Spin‐history artifact during functional MRI: Potential for adaptive correction
Notice bibliographique
Résumé
PURPOSE: Functional magnetic resonance imaging (fMRI) is limited by sensitivity to millimetre-scale head motion. Adaptive correction is a strategy to adjust the imaging plane in response to measured head motion, thereby suppressing motion artifacts. This strategy should correct for motion in all six degrees of freedom and also holds promise for through-plane motion that creates "spin-history" artifact that cannot easily be removed by postprocessing methods. Improved quantitative understanding of the MRI signal behavior associated with spin-history artifact would be useful for implementing adaptive correction robustly. METHODS: A numerical simulation was developed to predict MRI artifact signal amplitude in a single-slice for simple motions, implemented with and without adaptive correction, and compared with experiment by imaging a phantom at 3.0 T. Functional MRI was also performed of a human volunteer to illustrate adaptive correction in the presence of spin-history artifact. RESULTS: Good agreement was achieved between simulation and experimental results. Although time-averaged artifact signal amplitude was observed to correlate linearly with motion speed, artifact time-courses were nonlinearly related to motion waveforms. In addition, experimental results demonstrated effective adaptive correction of spin-history artifact when the phantom underwent complex motions. Adaptive correction during human fMRI suppressed spin-history artifacts and spurious activations associated with task-correlated motion. CONCLUSIONS: Overall, this work suggests that adaptive correction, especially when implemented with minimal lag between motion measurement and scan plane update, may help to expand the populations for which fMRI can be performed robustly.
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 | 0,000 |
| 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 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 ».