Optimization of Gradient-Echo Echo-Planar Imaging for T2* Contrast in the Brain at 0.5 T
Notice bibliographique
Résumé
Gradient-recalled echo (GRE) echo-planar imaging (EPI) is an efficient MRI pulse sequence that is commonly used for several enticing applications, including functional MRI (fMRI), susceptibility-weighted imaging (SWI), and proton resonance frequency (PRF) thermometry. These applications are typically not performed in the mid-field (<1 T) as longer T2* and lower polarization present significant challenges. However, recent developments of mid-field scanners equipped with high-performance gradient sets offer the possibility to re-evaluate the feasibility of these applications. The paper introduces a metric “T2* contrast efficiency” for this evaluation, which minimizes dead time in the EPI sequence while maximizing T2* contrast so that the temporal and pseudo signal-to-noise ratios (SNRs) can be attained, which could be used to quantify experimental parameters for future fMRI experiments in the mid-field. To guide the optimization, T2* measurements of the cortical gray matter are conducted, focusing on specific regions of interest (ROIs). Temporal and pseudo SNR are calculated with the measured time-series EPI data to observe the echo times at which the maximum T2* contrast efficiency is achieved. T2* for a specific cortical ROI is reported at 0.5 T. The results suggest the optimized echo time for the EPI protocols is shorter than the effective T2* of that region. The effective reduction of dead time prior to the echo train is feasible with an optimized EPI protocol, which will increase the overall scan efficiency for several EPI-based applications at 0.5 T.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».