On the impact of B0 shimming algorithms on single‐voxel MR spectroscopy
Notice bibliographique
Résumé
PURPOSE: To assess the impact of different B0 shimming algorithms on MRS. METHODS: B0 field maps and single-voxel MR spectroscopy were acquired in the prefrontal cortex of five volunteers at 3 T using five different B0 shimming approaches. B0 shimming was achieved using Siemens' proprietary shim algorithm, in addition to the Pseudo-Inverse (PI), Quadratic Programming (QuadProg), Least Squares (LSq), and Gradient optimization (Grad) algorithms. The standard deviation of the shimmed B0 field, as well as the SNR and FWHM of the measured metabolites, was used to evaluate the performance of each B0 shimming algorithm. RESULTS: Compared to Siemens's shim, significant reductions (p < 0.01) in the standard deviation of the B0 field distribution within the MRS voxel were observed for the PI, QuadProg, and Grad algorithms (3.8 Hz, 7.3 Hz, and 3.9 Hz respectively, compared to 11.5 Hz for Siemens), but not for the LSq (12.9 Hz) algorithm. Moreover, significantly increased SNR and reduced FWHM for the N-acetylaspartate metabolite were consistent with the improvement in B0 homogeneity for the aforementioned shimming algorithms. CONCLUSION: Here, we demonstrate that the choice of B0 shimming algorithm can have a significant impact on the quality of MR spectra and that significant improvements in spectrum quality could be achieved by using alternatives to the default vendor approach.
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 | 0,004 | 0,019 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».