Quantitative <i>T</i><sub>2</sub> analysis: The effects of noise, regularization, and multivoxel approaches
Notice bibliographique
Résumé
Typical quantitative T2 (qT2) analysis involves creating T2 distributions using a regularized algorithm from region-of-interest averaged decay data. This study uses qT2 analysis of simulated and experimental decay signals to determine how (a) noise-type, (b) regularization, and (c) region-of-interest versus multivoxel analyses affect T2 distributions. Our simulations indicate that regularization causes myelin water fraction and intra/extracellular water geometric mean T2 underestimation that worsens as the signal-to-noise ratio decreases. The underestimation was greater for intra/extracellular water geometric mean T2 measures using Rician noise. Simulations showed significant differences between myelin water fractions determined using region-of-interest and multivoxel approaches compared to the true value. The nonregularized voxel-based approach gave the most accurate measure of myelin water fraction and intra/extracellular water geometric mean T2 for a given signal-to-noise ratio and noise type. Additionally, multivoxel analysis provides important information about the variability of the analysis. Results obtained from in vivo rat data were similar to our simulation results. In each case, a nonregularized, multivoxel analysis provided myelin water fractions significantly different from the regularized approaches and obtained the largest myelin water fraction. We conclude that quantitative T2 analysis is best performed using a nonregularized, multivoxel approach.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 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 ».