Signal‐to‐noise optimization for sodium MRI of the human knee at 4.7 Tesla using steady state
Notice bibliographique
Résumé
Sodium magnetic resonance imaging of knee cartilage is a possible diagnostic method for osteoarthritis, but low signal-to-noise ratio yields low spatial resolution images and long scan times. For a given scan time, a steady-state approach with reduced repetition time and increased averaging may improve signal-to-noise ratio and hence attainable resolution. However, repetition time reduction results in increased power deposition, which must be offset with increased radiofrequency pulse length and/or reduced flip angle to maintain an acceptable specific absorption rate. Simulations varying flip angle, repetition time, and radiofrequency pulse length were performed for constant power deposition corresponding to ∼6 W/kg over the human knee at 4.7 T. For 10% agar, simulation closely matched experiment. For healthy human knee cartilage, a 37% increase in signal-to-noise ratio was predicted for steady-state over "fully relaxed" parameters while a 29% ± 4% increase was determined experimentally (n=10). Partial volume of cartilage with synovial fluid, inaccurate relaxation parameters used in simulation, and/or quadrupolar splitting may be responsible for this disagreement. Excellent quality sodium images of the human knee were produced in 9 mins at 4.7 T using the signal-to-noise ratio enhancing steady-state technique.
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) | 0,000 | 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) | 0,001 | 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 ».