Inter-shot Motion Correction of Segmented 3D-GRASE ASL Perfusion Imaging with Self-Navigation and CAIPI
Notice bibliographique
Résumé
Abstract Purpose Segmented 3D Gradient and Spin Echo (GRASE) is commonly used in Arterial Spin Labeling (ASL) perfusion imaging. However, it is vulnerable to inter-shot motion, leading to subtraction errors that cannot be corrected. We developed a retrospective self-navigated inter-shot motion correction method for segmented 3D-GRASE ASL imaging with Controlled Aliasing in Parallel Imaging (CAIPI). Methods Multiple shots, each uniformly covering k-space at distinct sample locations, allow a self-navigator image to be reconstructed using SENSE for each shot. Rigid-body motion estimation across the self-navigators is incorporated into a motion-compensated forward model for image reconstruction. To support self-navigation, two CAIPI-sampled segmented 3D-GRASE trajectories that ensure full k-space coverage were explored for point spread function (PSF) profiles and g-factor effects. Our approach was evaluated against conventional inter-volume registration and a previously proposed method, alignedSENSE. Additionally, we compared tag-control interleaving strategies to assess their impact on motion robustness in five healthy volunteers with instructed head motion. Results Our method effectively reduced motion artifacts and outperformed conventional inter-volume correction by 12.3% in correlation coefficient, 4.5% in Structural Similarity Index Measure (SSIM), and 40.1% in temporal SNR. It matched alignedSENSE performance while requiring only 20% of the computational time. All evaluated CAIPI sampling variants enabled robust motion correction, although tradeoffs were observed between through-plane blurring and SNR performance. The tag-control (T/C) inner loop acquisition yielded better motion robustness across all quantitative metrics. Conclusion Self-navigated inter-shot motion correction using CAIPI sampling and a T/C inner loop for segmented 3D-GRASE ASL can improve image quality and motion robustness.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».