High‐resolution dynamic CE‐MRA of the thorax enabled by iterative TWIST reconstruction
Notice bibliographique
Résumé
PURPOSE: To evaluate the clinical benefit of using a new iterative reconstruction technique fully integrated on a standard clinical scanner and reconstruction system using a TWIST acquisition for high-resolution dynamic three-dimensional contrast-enhanced MR angiography (CE-MRA). METHODS: Low-dose, high-resolution TWIST datasets of 11 patients were reconstructed using both standard GRAPPA-based reconstruction for reference and iterative reconstruction, which reduces the temporal footprint of reconstructed images. Image quality of both techniques was assessed by two experienced readers, as well as quantitatively evaluated using a time-signal curve analysis. RESULTS: Image quality scores consistently and significantly improved by using iterative reconstruction compared with the standard approach. Most notably, the delineation of small to mid-size vasculature improved from a mean Likert score between "nondiagnostic" and "poor" for standard to between "good" and "excellent" for iterative reconstruction. The full width at half maximum of the contrast agent bolus computed from the time-signal curve was also reduced by iterative reconstruction, allowing for more precise bolus timing. CONCLUSION: Iterative reconstruction can substantially improve high-resolution dynamic CE-MRA image quality, most notably in small to mid-size vasculature. Dynamic CE-MRA with iterative reconstruction could become an alternative to conventional static 3D CE-MRA, thus simplifying the clinical workflow. Magn Reson Med 77:833-840, 2017. © 2016 International Society for Magnetic Resonance in Medicine.
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 | 0,001 |
| 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 ».