MétaCan
Menu
Retour à la cohorte
Enregistrement W2982231452 · doi:10.1002/mrm.28010

An orthogonal shim coil for 3T brain imaging

2019· article· en· W2982231452 sur OpenAlexaff
Jiazheng Zhou, Jason Stockmann, Nicolas Arango, Thomas Witzel, Klaus Scheffler, Lawrence L. Wald, Fa‐Hsuan Lin

Notice bibliographique

RevueMagnetic Resonance in Medicine · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueAdvanced MRI Techniques and Applications
Établissements canadiensUniversity of TorontoSunnybrook Health Science Centre
Organismes subventionnairesNational Institutes of HealthNational Institute of Biomedical Imaging and BioengineeringDeutsche Forschungsgemeinschaft
Mots-clésShim (computing)Electromagnetic coilPerpendicularHomogeneity (statistics)Materials scienceMagnetic fieldAcousticsNuclear magnetic resonanceOpticsPhysicsComputer scienceMathematicsGeometryMedicine

Résumé

récupéré en direct d'OpenAlex

PURPOSE: We designed and implemented an orthogonal shim array consisting of shim coils with their planes perpendicular to the planes of neighboring RF coils. This shim coil improves the magnetic field homogeneity by minimizing the interference to RF coils. METHODS: Using realistic off-resonance maps of the human brain, we first evaluated the performance of shim coils in different orientations. Based on simulations, we developed a 7-channel orthogonal shim array, whose coil plan was perpendicular to neighboring RF coils, at the forehead. A programmable open-source current driver supplied shim currents. RESULTS: The 7-channel orthogonal shim array caused only marginal SNR loss to the integrated 32-channel RF-shim array. The 7-channel orthogonal shim array itself improved the magnetic field homogeneity by 30% in slice-optimized shimming, comparable to the baseline shimming offered by the scanner's 2nd order spherical harmonic shimming. CONCLUSION: Orthogonal shim coils can improve the field homogeneity while maintaining high image SNR.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,350
Écart entre enseignants0,335 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations15
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMagnetic Resonance in MedicineMême sujetAdvanced MRI Techniques and ApplicationsTravaux en français237 207