MétaCan
Menu
Retour à la cohorte
Enregistrement W4394060141 · doi:10.1002/nbm.5151

Robust dual‐angle T1 measurement in magnetization transfer spectroscopy by time‐optimal control

2024· article· en· W4394060141 sur OpenAlexaff
Christina Graf, Rudolf Stollberger, Armin Rund, Martina Schweiger, Clemens Diwoky

Notice bibliographique

RevueNMR in Biomedicine · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueAdvanced MRI Techniques and Applications
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesAustrian Science Fund
Mots-clésMagnetizationMagnetization transferSpectroscopyDual (grammatical number)Materials scienceNuclear magnetic resonance spectroscopyTransfer (computing)Nuclear magnetic resonancePhysicsComputer scienceMagnetic fieldMagnetic resonance imaging

Résumé

récupéré en direct d'OpenAlex

Summary Magnetization transfer spectroscopy relies heavily on the robust determination of relaxation times of nuclei participating in metabolic exchange. Challenges arise due to the use of surface RF coils for transmission (high variation) and the broad resonance band of most X nuclei. These challenges are particularly pronounced when fast mapping methods, such as the dual‐angle method, are employed. Consequently, in this work, we develop resonance offset and robust excitation RF pulses for 31P magnetization transfer spectroscopy at 7T through ensemble‐based time‐optimal control. In our approach, we introduce a cost functional for designing robust pulses, incorporating the full Bloch equations as constraints, which are solved using symmetric operator splitting techniques. The optimal control design of the RF pulses developed demonstrates improved accuracy, desired phase properties, and reduced RF power when applied to dual‐angle mapping, thereby improving the precision of exchange‐rate measurements, as demonstrated in a preclinical in vivo study quantifying brain creatine kinase activity.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,284
Écart entre enseignants0,264 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNMR in BiomedicineMême sujetAdvanced MRI Techniques and ApplicationsTravaux en français237 207