Comparison of MRS acquisition methods for separation of overlapping signals at 3 T
Notice bibliographique
Résumé
BACKGROUND: Proton magnetic resonance spectroscopy (MRS) can be used to quantify multiple neurometabolites. However, due to the difficulty of separating overlapping signals at the commonly used field strength of 3 T, the quantified values are often composites of metabolically related chemicals. This can complicate interpretation and mask effects of interest. Therefore, it is important to determine the ability to accurately separate these signals at 3 T. Data acquired at 7 T can provide a benchmark, as higher field strength facilitates spectral resolution and reduces the signal overlap. NEW METHODS: This study assessed the ability of multiple 3 T MRS sequences to separate the commonly acquired neurochemicals (Glutamate (Glu) and Glutamine (Gln); N-Acetyl aspartate (NAA) and N-acetylaspartylglutamate (NAAG); Creatine (Cr) and Phosphocreatine (PCr); Choline (Cho), Phosphocholine (PC) and Glycerophosphocholine (GPC)). We compared metabolites quantified at 3 T from 6 acquisitions (PRESS, TE= 20, 30, 40, 80 ms, semi-LASER, TE=28 ms and STEAM TE=6 ms) with those quantified at 7 T using STEAM (TE=8 ms). RESULTS: Sequences with short echo times (STEAM-6, PRESS-20) generally performed better at separating most metabolites when using correlative and difference analyses with 7 T reference data. The exceptions were NAAG, which was best quantified with PRESS-80, and Cr and PCr, which were not well separated by any sequence. COMPARISON WITH EXISTING METHODS AND CONCLUSION: When wanting to specifically separate composite metabolite signals using single voxel MRS, shorter echo times generally perform better. Researchers should be mindful of the effects of acquisition parameters on the metabolite measures.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».