Improving Detection of Multiple Sclerosis Lesions in the Posterior Fossa Using an Optimized 3D-FLAIR Sequence at 3T
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: There is no consensus regarding the best MR imaging sequence for detecting MS lesions. The aim of our study was to assess the diagnostic value of optimized 3D-FLAIR in the detection of infratentorial MS lesions compared with an axial T2-weighted imaging, a 3D-FLAIR with factory settings, and a 3D double inversion recovery sequence. MATERIALS AND METHODS: In this prospective study, 27 patients with confirmed MS were included. Two radiologists blinded to clinical data independently read the following sequences: axial T2WI, 3D double inversion recovery, standard 3D-FLAIR with factory settings, and optimized 3D-FLAIR. The main judgment criterion was the overall number of high-signal-intensity lesions in the posterior fossa; secondary objectives were the assessment of the reading confidence and the measurement of the contrast. A nonparametric Wilcoxon test was used to compare the MR images. RESULTS: values of .04, .03, and .03) with the T2WI, the double inversion recovery, and the standard FLAIR, respectively. The reading confidence index was significantly higher with the optimized FLAIR, and the contrast was significantly higher with the optimized FLAIR than with the standard FLAIR and the double inversion recovery. CONCLUSIONS: An optimized 3D-FLAIR sequence improved posterior fossa lesion detection in patients with MS.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 0,000 |
| 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 ».