Myelin water imaging data analysis in less than one minute
Notice bibliographique
Résumé
Based on a deep learning neural network (NN) algorithm, a super fast and easy to implement data analysis method was proposed for myelin water imaging (MWI) to calculate the myelin water fraction (MWF). A NN was constructed and trained on MWI data acquired by a 32-echo 3D gradient and spin echo (GRASE) sequence. Ground truth labels were created by regularized non-negative least squares (NNLS) with stimulated echo corrections. Voxel-wise GRASE data from 5 brains (4 healthy, 1 multiple sclerosis (MS)) were used for NN training. The trained NN was tested on 2 healthy brains, 1 MS brain with segmented lesions, 1 healthy spinal cord, and 1 healthy brain acquired from a different scanner. Production of whole brain MWF maps in approximately 33 s can be achieved by a trained NN without graphics card acceleration. For all testing regions, no visual differences between NN and NNLS MWF maps were observed, and no obvious regional biases were found. Quantitatively, all voxels exhibited excellent agreement between NN and NNLS (all R2>0.98, p < 0.001, mean absolute error <0.01). The time for accurate MWF calculation can be dramatically reduced to less than 1 min by the proposed NN, addressing one of the barriers facing future clinical feasibility of MWI.
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 | 0,000 |
| 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 ».