MétaCan
Menu
Retour à la cohorte
Enregistrement W3139317540 · doi:10.1002/mrm.28734

Efficient whole‐brain tract‐specific T<sub>1</sub> mapping at 3T with slice‐shuffled inversion‐recovery diffusion‐weighted imaging

2021· article· en· W3139317540 sur OpenAlexafffund
Ilana R. Leppert, Daniel Andrews, Jennifer S. W. Campbell, Daniel Park, G. Bruce Pike, Jon̈athan R. Polimeni, Christine Tardif

Notice bibliographique

RevueMagnetic Resonance in Medicine · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueAdvanced Neuroimaging Techniques and Applications
Établissements canadiensUniversity of CalgaryHotchkiss Brain InstituteMcGill UniversityMontreal Neurological Institute and Hospital
Organismes subventionnairesNational Institute of Biomedical Imaging and BioengineeringNational Institute of Mental HealthFonds de Recherche du Québec - SantéNatural Sciences and Engineering Research Council of CanadaFonds de recherche du Québec – Nature et technologiesRéseau en Bio-Imagerie du Quebec
Mots-clésDiffusion MRIVoxelCorticospinal tractImaging phantomWhite matterCorpus callosumCingulum (brain)PhysicsNuclear magnetic resonanceComputer scienceNuclear medicineArtificial intelligenceMagnetic resonance imagingAnatomyFractional anisotropyBiologyOpticsMedicineRadiology

Résumé

récupéré en direct d'OpenAlex

Purpose Most voxels in white matter contain multiple fiber populations with different orientations and levels of myelination. Conventional T1 mapping measures 1 T1 value per voxel, representing a weighted average of the multiple tract T1 times. Inversion‐recovery diffusion‐weighted imaging (IR‐DWI) allows the T1 times of multiple tracts in a voxel to be disentangled, but the scan time is prohibitively long. Recently, slice‐shuffled IR‐DWI implementations have been proposed to significantly reduce scan time. In this work, we demonstrate that we can measure tract‐specific T1 values in the whole brain using simultaneous multi‐slice slice‐shuffled IR‐DWI at 3T. Methods We perform simulations to evaluate the accuracy and precision of our crossing fiber IR‐DWI signal model for various fiber parameters. The proposed sequence and signal model are tested in a phantom consisting of crossing asparagus pieces doped with gadolinium to vary T1, and in 2 human subjects. Results Our simulations show that tract‐specific T1 times can be estimated within 5% of the nominal fiber T1 values. Tract‐specific T1 values were resolved in subvoxel 2 fiber crossings in the asparagus phantom. Tract‐specific T1 times were resolved in 2 different tract crossings in the human brain where myelination differences have previously been reported; the crossing of the cingulum and genu of the corpus callosum and the crossing of the corticospinal tract and pontine fibers. Conclusion Whole‐brain tract‐specific T1 mapping is feasible using slice‐shuffled IR‐DWI at 3T. This technique has the potential to improve the microstructural characterization of specific tracts implicated in neurodevelopment, aging, and demyelinating disorders.

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)0,001
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

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

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.

Tête enseignante Opus0,025
Tête enseignante GPT0,273
Écart entre enseignants0,248 · 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
GenreEmpirique

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

En bref

Citations15
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueMagnetic Resonance in MedicineMême sujetAdvanced Neuroimaging Techniques and ApplicationsTravaux en français237 207