Volumetric and multispectral DWI near metallic implants using a non‐linear phase Carr‐Purcell‐Meiboom‐Gill diffusion preparation
Notice bibliographique
Résumé
Purpose DWI near metal implants has not been widely explored due to substantial challenges associated with through‐slice and in‐plane distortions, the increased encoding requirement of different spectral bins, and limited SNR. There is no widely adopted clinical protocol for DWI near metal since the commonly used EPI trajectory fails completely due to distortion from extreme off‐resonance ranging from 2 to 20 kHz. We present a sequence that achieves DWI near metal with moderate b‐values (400–500 s/mm2) and volumetric coverage in clinically feasible scan times. Theory and Methods Multispectral excitation with Cartesian sampling, view angle tilting, and kz phase encoding reduce in‐plane and through‐plane off‐resonance artifacts, and Carr‐Purcell‐Meiboom‐Gill (CPMG) spin‐echo refocusing trains counteract T2* effects. The effect of random phase on the refocusing train is eliminated using a stimulated echo diffusion preparation. Root‐flipped Shinnar‐Le Roux refocusing pulses permits preparation of a high spectral bandwidth, which improves imaging times by reducing the number of excitations required to cover the desired spectral range. B1 sensitivity is reduced by using an excitation that satisfies the CPMG condition in the preparation. A method for ADC quantification insensitive to background gradients is presented. Results Non‐linear phase refocusing pulses reduces the peak B1 by 46% which allows RF bandwidth to be doubled. Simulations and phantom experiments show that a non‐linear phase CPMG pulse pair reduces B1 sensitivity. Application in vivo demonstrates complementary contrast to conventional multispectral acquisitions and improved visualization compared to DW‐EPI. Conclusion Volumetric and multispectral DW imaging near metal can be achieved with a 3D encoded sequence.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 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 ».