Quantitative magnetization transfer imaging <i>made</i> easy with <i>q</i><scp>MTL</scp><i>ab</i>: Software for data simulation, analysis, and visualization
Notice bibliographique
Résumé
Quantitative magnetization transfer imaging (qMTI) increases specificity to macromolecular content in tissue by modeling the exchange process between the liquid and the macromolecular pool. However, its use has been mostly restricted to researchers that have developed these methods, in part due to the need to write complicated in‐house software for modeling and data analysis. We have developed a software package (qMTLab) with a simple and easy to use graphical user interface that unifies three of the most widely used qMTI methods: MT spoiled gradient echo (MT‐SPGR), MT balanced steady‐state free precession (MT‐bSSFP), and selective inversion recovery with fast spin echo (SIR‐FSE). qMTLab is free open‐source software that allows anyone interested in using these methods to easily simulate qMTI data, compare the performance of the methods under various experimental conditions, define new acquisition protocols, fit acquired data, and visualize the fitted parameters maps. By providing free software that gives end users a simple and easy to use graphical interface, we hope to make qMTI accessible to a greater number of investigators and facilitate the development, evaluation, and optimization of acquisition protocols and models. © 2016 Wiley Periodicals, Inc. Concepts Magn Reson Part A, 2016.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,100 | 0,038 |
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 ».