Diffusion Kurtosis Imaging of Neonatal Spinal Cord in Clinical Routine
Notice bibliographique
Résumé
Diffusion kurtosis imaging (DKI) has undisputed advantages over the more classical diffusion magnetic resonance imaging (dMRI) as witnessed by the fast-increasing number of clinical applications and software packages widely adopted in brain imaging. However, in the neonatal setting, DKI is still largely underutilized, in particular in spinal cord (SC) imaging, because of its inherently demanding technological requirements. Due to its extreme sensitivity to non-Gaussian diffusion, DKI proves particularly suitable for detecting complex, subtle, fast microstructural changes occurring in this area at this early and critical stage of development, which are not identifiable with only DTI. Given the multiplicity of congenital anomalies of the spinal canal, their crucial effect on later developmental outcome, and the close interconnection between the SC region and the brain above, managing to apply such a method to the neonatal cohort becomes of utmost importance. This study will (i) mention current methodological challenges associated with the application of advanced dMRI methods, like DKI, in early infancy, (ii) illustrate the first semi-automated pipeline built on Spinal Cord Toolbox for handling the DKI data of neonatal SC, from acquisition setting to estimation of diffusion measures, through accurate adjustment of processing algorithms customized for adult SC, and (iii) present results of its application in a pilot clinical case study. With the proposed pipeline, we preliminarily show that DKI is more sensitive than DTI-related measures to alterations caused by brain white matter injuries in the underlying cervical SC.
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) | 0,000 | 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 ».