Microstructural characterization and validation of a 3D printed axon-mimetic phantom for diffusion MRI
Notice bibliographique
Résumé
Abstract Purpose To introduce and characterize inexpensive and easily produced 3D-printed axon-mimetic (3AM) diffusion MRI (dMRI) phantoms in terms of pore geometry and diffusion kurtosis imaging (DKI) metrics. Methods Phantoms were 3D-printed with a composite printing material that, after dissolution of the PVA, exhibits microscopic fibrous pores. Confocal microscopy and synchrotron phase contrast micro-CT imaging were performed to visualize and assess the pore sizes. dMRI scans of four identical phantoms and phantoms with varying print parameters in water were performed at 9.4T. DKI was fit to both datasets and used to assess the reproducibility between phantoms and effects of print parameters on DKI metrics. Identical scans were performed 25 and 76 days later to test their stability. Results Segmentation of pores in three microscopy images yielded a mean, median, and standard deviation of equivalent pore diameters of 7.57 μm, 3.51 μm, and 12.13 μm, respectively. Phantoms with identical parameters showed a low coefficient of variation (∼10%) in DKI metrics (D=1.38 ×10 −3 mm 2 /s and K=0.52, T1= 3960 ms and T2=119 ms). Printing temperature and speed had a small effect on DKI metrics (<16%) while infill density had a larger and more variable effect (>16%). The stability analysis showed small changes over 2.5 months (<7%). Conclusion 3AM phantoms can mimic the fibrous structure of axon bundles on a microscopic scale, serving as complex, anisotropic dMRI phantoms.
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 | 0,002 |
| 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 | 0,001 | 0,000 |
| 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 ».