Robust dynamic susceptibility contrast MR perfusion using 4D nonlinear noise filters
Notice bibliographique
Résumé
PURPOSE: To investigate if 4D (simultaneous space and time) nonlinear filtering techniques can produce more robust cerebral blood flow (CBF) estimates by reducing noise in acquired dynamic susceptibility contrast (DSC) MR perfusion data. MATERIALS AND METHODS: A digital anthropomorphic brain perfusion phantom was constructed to analyze filter performance by: 1) deriving anthropomorphic tissue volume fractions from a human subject and 2) simulating DSC-MR perfusion signals for voxels with mixed tissue for various signal-to-noise ratios (SNRs). DSC-MR data for 11 acute ischemic stroke patients were also acquired at 3T. CBF maps cross-calibrated so that normal white matter CBF was 22 mL/minute/100 g were produced from DSC-MR data without filtering and from 4D-Gaussian and 4D-bilateral noise-filtered DSC-MR data. RESULTS: The nonlinear 4D-bilateral filter yielded the lowest CBF root-mean square error (RMSE) in the phantom experiments with noise (average RMSE across all tissues regions for no filtering, 4D-Gaussian, and 4D-bilateral was 5.3 mL/minute/100 g, 6.2 mL/minute/100 g, and 4.0 mL/minute/100 g, respectively) and had the best image quality in both the phantom and patient data. CONCLUSION: Nonlinear 4D noise filters are better suited to the 4D nature of DSC-MR data. Linear spatial filters are not appropriate and can produce larger CBF errors than without filtering.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 ».