Quantification of lung water density with UTE Yarnball MRI
Notice bibliographique
Résumé
Purpose An efficient Yarnball ultrashort‐TE k‐space trajectory, in combination with an optimized pulse sequence design and automated image‐processing approach, is proposed for fast and quantitative imaging of water density in the lung parenchyma. Methods Three‐dimensional Yarnball k‐space trajectories (TE = 0.07 ms) were designed at 3 T for breath‐hold and free‐breathing navigator acquisitions targeting the lung parenchyma (full torso spatial coverage) with minimal T 1 and weighting. A composite of all solid tissues surrounding the lungs (muscle, liver, heart, blood pool) was used for user‐independent lung water density signal referencing and B 1 ‐inhomogeneity correction needed for the calculation of relative lung water density images. Sponge phantom experiments were used to validate absolute water density quantification, and relative lung water density was evaluated in 10 healthy volunteers. Results Phantom experiments showed excellent agreement between sponge wet weight and imaging‐derived water density. Breath‐hold (13 seconds) and free‐breathing (~2 minutes) Yarnball acquisitions in volunteers (2.5‐mm isotropic resolution) had negligible artifacts and good lung parenchyma SNR (>10). Whole‐lung average relative lung water density values with fully automated analysis were 28.2 ± 1.9% and 28.6 ± 1.8% for breath‐hold and free‐breathing acquisitions, respectively, with good test–retest reproducibility (intraclass correlation coefficient = 0.86 and 0.95, respectively). Conclusions Quantitative lung water density imaging with an optimized Yarnball k‐space acquisition approach is possible in a breath‐hold or short free‐breathing study with automated signal referencing and segmentation.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 tête enseignante, 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 ».