Subject movement during multislice interleaved MR acquisitions: Prevalence and potential effect on MRI‐derived brain pathology measurements and multicenter clinical trials of therapeutics for multiple sclerosis
Notice bibliographique
Résumé
PURPOSE: To show the prevalence of inter-packet motion in clinical trial magnetic resonance imaging (MRI) data and the effect of inter-packet motion on MRI-derived brain pathology measurements. MATERIALS AND METHODS: We present a method to detect and quantify inter-packet motion, apply it to 2384 MRIs to determine the prevalence of inter-packet motion in clinical trial data, and show the effect of inter-packet motion on measuring multiple sclerosis (MS) lesion volumes. RESULTS: Experiments with simulated data showed that the detection procedure was accurate at measuring the amount of movement between packets and quantifying the amount of missing data. Application to clinical trial data demonstrated that a large number of MRIs had missing data due to inter-packet motion; 20% of the images had greater than 10% of the data missing and 10% of the images had greater than 15% of the data missing. These levels corresponded to thresholds where lesions were difficult to visually identify or disappeared completely. Lesion volume measurement errors ranged from 1.3 ± 0.5% to 9.9 ± 6.3%. CONCLUSION: Inter-packet motion can introduce substantial errors to MRI-derived brain pathology measurements. The prevalence of inter-packet motion is substantial in MS clinical trial data. Automated detection procedures should be implemented to increase the fidelity of MRI-derived measurements.
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 | 0,046 | 0,164 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».