MétaCan
Menu
Retour à la cohorte
Enregistrement W4282984279 · doi:10.1002/nbm.4788

Multisite reproducibility of quantitative susceptibility mapping and effective transverse relaxation rate in deep gray matter at 3 T using locally optimized sequences in 24 traveling heads

2022· article· en· W4282984279 sur OpenAlexafffund
Nashwan Naji, M. Louis Lauzon, Peter Seres, Emily Stolz, Richard Frayne, Catherine Lebel, Christian Beaulieu, Alan H. Wilman

Notice bibliographique

RevueNMR in Biomedicine · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueAdvanced MRI Techniques and Applications
Établissements canadiensAlberta Children's HospitalFoothills Medical CentreUniversity of CalgaryUniversity of Alberta
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésReproducibilityQuantitative susceptibility mappingIntraclass correlationCoefficient of variationMagnetic resonance imagingCross-validationNuclear magnetic resonanceNuclear medicineComputer scienceMathematicsArtificial intelligenceMedicinePhysicsStatisticsRadiology

Résumé

récupéré en direct d'OpenAlex

Iron concentration in the human brain plays a crucial role in several neurodegenerative diseases and can be monitored noninvasively using quantitative susceptibility mapping (QSM) and effective transverse relaxation rate (R2*) mapping from multiecho T2*‐weighted images. Large population studies enable better understanding of pathologies and can benefit from pooling multisite data. However, reproducibility may be compromised between sites and studies using different hardware and sequence protocols. This work investigates QSM and R2* reproducibility at 3 T using locally optimized sequences from three centers and two vendors, and investigates possible reduction of cross‐site variability through postprocessing approaches. Twenty‐four healthy subjects traveled between three sites and were scanned twice at each site. Scan‐rescan measurements from seven deep gray matter regions were used for assessing within‐site and cross‐site reproducibility using intraclass correlation coefficient (ICC) and within‐subject standard deviation (SDw) measures. In addition, multiple QSM and R2* postprocessing options were investigated with the aim to minimize cross‐site sequence‐related variations, including: mask generation approach, echo‐timing selection, harmonizing spatial resolution, field map estimation, susceptibility inversion method, and linear field correction for magnitude images. The same‐subject cross‐site region of interest measurements for QSM and R2* were highly correlated (R2 ≥ 0.94) and reproducible (mean ICC of 0.89 and 0.82 for QSM and R2*, respectively). The mean cross‐site SDw was 4.16 parts per billion (ppb) for QSM and 1.27 s−1 for R2*. For within‐site measurements of QSM and R2*, the mean ICC was 0.97 and 0.87 and mean SDw was 2.36 ppb and 0.97 s−1, respectively. The precision level is regionally dependent and is reduced in the frontal lobe, near brain edges, and in white matter regions. Cross‐site QSM variability (mean SDw) was reduced up to 46% through postprocessing approaches, such as masking out less reliable regions, matching available echo timings and spatial resolution, avoiding the use of the nonconsistent magnitude contrast between scans in field estimation, and minimizing streaking artifacts.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Reproductibilité · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,996
Score d'incertitude au seuil0,023

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,036
Tête enseignante GPT0,344
Écart entre enseignants0,308 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeObservationnel
DomaineReproductibilité
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations13
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNMR in BiomedicineMême sujetAdvanced MRI Techniques and ApplicationsTravaux en français237 207