Assessing White Matter Microstructure in Brain Regions with Different Myelin Architecture Using MRI
Notice bibliographique
Résumé
OBJECTIVE: We investigate how known differences in myelin architecture between regions along the cortico-spinal tract and frontal white matter (WM) in 19 healthy adolescents are reflected in several quantitative MRI parameters that have been proposed to non-invasively probe WM microstructure. In a clinically feasible scan time, both conventional imaging sequences as well as microstructural MRI parameters were assessed in order to quantitatively characterise WM regions that are known to differ in the thickness of their myelin sheaths, and in the presence of crossing or parallel fibre organisation. RESULTS: We found that diffusion imaging, MR spectroscopy (MRS), myelin water fraction (MWF), Magnetization Transfer Imaging, and Quantitative Susceptibility Mapping were myelin-sensitive in different ways, giving complementary information for characterising WM microstructure with different underlying fibre architecture. From the diffusion parameters, neurite density (NODDI) was found to be more sensitive than fractional anisotropy (FA), underlining the limitation of FA in WM crossing fibre regions. In terms of sensitivity to different myelin content, we found that MWF, the mean diffusivity and chemical-shift imaging based MRS yielded the best discrimination between areas. CONCLUSION: Multimodal assessment of WM microstructure was possible within clinically feasible scan times using a broad combination of quantitative microstructural MRI sequences. By assessing new microstructural WM parameters we were able to provide normative data and discuss their interpretation in regions with different myelin architecture, as well as their possible application as biomarker for WM disorders.
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 ».