Flip angle optimization for dynamic contrast-enhanced MRI-studies with spoiled gradient echo pulse sequences
Notice bibliographique
Résumé
Spoiled gradient echo pulse (SPGRE) sequences are commonly used in dynamic contrast-enhanced MRI (DCE-MRI) studies to measure the contrast agent concentration in a tissue of interest over time. However, due to improper tuning of the SPGRE parameters, concentration uncertainty can be very high, even at high signal-to-noise ratio in the MR measurement. In this work, an optimization procedure is proposed for selecting the optimal value of the SPGRE-flip angle FA(opt), given the expected concentration range. The optimization condition ensures that every concentration in the assumed range has the lowest possible uncertainty. By decoupling the R(1)- and R*(2)-effects caused by the presence of the contrast agent, a contour plot has been generated from which FA(opt) can be read off for any study design. Investigation of ten recent DCE-MRI studies showed that improper flip angle selection unnecessarily increases the concentration uncertainty, up to 742% and 72% on average for the typical physiological concentration ranges of 0-2 mM in tumour tissue and 0-10 mM in blood, respectively. Simulations show that the reduced noise levels on the concentration curves, observed at the optimal flip angle, effectively increase the precision of the kinetic parameters estimates (up to 82% for K(trans), 82% for ν(e) and 92% for ν(p) in the case of an individually measured arterial input function (AIF), up to 53% for K(trans), 59% for ν(e) and 67% for ν(p) in the case of a standard AIF). In vivo experiments confirm the potential of flip angle optimization to increase the reproducibility of the kinetic parameter estimates.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».