A Validation Study of Multicenter Diffusion Tensor Imaging: Reliability of Fractional Anisotropy and Diffusivity Values
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: DTI is increasingly being used as a measure to study tissue damage in several neurologic diseases. Our aim was to investigate the comparability of DTI measures between different MR imaging magnets and platforms. MATERIALS AND METHODS: Two healthy volunteers underwent DTI on five 3T MR imaging scanners (3 Trios and 2 Signas) by using a matched 33 noncollinear diffusion-direction pulse sequence. Within each subject, a total of 16 white matter (corpus callosum, periventricular, and deep white matter) and gray matter (cortical and deep gray) ROIs were drawn on a single image set and then were coregistered to the other images. Mean FA, ADC, and longitudinal and transverse diffusivities were calculated within each ROI. Concordance correlations were derived by comparing ROI DTI values among each of the 5 magnets. RESULTS: Mean concordance for FA was 0.96; for both longitudinal and transverse diffusivities, it was 0.93; and for ADC, it was 0.88. Mean scan-rescan concordance was 0.96-0.97 for all DTI measures. Concordance correlations within platforms were, in general, better than those between platforms for all DTI measures (mean concordance of 0.96). CONCLUSIONS: We found that a 3T magnet and high-angular-resolution pulse sequence yielded comparable DTI measurements across different MR imaging magnets and platforms. Our results indicate that FA is the most comparable measure across magnets, followed by individual diffusivities. The comparability of DTI measures between different magnets supports the feasibility of multicentered clinical trials by using DTI as an outcome measure.
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 ».