DSC Perfusion MRI Artefact Reduction Strategies: A Short Overview for Clinicians and Scientific Applications
Notice bibliographique
Résumé
MRI perfusion is used to diagnose and monitor neurological conditions such as brain tumors, stroke, dementia, and traumatic brain injury. Dynamic Susceptibility Contrast (DSC) is the most widely available quantitative MRI technique for perfusion imaging. Even in its most basic implementation, DSC MRI provides critical hemodynamic metrics like cerebral blood flow (CBF), blood volume (CBV), mean transit time (MTT), and time between the peak of arterial input and residue function (Tmax), through the dynamic tracking of a gadolinium-based contrast agent. Notwithstanding its high clinical importance and widespread use, the reproducibility and diagnostic reliability are impeded by a lack of standardized pre-processing protocols and quality controls. A comprehensive literature review and the authors’ aggregated experience identified common DSC MRI artefacts and corresponding pre-processing methods. Pre-processing methods to correct for artefacts were evaluated for their practical applicability and validation status. A consensus on the pre-processing was established by a multidisciplinary team of experts. Acquisition-related artefacts include geometric distortions, slice timing misalignment, and physiological noise. Intrinsic artefacts include motion, B1 inhomogeneities, Gibbs ringing, and noise. Motion can be mitigated using rigid-body alignment, but methods for addressing B1 inhomogeneities, Gibbs ringing, and noise remain underexplored for DSC MRI. Pre-processing of DSC MRI is critical for reliable diagnostics and research. While robust methods exist for correcting geometric distortions, motion, and slice timing issues, further validation is needed for methods addressing B1 inhomogeneities, Gibbs ringing, and noise. Implementing adequate mitigation methods for these artefacts could enhance reproducibility and diagnostic accuracy, supporting the growing reliance on DSC MRI in neurological imaging. Finally, we emphasize the crucial importance of pre-scan quality assurance with phantom scans.
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 | 0,006 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,008 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,006 |
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 ».