Automated slice‐specific z‐shimming for functional magnetic resonance imaging of the human spinal cord
Notice bibliographique
Résumé
Functional magnetic resonance imaging (fMRI) of the human spinal cord faces many challenges, such as signal loss due to local magnetic field inhomogeneities. This issue can be addressed with slice-specific z-shimming, which compensates for the dephasing effect of the inhomogeneities using a slice-specific gradient pulse. Here, we aim to address outstanding issues regarding this technique by evaluating its effects on several aspects that are directly relevant for spinal fMRI and by developing two automated procedures in order to improve upon the time-consuming and subjective nature of manual selection of z-shims: one procedure finds the z-shim that maximizes signal intensity in each slice of an EPI reference-scan and the other finds the through-slice field inhomogeneity for each EPI-slice in field map data and calculates the required compensation gradient moment. We demonstrate that the beneficial effects of z-shimming are apparent across different echo times, hold true for both the dorsal and ventral horn, and are also apparent in the temporal signal-to-noise ratio (tSNR) of EPI time-series data. Both of our automated approaches were faster than the manual approach, lead to significant improvements in gray matter tSNR compared to no z-shimming and resulted in beneficial effects that were stable across time. While the field-map-based approach performed slightly worse than the manual approach, the EPI-based approach performed as well as the manual one and was furthermore validated on an external corticospinal data-set (N > 100). Together, automated z-shimming may improve the data quality of future spinal fMRI studies and lead to increased reproducibility in longitudinal studies.
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 | 0,001 | 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 ».