<scp>MRSCloud</scp>: A cloud‐based<scp>MRS</scp>tool for basis set simulation
Notice bibliographique
Résumé
PURPOSE: The purpose of this study is to present a cloud-based spectral simulation tool "MRSCloud," which allows MRS users to simulate a vendor-specific and sequence-specific basis set online in a convenient and time-efficient manner. This tool can simulate basis sets for GE, Philips, and Siemens MR scanners, including conventional acquisitions and spectral editing schemes with PRESS and semi-LASER localization at 3 T. METHODS: The MRSCloud tool was built on the spectral simulation functionality in the FID-A software package. We added three extensions to accelerate computation (ie, one-dimensional projection method, coherence pathways filters, and precalculation of propagators). The RF waveforms were generated based on vendors' generic pulse shapes and timings. Simulations were compared within MRSCloud using different numbers of spatial resolution (21 × 21, 41 × 41, and 101 × 101). Simulated metabolite basis functions from MRSCloud were compared with those generated by the generic FID-A and MARSS, and a phantom-acquired basis set from LCModel. Intraclass correlation coefficients were calculated to measure the agreement between individual metabolite basis functions. Statistical analysis was performed using R in RStudio. RESULTS: Simulation time for a full PRESS basis set is approximately 11 min on the server. The interclass correlation coefficients ICCs were at least 0.98 between MRSCloud and FID-A and were at least 0.96 between MRSCloud and MARSS. The interclass correlation coefficients between simulated MRSCloud basis spectra and acquired LCModel basis spectra were lowest for glutamine at 0.68 and highest for N-acetylaspartate at 0.96. CONCLUSIONS: Substantial reductions in runtime have been achieved. High ICC values indicated that the accelerating features are running correctly and produce comparable and accurate basis sets.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 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 ».