Contrast Optimization for an Animal Model of Prostate Cancer MRI at 3T
Notice bibliographique
Résumé
Purpose: To optimize contrast to noise ratio (CNR) in magnetic resonance imaging (MRI) of prostate cancer using at 3T. Methods: CNR was expressed as a difference in MR signals of two samples. Amulti-echo spin-echo (MESE) pulse sequence was used. The theoretical value of the maximum CNR was obtained using the derivative of CNR with echo time (TE) as a variable. The T1 relaxation time was ignored as repetition time (TR) was assumed to be very long (TR >> T1). The theoretical calculations were confirmed with in vitro and in vivo experiments. For in vitro experiments we used samples with different T2 values using various concentrations of super paramagnetic iron oxide (SPIO) and for in vivo experiments we used an animal model of prostate cancer. Results: CNR was maximized by selecting the optimum TE for a multi-echo spin-echo (MESE) pulse sequence based on theoretical predictions. MR images of prostate cancer at 3T were obtained and showed maximum CNR at the predicted TE. Conclusions: It was possible to maximize CNR of prostate tumour by selecting the optimal TE based on simple theoretical calculations. The proposed method can be applied to other pulse sequences and tissues. It can be applied to any MRI system at any magnetic field. However the method requires knowledge of T2 relaxation times.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| 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 ».