Nonuniform sliding-window reconstruction for accelerated dual contrast agent quantification with MR fingerprinting
Notice bibliographique
Résumé
Abstract Objective MR fingerprinting (MRF) can enable preclinical studies of cell tracking by quantifying multiple contrast agents simultaneously, but faster scan times are required for in vivo applications. Sliding window (SW)-MRF is one option for accelerating MRF, but standard implementations are not sufficient to preserve the accuracy of T 2 *, which is critical for tracking iron-labelled cells in vivo. Purpose To develop a SW approach to MRF which preserves the T 2 * accuracy required for accelerated concentration mapping of iron-labelled cells on single-channel preclinical systems. Methods A nonuniform SW was applied to the MRF sequence and dictionary. Segments of the sequence most sensitive to T 2 * were subject to a shorter window length, preserving the T 2 * sensitivity. Phantoms containing iron-labelled CD8+ T cells and gadolinium were used to compare 24× undersampled uniform and nonuniform SW-MRF parameter maps. Dual concentration maps were generated for both uniform and nonuniform MRF and compared. Results Lin’s concordance correlation coefficient, compared to gold standard parameter values, was much greater for nonuniform SW-MRF than for uniform SW-MRF. A Wilcoxon signed-rank test showed no significant difference between nonuniform SW-MRF and gold standards. Nonuniform SW-MRF outperformed the uniform SW-MRF concentration maps for all parameters, providing a balance between T 2 * sensitivity of short window lengths, and SNR of longer window lengths. Conclusions Nonuniform SW-MRF improves the accuracy of matching compared to uniform SW-MRF, allowing higher accelerated concentration mapping for preclinical systems.
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 | 0,000 | 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 ».