constrained by the number of probes. The objective of this work was to develop and validate a field monitoring approach that compresses higher order spherical harmonics into a smaller set of new basis functions that can be characterized using fewer probes. METHODS: Field monitoring of acquisitions was repeated with probes in different locations. High-order field dynamics were computed from this "calibration" data assembled from provided scans, from which compression matrices could be devised using principal component analysis. Compression matrices were then used to fit field dynamics using "compressed" basis functions with data from 16 probes, which were then used in image reconstruction. Performance was evaluated by assessing the accuracy of computed field dynamics as well as in vivo image quality. Technique generalizability was also assessed by using various acquisition and diffusion encoding strategies in the calibration. RESULTS: Qualitative and quantitative improvements in accuracy were observed when using the proposed fitting method compared to the conventional approach. However, compression effectiveness was influenced by the probe quantity and arrangement, and the specific acquisition data included in the calibration. CONCLUSION: The ability to tailor basis functions to more compactly describe the spatial variation of field perturbations enables improved characterization of fields with rapid spatial variations.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,025
Tête enseignante GPT0,360
Écart entre enseignants0,335 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueMagnetic Resonance in MedicineMême sujetAdvanced MRI Techniques and ApplicationsTravaux en français237 207