Rapid 1 mm isotropic diffusion tensor imaging with denoising and improved parameter estimation for detecting focal hippocampal lesions in temporal lobe epilepsy
Notice bibliographique
Résumé
While high resolution diffusion tensor imaging (DTI) at 1 mm isotropic can detect focal lesions of the hippocampus in temporal lobe epilepsy (TLE), faster acquisition times would facilitate potential clinical implementation. The purpose here is to assess different published denoising algorithms to overcome the low signal-to-noise ratio and accelerate 1 mm isotropic DTI of the human hippocampus at 3 T while maintaining diffusivity metric accuracy and image quality for focal lesion detection in TLE. The previously published 5.5 min protocol of 110 diffusion images per slice (10 directions × 10 averages and 10 b = 0 s/mm 2 ) was assessed for subsets of 1–10 averages (same 10 directions) that were denoised using four algorithms that have been applied to other diffusion MRI datasets. In healthy controls, the variance-stabilizing transformation and optimal singular-value manipulation (VST) and Non-Local Spatial and Angular Matching (NLSAM) denoising greatly improved image quality while minimizing voxels with spurious extremes of fractional anisotropy (FA) or mean diffusivity (MD) down to 4 averages (i.e. 40 diffusion images and 4 b = 0 s/mm 2 ) in healthy controls. The identification of focal lesions indicated by elevated MD and alterations of internal micro-architecture with only 4 averages were comparable to the full data set of 10 averages. Therefore, denoising of 1 mm isotropic DTI of the hippocampus enables a clinically feasible scan time of 2.2 min at 3 T that can be used for the detection of focal hippocampal lesions in TLE, as well as other neurological disorders such as multiple sclerosis, dementia and Alzheimer's disease.
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 ».