Characterizing healthy and diseased white matter using quantitative magnetization transfer and multicomponent <i>T</i><sub>2</sub> relaxometry: A unified view via a four‐pool model
Notice bibliographique
Résumé
Nuclear magnetic resonance relaxation and magnetization transfer in cerebral white matter can be described using a four-pool model: two for water protons (in separate myelin and intra/extracellular compartments) and two for protons associated with the lipids and proteins of biologic membranes (of myelin and nonmyelin semisolids). This model was used to gain insight into the observations from multicomponent quantitative T(2) relaxometry and quantitative magnetization transfer imaging, both based on simplified white matter models and experimentally feasible in vivo. Using a set of coupled Bloch equations describing the behavior of the magnetization in a four-pool model of white matter, simulations of the quantitative T(2) relaxometry and quantitative magnetization transfer imaging techniques were performed. Pathology-inspired modifications were made to the four-pool model to gauge their impact on quantitative T(2) relaxometry and quantitative magnetization transfer imaging observations. Our results show that changes in the rate of water movement between microanatomic compartments may impact otherwise stable quantitative T(2) relaxometry observations; that the measure of the quantitative magnetization transfer imaging-based semisolid pool population is robust, despite the presence of two distinct semisolid components; and that quantitative magnetization transfer imaging compartment size estimates are not influenced by changes in the T(2) of the intra/extracellular water pool. The four-pool model, while impractical for in vivo characterization, yields important insight into the interpretation of changes observed with these quantitative MRI methods based on simplified models of white matter.
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 | 0,000 |
| 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) | 0,000 | 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 ».