A model‐based framework for correcting inhomogeneity effects in magnetization transfer saturation and inhomogeneous magnetization transfer saturation maps
Notice bibliographique
Résumé
Purpose In this work, we propose that Δ ‐induced errors in magnetization transfer (MT) saturation (MT sat ) maps can be corrected with use of an R 1 and map and through numerical simulations of the sequence. Theory and Methods One healthy subject was scanned at 3.0T using a partial quantitative MT protocol to estimate the relationship between observed R 1 (R 1,obs ) and apparent bound pool size ( ) in the brain. MT sat values were simulated for a range of , R 1,obs , and . An equation was fit to the simulated MT sat , then a linear relationship between R 1,obs and was generated. These results were used to generate correction factor maps for the MT sat acquired from single‐point data. The proposed correction was compared to an empirical correction factor with different MT‐preparation schemes. Results was highly correlated with R 1,obs (r > 0.96), permitting the use of R 1,obs to estimate for correction. All corrected MT sat maps displayed a decreased correlation with compared to uncorrected MT sat and MT sat corrected with an empirical factor in the corpus callosum. There was good agreement between the proposed approach and the empirical correction with radiofrequency saturation at 2 kHz, with larger deviations seen when using saturation pulses further off‐resonance and in inhomogeneous (ih) MT sat maps. Conclusion The proposed correction decreases the dependence of MT sat on inhomogeneities. Furthermore, this flexible framework permits the use of different saturation protocols, making it useful for correcting inhomogeneities in ihMT.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».