Diffusion-weighted MR Imaging of the Pancreas: Current Status and Recommendations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Advances in image quality over the past few years, mainly due to refinements in hardware and coil systems, have made diffusion-weighted ( DW diffusion weighted ) magnetic resonance (MR) imaging a promising technique for the detection and characterization of pancreatic conditions. DW diffusion weighted MR imaging can be routinely implemented in clinical protocols, as it can be performed relatively quickly, does not require administration of gadolinium-based contrast agents, and enables qualitative and quantitative assessment of tissue diffusivity (diffusion coefficients). In this review, acquisition parameters, postprocessing, and quantification methods applied to pancreatic DW diffusion weighted MR imaging will be discussed. The current common clinical uses of DW diffusion weighted MR imaging (ie, pancreatic lesion detection and characterization) and the less-common applications of DW diffusion weighted MR imaging used for the diagnosis of pancreatic parenchymal diseases will be reviewed. Also, the limitations of the technique, mainly image quality and reproducibility of diffusion parameters, as well as future directions for pancreatic DW diffusion weighted MR imaging will be discussed. The utility of apparent diffusion coefficient ( ADC apparent diffusion coefficient ) measurement for the characterization of pancreatic lesions is now well accepted but there are a number of limitations. Future well-designed, multicenter studies are needed to better determine the most appropriate use of ADC apparent diffusion coefficient in the area of pancreatic disease.
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.
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) | 0,002 | 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 découle