Gradient nonlinearity effects on upper cervical spinal cord area measurement from 3D T<sub>1</sub>‐weighted brain MRI acquisitions
Notice bibliographique
Résumé
Purpose To explore (i) the variability of upper cervical cord area (UCCA) measurements from volumetric brain 3D T 1 ‐weighted scans related to gradient nonlinearity (GNL) and subject positioning; (ii) the effect of vendor‐implemented GNL corrections; and (iii) easily applicable methods that can be used to retrospectively correct data. Methods A multiple sclerosis patient was scanned at seven sites using 3T MRI scanners with the same 3D T 1 ‐weighted protocol without GNL‐distortion correction. Two healthy subjects and a phantom were additionally scanned at a single site with varying table positions. The 2D and 3D vendor‐implemented GNL‐correction algorithms and retrospective methods based on (i) phantom data fit, (ii) normalization with C2 vertebral body diameters, and (iii) the Jacobian determinant of nonlinear registrations to a template were tested. Results Depending on the positioning of the subject, GNL introduced up to 15% variability in UCCA measurements from volumetric brain T 1 ‐weighted scans when no distortion corrections were used. The 3D vendor‐implemented correction methods and the three proposed methods reduced this variability to less than 3%. Conclusions Our results raise awareness of the significant impact that GNL can have on quantitative UCCA studies, and point the way to prospectively and retrospectively managing GNL distortions in a variety of settings, including clinical environments. Magn Reson Med 79:1595–1601, 2018. © 2017 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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».