MétaCan
Menu
Retour à la cohorte
Enregistrement W4411391268 · doi:10.3389/fendo.2025.1581328

Assessment of reconstruction accuracy for under-sampled 31P-MRS data using compressed sensing and a low rank Hankel matrix completion approach

2025· article· en· W4411391268 sur OpenAlexaff
Michael D. Noseworthy, Alejandro Santos‐Díaz

Notice bibliographique

RevueFrontiers in Endocrinology · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueAdvanced MRI Techniques and Applications
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésMatrix completionRank (graph theory)Compressed sensingHankel matrixMatrix (chemical analysis)AlgorithmLow-rank approximationComputer scienceMathematicsStatisticsPattern recognition (psychology)Artificial intelligenceCombinatoricsMathematical analysisChemistryComputational chemistry

Résumé

récupéré en direct d'OpenAlex

Phosphorus magnetic resonance spectroscopy and spectroscopic imaging (31P-MRS/MRSI) are techniques to evaluate energy metabolism in vivo, they are capable of measuring metabolites such as phosphocreatine and inorganic phosphate in muscle and brain tissue. Despite their capability, these techniques are not very often used in clinical settings due to the long acquisition times required. In recent years, compressed sensing has been widely used as an acceleration method for MRI signal acquisition and translated to MRS. In order to use it, one of the main criteria states that the aliasing resulting from the undersampling scheme must be incoherent, which is achieved using a pseudo-random sampling strategy. However, when a set of pseudo-random sampling patterns are applied for the same acceleration factor, there is significant variability in the quality of the reconstructed signal. We present an evaluation of the influence of the undersampling pattern in the quality of the signal reconstruction through a series of experiments in 31P-MRS data using the low rank Hankel matrix completion as the reconstruction method. Our results demonstrate that the reconstruction accuracy is heavily influenced by the selection of specific samples rather than the undersampling factor. Furthermore, the noise level in the signal has a more pronounced impact on reconstruction quality. Additionally, reconstruction accuracy is significantly correlated with the density of samples collected at early sampling times, making it possible to set large time values to zero without producing any statistical difference in the error distribution means for some cases.

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)0,005
score de la tête « metaresearch » (Gemma)0,019
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,025

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,019
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
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 Opus0,065
Tête enseignante GPT0,401
Écart entre enseignants0,336 · 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'étudeSimulation ou modélisation
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

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in EndocrinologyMême sujetAdvanced MRI Techniques and ApplicationsTravaux en français237 207