Field inhomogeneity correction for gradient echo myelin water fraction imaging
Notice bibliographique
Résumé
Purpose Recently, the multi‐echo gradient echo (MGRE) sequence has been proposed for multicomponent (MC ) based myelin water fraction (MWF) mapping. This approach has appeal because it can provide fast whole‐brain coverage, has low specific absorption rate, and short echo spacing. However, the MGRE signal requires correction for accurate MWF mapping, because of its sensitivity to magnetic field inhomogeneities (ΔB0). We propose a ΔB0 correction method for 2D MGRE data obtained for MWF mapping. Theory and Methods Latter‐echo MGRE data were fit to estimate B0 gradients in the slice‐select direction ( ). The decay signal was corrected for the effects of , and MC analysis was performed using nonnegative least‐squares fitting. The method was evaluated using simulations and its performance demonstrated in healthy volunteers. Results Simulations showed that MWFs are significantly biased in the presence of and that our correction method leads to accurate MWF estimates. In vivo MWF maps obtained from corrected data showed recovery of MWF estimates in areas of high ΔB0, and overall good agreement with literature values obtained with the reference MC ‐based method. Conclusion A new algorithm was presented for ΔB0 correction of 2D MGRE echo data acquired for MWF imaging. Simulations and in vivo data showed an improvement in MWF estimates. Magn Reson Med 78:49–57, 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 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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».