MRSCloud: a Cloud-based MR Spectroscopy Tool for Basis Set Simulation
Notice bibliographique
Résumé
Abstract Background Accurate quantification of in vivo proton magnetic resonance spectra involves modeling with a linear combination of known metabolite basis functions. Basis sets can be generated by numerical simulation using the quantum mechanical density-matrix formalism. Accurate simulations for a basis set require correct sequence timings, and pulse shapes and durations. Purpose To present a cloud-based spectral simulation tool ‘MRSCloud’. It allows community users of MRS to simulate a vendor- and sequence-specific basis set online in a convenient and timeefficient manner. This tool can simulate basis sets for 3 major MR scanner vendors (GE, Philips, Siemens), including conventional acquisitions and spectral editing schemes (MEGA, HERMES, HERCULES) with PRESS and semi-LASER localization. Study Type Prospective. Specimen N/A Field Strength/Sequence Simulations of 3T basis sets for conventional and spectral-editing sequences (MEGA, HERMES, HERCULES) with PRESS and sLASER localizations. Assessment Simulated metabolite basis functions generated by MRSCloud are compared to those generated by FID-A and MARSS, and a phantom-acquired basis-set from LCModel. Statistical Tests Intraclass correlation coefficients (ICC) were calculated to measure the agreement between individual metabolite basis functions generated using different packages. Statistical analysis was performed using R in RStudio. Results Simulation time for a full basis set is approximately 1 hour. ICCs between MRSCloud and FID-A were at least 0.98 and ICCs between MRSCloud and MARSS were at least 0.96. ICCs between simulated MRSCloud basis spectra and acquired LCModel basis spectra were lowest for Gln at 0.68 and highest for NAA at 0.96. Data Conclusion Substantial reductions in runtime have been achieved by implementing the 1D projection method, coherence-order filtering, and pre-calculation of propagators. High ICC values indicated that the accelerating features are running correctly and produce comparable and accurate basis sets. The generated basis set has been successfully used with LCModel.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,038 | 0,008 |
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 ».