A New approach towards improved visualization of myocardial edema using T2‐weighted imaging: A cardiovascular magnetic resonance (CMR) study
Notice bibliographique
Résumé
PURPOSE: To compare T2-weighted cardiovascular magnetic resonance (CMR) imaging with AASPIR (asymmetric adiabatic spectral inversion recovery) and STIR (short T1 inversion recovery) for myocardial signal intensity, image quality, and fat suppression. MATERIALS AND METHODS: Forty consecutive patients (47 ± 16 years old) referred by cardiologists for CMR-based myocardial tissue characterization were scanned with both STIR and AASPIR T2-weighted imaging approaches. Signal intensity of left ventricular myocardium was normalized to a region of interest generating a signal-to-noise ratio (SNR). In six patients with regional edema on STIR the contrast-to-noise ratio (CNR) was assessed. Two independent observers used a scoring system to evaluate image quality and artifact suppression. Six healthy volunteers (three males, 32 ± 7 years) were recruited to compare fat suppression between AASPIR and STIR. RESULTS: SNR of AASPIR was greater than STIR for basal (128 ± 44 vs. 83 ± 40, P < 0.001), mid- (144 ± 65 vs. 96 ± 39, P < 0.01), and apical (145 ± 59 vs. 105 ± 35, P < 0.05) myocardium. Improved image quality and greater suppression of artifacts was demonstrated with AASPIR. In patients with regional edema, CNR increased by 49% with AASPIR, while SNR of pericardial fat did not differ (44 ± 39 vs. 33 ± 30, P > 0.05). CONCLUSION: Our findings support the implementation of an AASPIR-based approach for T2-weighted imaging due to improved pericardial fat suppression, image quality, and artifact suppression with greater CNR and SNR.
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 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».