Characterization of T<sub>1</sub> bias in skeletal muscle from fat in MOLLI and SASHA pulse sequences: Quantitative fat‐fraction imaging with T<sub>1</sub> mapping
Notice bibliographique
Résumé
Purpose To characterize the effects of fat on commonly used T1 mapping sequences and evaluate a new method of quantitative fat fraction (FF) imaging for low fractions based on the modulation of T1 values by the fat pool. Methods Bloch equation simulations and phantom and in vivo (skeletal muscle) experiments were used to characterize the response of the modified Look–Locker inversion recovery (MOLLI) and saturation recovery single‐shot acquisition (SASHA) T1 mapping sequences to fat–water systems with known FFs (0%–10%) at 1.5T. FFs were measured with single voxel spectroscopy and Dixon imaging methods. A new T1‐based FF imaging method was evaluated using Monte Carlo simulations and phantom and in vivo experiments. Results SASHA and MOLLI had similar T1 dependence on FF, with characteristic under‐ or overestimation of T1 values as a function of off‐resonance frequency (30–70 ms variation in native T1 per 1% FF). FF maps generated from the SASHA method yielded a low variability of ±0.25% for a signal‐to‐noise ratio of 150:1 in the nonsaturation image, with good agreement with spectroscopy and a performance that is superior to that of Dixon methods at low FFs. Conclusion Fat results in negative or positive shifts in native tissue T1 measured with MOLLI and SASHA over a narrow range of off‐resonance frequencies; T1 shifts from fat can be used to accurately quantify FF. Magn Reson Med 77:237–249, 2017. © 2016 Wiley Periodicals, Inc.
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 | 0,002 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».