Improving the spectral resolution and spectral fitting of <sup>1</sup>H MRSI data from human calf muscle by the SPREAD technique
Notice bibliographique
Résumé
Proton magnetic resonance spectroscopic imaging ((1) H MRSI) has been used for the in vivo measurement of intramyocellular lipids (IMCLs) in human calf muscle for almost two decades, but the low spectral resolution between extramyocellular lipids (EMCLs) and IMCLs, partially caused by the magnetic field inhomogeneity, has hindered the accuracy of spectral fitting. The purpose of this paper was to enhance the spectral resolution of (1) H MRSI data from human calf muscle using the SPREAD (spectral resolution amelioration by deconvolution) technique and to assess the influence of improved spectral resolution on the accuracy of spectral fitting and on in vivo measurement of IMCLs. We acquired MRI and (1) H MRSI data from calf muscles of three healthy volunteers. We reconstructed spectral lineshapes of the (1) H MRSI data based on field maps and used the lineshapes to deconvolve the measured MRS spectra, thereby eliminating the line broadening caused by field inhomogeneities and improving the spectral resolution of the (1) H MRSI data. We employed Monte Carlo (MC) simulations with 200 noise realizations to measure the variations of spectral fitting parameters and used an F-test to evaluate the significance of the differences of the variations between the spectra before SPREAD and after SPREAD. We also used Cramer-Rao lower bounds (CRLBs) to assess the improvements of spectral fitting after SPREAD. The use of SPREAD enhanced the separation between EMCL and IMCL peaks in (1) H MRSI spectra from human calf muscle. MC simulations and F-tests showed that the use of SPREAD significantly reduced the standard deviations of the estimated IMCL peak areas (p < 10(-8) ), and the CRLBs were strongly reduced (by ~37%).
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».