Use of multi-flip angle measurements to account for transmit inhomogeneity and non-Gaussian diffusion in DW-SSFP
Notice bibliographique
Résumé
Abstract Diffusion-weighted steady-state free precession (DW-SSFP) is an SNR-efficient diffusion imaging method. The improved SNR and resolution available at ultra-high field has motivated its use at 7T. However, these data tend to have severe B 1 inhomogeneity, leading not only to spatially varying SNR, but also to spatially varying diffusivity estimates, confounding comparisons both between and within datasets. This study proposes the acquisition of DW-SSFP data at two-flip angles in combination with explicit modelling of non-Gaussian diffusion to address B 1 inhomogeneity at 7T. DW-SSFP datasets were acquired from five fixed whole human post-mortem brains with a pair of flip angles that jointly optimize the diffusion contrast-to-noise across the brain. We compared one and two flip-angle DW-SSFP data using a diffusion tensor model that incorporates the full DW-SSFP Buxton signal model. The two-flip angle data were subsequently fitted using a modified DW-SSFP signal model that incorporates a Gamma distribution of diffusivities. This allowed us to generate tensor maps at a single, SNR-optimal effective b-value yielding more consistent SNR across tissue, in addition to eliminating the B 1 dependence on diffusion coefficients and orientation maps. Our proposed approach will allow the use of DW-SSFP at 7T to derive diffusivity estimates that have greater interpretability, both within a single dataset and between experiments. Highlights B 1 inhomogeneity at 7T leads to spatially varying SNR & ADC estimates in DW-SSFP 2-flip angle DW-SSFP data can address B 1 effects in a cohort of post-mortem brains Our approach reduces degradations in PDD estimates & improves whole brain coverage Our approach provides a means to define ADCs at an SNR-optimal effective b-value
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».