High-resolution diffusion kurtosis imaging at 3T enabled by advanced post-processing
Notice bibliographique
Résumé
Diffusion Kurtosis Imaging (DKI) is more sensitive to microstructural differences and can be related to more specific micro-scale metrics (e.g., intra-axonal volume fraction) than diffusion tensor imaging (DTI), offering exceptional potential for clinical diagnosis and research into the white and gray matter. Currently DKI is acquired only at low spatial resolution (2-3 mm isotropic), because of the lower signal-to-noise ratio (SNR) and higher artifact level associated with the technically more demanding DKI. Higher spatial resolution of about 1 mm is required for the characterization of fine white matter pathways or cortical microstructure. We used restricted-field-of-view (rFoV) imaging in combination with advanced post-processing methods to enable unprecedented high-quality, high-resolution DKI (1.2 mm isotropic) on a clinical 3T scanner. Post-processing was advanced by developing a novel method for Retrospective Eddy current and Motion ArtifacT Correction in High-resolution, multi-shell diffusion data (REMATCH). Furthermore, we applied a powerful edge preserving denoising method, denoted as multi-shell orientation-position-adaptive smoothing (msPOAS). We demonstrated the feasibility of high-quality, high-resolution DKI and its potential for delineating highly myelinated fiber pathways in the motor cortex. REMATCH performs robustly even at the low SNR level of high-resolution DKI, where standard EC and motion correction failed (i.e., produced incorrectly aligned images) and thus biased the diffusion model fit. We showed that the combination of REMATCH and msPOAS increased the contrast between gray and white matter in mean kurtosis (MK) maps by about 35% and at the same time preserves the original distribution of MK values, whereas standard Gaussian smoothing strongly biases the distribution.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».