Multi‐gradient‐echo myelin water fraction imaging: Comparison to the multi‐echo‐spin‐echo technique
Notice bibliographique
Résumé
Purpose Myelin water fraction (MWF) mapping based on multi‐gradient recalled‐echo (MGRE) imaging has been proposed as an alternative to the conventional multi‐echo‐spin‐echo (MESE) approach. In this work, we performed a comparative study of MESE and MGRE‐derived MWFs in the same subject group. Methods MESE and MGRE data were acquired in 12 healthy volunteers at 3T. decay curves were corrected for the effects of field inhomogeneities and multicomponent analysis of and signals was performed using non‐negative least‐squares fitting. Results When comparing MGRE and MESE‐MWFs across volunteers, no significant differences were observed between average values in WM, deep GM (dGM), and cortical GM (cGM) that were (14 ± 3%), (6 ± 2%), and (8 ± 2%) for MGRE, and (13 ± 2%), (6 ± 1%), and (7 ± 1%), respectively, for MESE. The MGRE and MESE‐MWFs showed a strong correlation (r 2 = 0.84) and Bland‐Altman analysis revealed a small positive bias of (0.8 ± 1.6%) (absolute difference) for the MGRE‐MWF. Conclusion Overall, we observed excellent agreement between the two techniques. The small positive bias of the MGRE‐MWF is thought to be a consequence of its potentially reduced sensitivity to water exchange effects, compared to the MESE‐MWF. This work suggests that with careful correction for the effects of field inhomogeneities, MGRE‐MWF imaging is a promising alternative to the MESE approach. Magn Reson Med 79:1439–1446, 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 | 0,001 | 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 | 0,001 | 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 ».