On the value of QSM from MPRAGE for segmenting and quantifying iron‐rich deep gray matter
Notice bibliographique
Résumé
Purpose Quantitative susceptibility mapping (QSM) has been employed for both iron evaluation and segmentation of deep gray matter (DGM), but QSM sequences are not typically used in standard brain volumetric studies, which use T1‐weighted magnetization‐prepared rapid acquisition with gradient echo (MPRAGE) with short TE. Here, QSM produced directly from standard MPRAGE phase ( ) is evaluated for segmentation and quantification of highly iron‐rich DGM regions. Methods Simulations were used to explore quality and possible limitations. In addition, QSM from a standard multi‐echo gradient‐echo ( ) was compared to in 40 healthy adults at 3T. DGM structures with weak contrast on MPRAGE magnitude were evaluated for improving segmentation with , with focus on the iron‐rich globus pallidus (GP). Furthermore, susceptibility quantification was assessed on six DGM nuclei and compared to standard . Results Limited by TE and signal‐to‐noise ratio, only iron‐rich regions like GP and dentate nucleus produced adequate contrast on , confining applications to such regions. improved GP segmentation with mean Dice scores raised by 9.0%, and mean volumetric differences reduced by 9.7%. Simulations suggested that phase contrast‐to‐noise ratio (CNR) should be above 3.0 to attain segmentation improvement. For quantification purposes, higher CNR is required, and typical provided comparable estimates to in large iron‐rich DGM nuclei. Conclusion Despite the short TE of standard MPRAGE, can improve GP segmentation over the use of MPRAGE magnitude alone and roughly quantify high‐iron regions in DGM. Thus, reconstructing can be a useful addition to volumetric studies that rarely include standard .
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 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 ».