Susceptibility mapping of air, bone, and calcium in the head
Notice bibliographique
Résumé
PURPOSE: To demonstrate the mapping of structures with high susceptibility values, such as the sinuses, bones and teeth, using short echo times. METHODS: Four in vivo datasets were collected with a gradient-echo sequence (TE1 = 2.5 ms, TE2 = 5 ms and TE3 = 7.5 ms). Complex division was performed to remove the phase offset term and generate the phase at TE = 2.5 ms. Susceptibility maps were generated from unwrapped phase images, using a geometry-constrained iterative algorithm, by preserving phase information in the extracerebral tissues. The susceptibility results were improved by updating the missing phase information inside structures with no signal using the predicted phase at each iteration step. Simulated phase images of a three-dimensional brain model and tooth phantom were used to validate the proposed method. RESULTS: Improved susceptibility maps were obtained once the phase information in the extracerebral tissue region was incorporated, for both the model and in vivo data. For in vivo data, the average susceptibilities of air (sphenoid sinus), bone and calcium (teeth) were found to be (in ppm): Δχ(sinus-tissue) = +9.2 ± 1.3, Δχ(bone-tissue) = -2.1 ± 0.6 and Δχ(teeth-tissue) = -3.3 ± 1.2, respectively. CONCLUSION: High susceptibility structures with little or no signal can be imaged using quantitative susceptibility mapping and can be used to improve background field removal.
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 | 0,001 | 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) | 0,000 | 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 ».