Quantifying <scp>3D</scp> MR fingerprinting (<scp>3D‐MRF</scp>) reproducibility across subjects, sessions, and scanners automatically using <scp>MNI</scp> atlases
Notice bibliographique
Résumé
Abstract Purpose Quantitative MRI techniques such as MR fingerprinting (MRF) promise more objective and comparable measurements of tissue properties at the point‐of‐care than weighted imaging. However, few direct cross‐modal comparisons of MRF's repeatability and reproducibility versus weighted acquisitions have been performed. This work proposes a novel fully automated pipeline for quantitatively comparing cross‐modal imaging performance in vivo via atlas‐based sampling. Methods We acquire whole‐brain 3D‐MRF, turbo spin echo, and MPRAGE sequences three times each on two scanners across 10 subjects, for a total of 60 multimodal datasets. The proposed automated registration and analysis pipeline uses linear and nonlinear registration to align all qualitative and quantitative DICOM stacks to Montreal Neurological Institute (MNI) 152 space, then samples each dataset's native space through transformation inversion to compare performance within atlas regions across subjects, scanners, and repetitions. Results Voxel values within MRF‐derived maps were found to be more repeatable (σT1 = 1.90, σT2 = 3.20) across sessions than vendor‐reconstructed MPRAGE (σT1w = 6.04) or turbo spin echo (σT2w = 5.66) images. Additionally, MRF was found to be more reproducible across scanners (σT1 = 2.21, σT2 = 3.89) than either qualitative modality (σT1w = 7.84, σT2w = 7.76). Notably, differences between repeatability and reproducibility of in vivo MRF were insignificant, unlike the weighted images. Conclusion MRF data from many sessions and scanners can potentially be treated as a single dataset for harmonized analysis or longitudinal comparisons without the additional regularization steps needed for qualitative modalities.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».