Evaluating High Spatial Resolution Diffusion Kurtosis Imaging at <scp>3T</scp> : Reproducibility and Quality of Fit
Notice bibliographique
Résumé
BACKGROUND: Diffusion kurtosis imaging (DKI) quantifies the non-Gaussian diffusion of water within tissue microstructure. However, it has increased fitting parameters and requires higher b-values. Evaluation of DKI reproducibility is important for clinical purposes. PURPOSE: To assess the reproducibility in whole-brain high-resolution DKI at varying b-values. STUDY TYPE: Retrospective. SUBJECTS AND PHANTOMS: In all, 44 individuals from the test-retest Human Connectome Project (HCP) database and 12 3D-printed phantoms. FIELD STRENGTH/SEQUENCE: Diffusion-weighted multiband echo-planar imaging sequence at 3T and 9.4T. magnetization-prepared rapid acquisition gradient echo at 3T for in vivo structural data only. ASSESSMENT: (dataset C) were extracted. Estimated DKI metrics from each dataset were used for evaluating reproducibility and fitting quality in white matter (WM) and gray matter (GM) based on whole-brain and regions of interest (ROIs). STATISTICAL TESTS: DKI reproducibility was assessed using the within-subject coefficient of variation (CoV), fitting residuals to evaluate DKI fitting accuracy and Pearson's correlation to investigate the presence of systematic biases. Repeated measures analysis of variance was used for statistical comparison. RESULTS: Datasets A and B exhibited lower DKI CoVs (<20%) compared to C (<50%) in both WM and GM ROIs (all P < 0.05). This effect varies between DKI and DTI parameters (P < 0.005). Whole-brain fitting residuals were consistent across datasets (P > 0.05), but lower residuals in dataset B were detected for the WM ROIs (P < 0.001). A similar trend was observed for the phantom data CoVs (<7.5%) at varying fiber orientations for datasets A and B. Finally, dataset C was characterized by higher residuals across the different fiber crossings (P < 0.05). DATA CONCLUSION: The study demonstrates that high reproducibility can still be achieved within a reasonable scan time, specifically dataset B, supporting the potential of DKI for aiding clinical tools in detecting microstructural changes.
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 | 0,011 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».