Approach to Brain Magnetic Resonance Imaging for Non-Radiologists
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The goal of this review is to provide a guide to magnetic resonance imaging (MRI) reading for non-radiologists. A thorough literature search was conducted using the keywords “MRI”, “CT”, “Non-radiologist” and “MRI interpretation” to develop an approach to MRI reading for non-radiologists. Common indications for a brain MRI include workup of an intracranial tumor, chronic headache, seizure disorder, and confirmation of a stroke. When assessing for an intracranial tumor, MRI is the preferred diagnostic modality. Computed tomography (CT) has much lower resolution and is typically reserved for the emergency setting. T1 weighted images provide anatomically relevant images of the brain parenchyma that will be familiar to non-radiologists. In contrast to T1 weighted images, fluid is bright in T2 and white matter will appear darker than gray matter. Fluid attenuation inversion recovery (FLAIR) is most sensitive for edema and parenchymal abnormalities like a low-grade glioma. The main purpose of diffusion-weighted imaging (DWI) and apparent diffusion coefficient (ADC) sequences are to visualize acute ischemic stroke. Although non-radiologists generally have a greater exposure to head CT images, the same foundational principles of CT head interpretation can apply to brain MRI reading. Benefits of brain imaging by MRI includes obtaining a multi-planar assessment of the brain, highly detailed images of the brain, and using different MRI sequences to assess for different pathology. J Neurol Res. 2020;10(5):173-176 doi: https://doi.org/10.14740/jnr628
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.
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 | 0,001 | 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 | 0,000 | 0,001 |
| 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 découle