FLAIR<sup>2</sup>: A Combination of FLAIR and T2 for Improved MS Lesion Detection
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: FLAIR and double inversion recovery are important MR imaging scans for MS. The suppression of signal from CSF in FLAIR and the additional suppression of WM signal in double inversion recovery improve contrast between lesions, WM and GM, albeit at a reduced SNR. However, whether the acquisition of double inversion recovery is necessary is still debated. Here, we present an approach that allows obtaining CSF-suppressed images with improved contrast between lesions, WM and GM without strongly penalizing SNR. MATERIALS AND METHODS: 3D T2-weighted and 3D-FLAIR data acquired from September 2014 to April 2015 in healthy volunteers (23.4 ± 2.4 years of age; female/male ratio, 3:2) and patients (44.1 ± 14.0 years of age; female/male ratio, 4:5) with MS were coregistered and multiplied (FLAIR(2)). SNR and contrast-to-noise measurements were performed for focal lesions and GM and WM. Furthermore, data from 24 subjects with relapsing-remitting and progressive MS were analyzed retrospectively (52.7 ± 8.1 years of age; female/male ratio, 14:10). RESULTS: The GM-WM contrast-to-noise ratio was by 133% higher in FLAIR(2) than in FLAIR and improved between lesions and WM by 31%, 93%, and 158% compared with T2, DIR, and FLAIR, respectively. Cortical and juxtacortical lesions were more conspicuous in FLAIR(2). Furthermore, the 3D nature of FLAIR(2) allowed reliable visualization of callosal and infratentorial lesions. CONCLUSIONS: We present a simple approach for obtaining CSF suppression with an improved contrast-to-noise ratio compared with conventional FLAIR and double inversion recovery without the acquisition of additional data. FLAIR(2) can be computed retrospectively if T2 and FLAIR scans are available.
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) | 0,000 | 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 ».