Characterization of Portable Ultra‐Low Field <scp>MRI</scp> Scanners for Multi‐Center Structural Neuroimaging
Notice bibliographique
Résumé
The lower infrastructure requirements of portable ultra-low field MRI (ULF-MRI) systems have enabled their use in diverse settings such as intensive care units and remote medical facilities. The UNITY Project is an international neuroimaging network harnessing this technology, deploying portable ULF-MRI systems globally to expand access to MRI for studies into brain development. Given the wide range of environments where ULF-MRI systems may operate, there are external factors that might influence image quality. This work aims to introduce the quality control (QC) framework used by the UNITY Project to investigate how robust the systems are and how QC metrics compare between sites and over time. We present a QC framework using a commercially available phantom, scanned with 64 mT portable MRI systems at 17 sites across 12 countries on four continents. Using automated, open-source analysis tools, we quantify signal-to-noise, image contrast, and geometric distortions. Our results demonstrated that the image quality is robust to the varying operational environment, for example, electromagnetic noise interference and temperature. The Larmor frequency was significantly correlated to room temperature, as was image noise and contrast. Image distortions were less than 2.5 mm, with high robustness over time. Similar to studies at higher field, we found that changes in pulse sequence parameters from software updates had an impact on QC metrics. This study demonstrates that portable ULF-MRI systems can be deployed in a variety of environments for multi-center neuroimaging studies and produce robust results.
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 ».