A fully flow-compensated multiecho susceptibility-weighted imaging sequence: The effects of acceleration and background field on flow compensation
Notice bibliographique
Résumé
PURPOSE: To present a fully flow-compensated multiecho gradient echo sequence that can be used for MR angiography (MRA), susceptibility weighted imaging (SWI), and quantitative susceptibility mapping (QSM) and to study the effects of flow acceleration and background field gradients on flow compensation. METHODS: The quality of flow compensation was evaluated using the data from eight volunteers. The effects of flow acceleration were studied by changing the polarities of the readout gradients in two consecutive scans. The background field was used to estimate the phase errors of flow compensation in the presence of field inhomogeneities. SWI and QSM data were generated with confounding arterial phase removed. T2 * maps were obtained from the multiecho data to estimate T2 * of arterial blood. RESULTS: Reasonable flow compensation was achieved. Nevertheless, background field gradients and acceleration-induced phase errors were found to be as large as π/2 and π/3, respectively, both in agreement with theory. T2 * was measured as 82 ± 4 ms and 74 ± 9 ms for arteries inside and outside the brain, respectively, at 3T. CONCLUSION: High-quality MRA, SWI, and QSM data can be obtained simultaneously. Masking out the arteries to remove the phase due to flow acceleration and background field gradients improves the quality of both SWI and QSM data. Magn Reson Med 76:478-489, 2016. © 2015 Wiley Periodicals, Inc.
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 | 0,000 | 0,001 |
| 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 ».