Frequency and phase correction for multiplexed edited MRS of GABA and glutathione
Notice bibliographique
Résumé
PURPOSE: Detection of endogenous metabolites using multiplexed editing substantially improves the efficiency of edited magnetic resonance spectroscopy. Multiplexed editing (i.e., performing more than one edited experiment in a single acquisition) requires a tailored, robust approach for correction of frequency and phase offsets. Here, a novel method for frequency and phase correction (FPC) based on spectral registration is presented and compared against previously presented approaches. METHODS: One simulated dataset and 40 γ-aminobutyric acid-/glutathione-edited HERMES datasets acquired in vivo at three imaging centers were used to test four FPC approaches: no correction; spectral registration; spectral registration with post hoc choline-creatine alignment; and multistep FPC. The performance of each routine for the simulated dataset was assessed by comparing the estimated frequency/phase offsets against the known values, whereas the performance for the in vivo data was assessed quantitatively by calculation of an alignment quality metric based on choline subtraction artifacts. RESULTS: The multistep FPC approach returned corrections that were closest to the true values for the simulated dataset. Alignment quality scores were on average worst for no correction, and best for multistep FPC in both the γ-aminobutyric acid- and glutathione-edited spectra in the in vivo data. CONCLUSIONS: Multistep FPC results in improved correction of frequency/phase errors in multiplexed γ-aminobutyric acid-/glutathione-edited magnetic resonance spectroscopy experiments. The optimal FPC strategy is experiment-specific, and may even be dataset-specific. Magn Reson Med 80:21-28, 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) | 0,000 | 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 ».