Intrasession and Intersession Repeatability of Diffusion Tensor Imaging in Healthy Human Liver
Notice bibliographique
Résumé
OBJECTIVE: The aim of this study was to evaluate the effect of signal to noise ratio (SNR) and number of gradient directions (NGD) on intra- and intersession repeatability of liver diffusion tensor imaging (DTI) metrics. METHODS: At each of 3 liver DTI scan sessions, liver diffusion was assessed in 5 healthy volunteers using a 6-direction DTI scan performed 9 separate times (ie, number of signal averages [NSA]). In addition, 4 combinations of NSA and NGD were acquired (NSA/NGD = 1/30, 3/10, 3/12, and 5/6) to determine the combined effect to DTI metrics, which was based on intersubject variability and intrasession (Vintra) and intersession (Vinter) repeatability. RESULTS: Intersubject variability was less than 20%, whereas Vintra and Vinter repeatability were less than 5% and less than 10%, respectfully. Vinter was not affected by the NGD used. Decreases in Vinter(FA), Vinter(λ1), Vinter(RD), and Vinter(MD) were observed with increasing NSA, and hence SNR. CONCLUSION: Increased SNR may improve intrasession and intersession repeatability of liver DTI metrics. Scan repeatability was not influenced by NGD.
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 | 0,004 | 0,012 |
| 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) | 0,001 | 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 ».