Fast machine learning image reconstruction of radially undersampled k-space data for low-latency real-time MRI
Notice bibliographique
Résumé
Fast data acquisition and fast image reconstruction are essential to enable low-latency real-time magnetic resonance (MR) imaging applications with high temporal resolution such as interstitial percutaneous needle interventions or MR-guided radiotherapy. To accelerate the image reconstruction of radially undersampled 2D k-space data, we propose a machine learning (ML) model that consists of a single fully connected linear layer to interpolate radial k-space data to a Cartesian grid, followed by a conventional 2D inverse fast Fourier transform. This k-space-to-image ML model was trained on synthetic data from natural images. It was evaluated with respect to image quality (mean squared error (MSE) compared to ground truth where available) and reconstruction time both on synthetic data with undersampling factors R between 2 and 10 as well as on radial k-space data from MR measurements on two different MRI systems. For comparison, conventional non-iterative zero-filling non-uniform fast Fourier transform (NUFFT) reconstruction and compressed sensing (CS) reconstruction were used. On synthetic data, the ML model achieved better median MSE values than the non-iterative NUFFT reconstruction. The interquartile ranges of the MSE distributions overlapped for the ML and CS reconstructions for all R. Reconstruction times of the ML approach were shorter than for NUFFT and substantially shorter than for CS reconstructions. The generalizability (for real MRI data) of the ML model was demonstrated by reconstructing 0.35-tesla MR-Linac dynamic measurements of three volunteers and phantom data from a diagnostic 1.5-tesla MRI system; the median reconstruction time for the coil-combined images was much shorter than for the conventional approach (ML: [Formula: see text]; NUFFT: [Formula: see text]). The proposed ML model reconstructs MR data with reduced streaking artifacts compared to non-iterative NUFFT techniques and with extremely short reconstruction times; thus, it is ideally suited for rapid low-latency real-time MR applications.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
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 ».