MétaCan
Menu
← Retour à la cohorte
Enregistrement W3108455943 · doi:10.1101/2020.11.23.20237099

Rapid Microscopic Fractional Anisotropy Imaging via an Optimized Kurtosis Formulation

2020· preprint· en· W3108455943 sur OpenAlexafffund
Nico J. J. Arezza, Desmond H. Y. Tse, Corey A. Baron

Notice bibliographique

RevuemedRxiv · 2020
Typepreprint
Langueen
DomaineMedicine
ThématiqueAdvanced Neuroimaging Techniques and Applications
Établissements canadiensRobarts Clinical TrialsWestern University
Organismes subventionnairesCanada First Research Excellence FundCanada Research Chairs
Mots-clésFractional anisotropyAnisotropyDiffusion MRIKurtosisIsotropyTensor (intrinsic definition)PhysicsNuclear magnetic resonanceOrientation (vector space)Thermal diffusivityMetric (unit)SIGNAL (programming language)AlgorithmMathematicsBiological systemComputer scienceStatisticsOpticsMagnetic resonance imagingGeometryMedicine

Résumé

récupéré en direct d'OpenAlex

Abstract Water diffusion anisotropy in the human brain is affected by disease, trauma, and development. Microscopic fractional anisotropy (μFA) is a diffusion MRI (dMRI) metric that can quantify water diffusion anisotropy independent of neuron fiber orientation dispersion. However, there are several different techniques to estimate μFA and few have demonstrated full brain imaging capabilities within clinically viable scan times and resolutions. Here, we present an optimized spherical tensor encoding (STE) technique to acquire μFA directly from the 2nd order cumulant expansion of the dMRI signal (i.e. diffusion kurtosis) which requires fewer powder-averaged signals than other STE fitting techniques and can be rapidly computed. We found that the optimal dMRI parameters for white matter μFA imaging were a maximum b-value of 2000 s/mm 2 and a ratio of isotropic to linear tensor encoded acquisitions of 1.7 for our system specifications. We then compared two implementations of the direct approach to the well-established gamma model in 4 healthy volunteers on a 3 Tesla system. One implementation of the direct cumulant approach used mean diffusivity (D) obtained from a 2nd order fit of the cumulant expansion, while the other used a linear estimation of D from the low b-values. Both implementations of the direct approach showed strong linear correlations with the gamma model (ρ=0.97 and ρ=0.90) but mean biases of −0.11 and −0.02 relative to the gamma model were also observed, respectively. All three μFA measurements showed good test-retest reliability (ρ≥0.79 and bias=0). To demonstrate the potential scan time advantage of the direct approach, 2 mm isotropic resolution μFA was demonstrated over a 10 cm slab using a subsampled data set with fewer powder-averaged signals that would correspond to a 3.3-minute scan. Accordingly, our results introduce an optimization procedure that has enabled clinically relevant, nearly full brain μFA in only several minutes. Highlights Demonstrated method to acquire optimal parameters for regression μFA imaging μFA measured using an optimized linear regression method at 3T First μFA comparison between direct regression approach and the gamma model Both approaches correlated strongly in white matter in healthy volunteers Nearly full brain μFA demonstrated in a 3.3-minute scan at 2 mm isotropic resolution

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,080
Tête enseignante GPT0,369
Écart entre enseignants0,289 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuemedRxiv→Même sujetAdvanced Neuroimaging Techniques and Applications→Travaux en français237 207→