Magnetization transfer imaging using non‐balanced <scp>SSFP</scp> at ultra‐low field
Notice bibliographique
Résumé
PURPOSE: Ultra-low field MRI scanners have the potential to improve health care delivery, both through improved access in areas where there are few MRI scanners and allowing more frequent monitoring of disease progression and treatment response. This may be particularly true in white matter disorders, including leukodystrophies and multiple sclerosis, in which frequent myelin-sensitive imaging, such as magnetization transfer (MT) imaging, might improve clinical care and patient outcomes. METHODS: We implemented an on-resonance approach to MT imaging on a commercial point-of-care 64 mT scanner using a non-balanced steady-state free precession sequence. Phantom and in vivo experiments were used to evaluate and optimize the sequence sensitivity and reproducibility, and to demonstrate in vivo performance and inter-site reproducibility. RESULTS: effects were determined to have a negligible effect on the differential MT weighting. MT ratio (MTR) values in white matter were 23.1 ± 1.0% from 10 healthy volunteers, with an average reproducibility coefficient of variation of 1.04%. Normal-appearing white matter MTR values in a multiple sclerosis participant (21.5 ± 6.2%) were lower, but with a similar spread of values, compared to an age-matched healthy volunteer (23.3 ± 6.2%). CONCLUSION: An on-resonance MT imaging approach was developed at 64 mT that can be performed in as little as 4 min. A semi-quantitative myelin-sensitive imaging biomarker at this field strength is available for assessing both myelination and demyelination.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».