Magnetic Resonance Fingerprinting with Combined Gradient- and Spin-echo Echo-planar Imaging: Simultaneous Estimation of T1, T2 and T2* with integrated-B1 Correction
Notice bibliographique
Résumé
Abstract Purpose To introduce a novel magnetic-resonance fingerprinting (MRF) framework with single-shot echo-planar imaging (EPI) readout to simultaneously estimate tissue T2, T1 and T2*, and integrate B1 correction. Methods Spin-echo EPI is combined with gradient-echo EPI to achieve T2 estimation as well as T1 and T2* quantification. In the dictionary matching step, the GE-EPI data segment provides estimates of tissue T1 and T2* with additional B1 information, which are then incorporated into the T2-matching step that uses the SE-EPI data segment. In this way, biases in T2 and T2* estimates do not affect each other. Results An excellent correspondence was found between our T1, T2, and T2* estimates and results obtained from standard approaches in both phantom and human scans. In the phantom scan, a linear relationship with R 2 >0.96 was found for all parameter estimates. The maximum error in the T2 estimate was found to be below 6%. In the in-vivo scan, similar contrast was noted between MRF and standard approaches, and values found in a small region of interest (ROI) located in the grey matter (GM) were in line with previous measurements (T2 MRF =88±7ms vs T2 Ref =89±11ms, T1 MRF =1153±154ms vs T1 Ref =1122±52ms, T2* MRF =56±4ms vs T2* Ref =53±3ms). Conclusion Adding a spin echo data segment to EPI based MRF allows accurate and robust measurements of T2, T1 and T2* relaxation times. This MRF framework is easier to implement than spiral-based MRF. It doesn’t suffer from undersampling artifacts and seems to require a smaller dictionary size that can fasten the reconstruction process.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».