A Beginner's Guide to Arterial Spin Labeling (ASL) Image Processing
Notice bibliographique
Résumé
Arterial spin labeling (ASL) is a non-invasive and cost-effective MRI technique for brain perfusion measurements. While it has developed into a robust technique for scientific and clinical use, its image processing can still be daunting. The 2019 Ann Arbor ISMRM ASL working group established that education is one of the main areas that can accelerate the use of ASL in research and clinical practice. Specifically, the post-acquisition processing of ASL images and their preparation for region-of-interest or voxel-wise statistical analyses is a topic that has not yet received much educational attention. This educational review is aimed at those with an interest in ASL image processing and analysis. We provide summaries of all typical ASL processing steps on both single-subject and group levels. The readers are assumed to have a basic understanding of cerebral perfusion (patho) physiology; a basic level of programming or image analysis is not required. Starting with an introduction of the physiology and MRI technique behind ASL, and how they interact with the image processing, we present an overview of processing pipelines and explain the specific ASL processing steps. Example video and image illustrations of ASL studies of different cases, as well as model calculations, help the reader develop an understanding of which processing steps to check for their own analyses. Some of the educational content can be extrapolated to the processing of other MRI data. We anticipate that this educational review will help accelerate the application of ASL MRI for clinical brain research.
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 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,081 | 0,105 |
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 ».