Applications, limitations and advancements of ultra-low-field magnetic resonance imaging: A scoping review
Notice bibliographique
Résumé
Background: Ultra-low-field magnetic resonance imaging (ULF-MRI) has emerged as an alternative with several portable clinical applications. This review aims to comprehensively explore its applications, potential limitations, technological advancements, and expert recommendations. Methods: A review of the literature was conducted across medical databases to identify relevant studies. Articles on clinical usage of ULF-MRI were included, and data regarding applications, limitations, and advancements were extracted. A total of 25 articles were included for qualitative analysis. Results: The review reveals ULF-MRI efficacy in intensive care settings and intraoperatively. Technological strides are evident through innovative reconstruction techniques and integration with machine learning approaches. Additional advantages include features such as portability, cost-effectiveness, reduced power requirements, and improved patient comfort. However, alongside these strengths, certain limitations of ULF-MRI were identified, including low signal-to-noise ratio, limited resolution and length of scanning sequences, as well as variety and absence of regulatory-approved contrast-enhanced imaging. Recommendations from experts emphasize optimizing imaging quality, including addressing signal-to-noise ratio (SNR) and resolution, decreasing the length of scan time, and expanding point-of-care magnetic resonance imaging availability. Conclusion: This review summarizes the potential of ULF-MRI. The technology's adaptability in intensive care unit settings and its diverse clinical and surgical applications, while accounting for SNR and resolution limitations, highlight its significance, especially in resource-limited settings. Technological advancements, alongside expert recommendations, pave the way for refining and expanding ULF-MRI's utility. However, adequate training is crucial for widespread utilization.
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 | 0,012 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,014 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».