MétaCan
Menu
Retour à la cohorte
Enregistrement W7070555542

Performance of Background Field Removal and Dipole Inversion Methods to Reconstruct Brain Quantitative Susceptibility Mapping (QSM) Data Acquired in Neonatal Asphyxia

2023· other· fr· W7070555542 sur OpenAlexfundno aff

Notice bibliographique

RevuePolyPublie (École Polytechnique de Montréal) · 2023
Typeother
Languefr
Domaine
Thématique
Établissements canadiensnon disponible
Organismes subventionnairesCanadian Institutes of Health ResearchCanada First Research Excellence FundPolytechnique Montréal
Mots-clésPhase (matter)High resolution
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

RÉSUMÉ: Largement utilisée dans le cerveau humain, l'imagerie par résonance magnétique (IRM) est une technique d'imagerie médicale non invasive à haute résolution qui utilise des rayonnements non ionisants pour produire un bon contraste des tissus mous et des données potentiellement utiles. La susceptibilité magnétique des tissus, qui peut refléter la composition du tissu, a un impact sur le signal en IRM. Des techniques de cartographie de susceptibilité quantitative (QSM) ont récemment été utilisées pour évaluer la susceptibilité magnétique, un attribut physique de la matière, dans les tissus biologiques. En utilisant des images de phase IRM qui sont enregistrées en même temps que des images de magnitude conventionnelles pour reconstruire la distribution spatiale de susceptibilité. Par conséquent, QSM détermine la distribution de susceptibilité en résolvant le problème inverse mal poser consistant à obtenir la distribution de susceptibilité à partir de la perturbation de champ dans les données de phase. Pour résoudre ce problème inverse, plusieurs étapes de prétraitement doivent avoir lieu, comprenant trois étapes principales : du déballage de phase au déballage de l'image de phase puisque les données de phase du scanner sont limitées à la plage [-π, π]. Toute phase enregistrée en dehors de cette plage y sera repliée, produisant un enroulement de phase, qui est un saut dans les données de phase, puis l'élimination des perturbations de champ magnétique de fond causées en dehors du volume d'intérêt. Enfin, l'inversion dipolaire pour estimer la susceptibilité locale. Il existe de nombreuses utilisations du QSM, y compris la susceptibilité magnétique peut être utilisée pour diagnostiquer et surveiller de nombreuses maladies, notamment la maladie de Parkinson, la maladie de Huntington, la sclérose en plaques et l'encéphalopathie hypoxique-ischémique (HIE), ainsi que la myélinisation, les microhémorragies et le métabolisme du fer. Cette thèse était spécifiquement dédiée aux nouveau-nés diagnostiqués avec HIE, qui es une condition médicale qui provoque un manque d’oxygène dans le cerveau du nourrisson, ce qui peut entrainer des résultats neurodéveloppement aux indésirables. Ayant un taux de mortalité élevé, HIE a été un sujet d’intérêt pour de nombreux chercheurs qui tenet de trouver un biomarqueur précoce pour détecter les lésions cérébrales. ABSTRACT: Magnetic resonance imaging (MRI), widely employed in the human brain, is a high-resolution, non-invasive medical imaging technique that uses non-ionizing radiation to produce good soft tissue contrast and potentially meaningful data. The magnetic susceptibility of tissues, which may reflect the tissue's composition, affects MRI signals. Quantitative susceptibility mapping (QSM) techniques have recently been used to assess magnetic susceptibility, a physical attribute of matter, within biological tissues, by utilizing MRI phase images recorded concurrently with conventional magnitude images to rebuild the spatial susceptibility distribution. QSM determines the susceptibility distribution by resolving the ill-posed inverse problem of obtaining the susceptibility distribution from the field perturbation in the phase data. To solve this inverse problem, three major preprocessing steps should take place: phase unwrapping to unwrap the phase image since the scanner's phase data is restricted to the range [-π,π]. Any phase value recorded outside this range will be aliased back into it, producing a phase wrap, which is a jump in the phase data, followed by the elimination of background magnetic field disturbances caused outside the volume of interest. Finally, dipole inversion to estimate local susceptibility. There are numerous uses of QSM, including magnetic susceptibility, which can be used to diagnose and monitor illnesses, including Parkinson's, Huntington's, Multiple Sclerosis, and hypoxic-ischemic encephalopathy (HIE), as well as myelination, microbleeds, and iron metabolism. This thesis is specifically dedicated to neonates diagnosed with HIE, which is a medical condition that causes a lack of oxygen in the infant's brain which can lead to adverse neurodevelopmental outcomes. Having a high mortality rate, HIE has been a topic of interest for many researchers that are trying to find an early biomarker to detect brain injury. The goals of this thesis are as follows: to develop a foundation of MRI physics with a focus and multi-echo MRI sequences; to review the literature of QSM for each pre-processing step; to explain the danger of HIE for neonates; compare different image reconstruction pipelines to assess brain oxygenation, using QSM, for neonates diagnosed with HIE who underwent therapeutic hypothermia that consists in cooling patients during the first 72 h of age. The comparison will be performed by choosing the most used background field removal and dipole inversion algorithms, making different combinations out of them, and then comparing them using different metrics. The susceptibility values and oxygenation levels were also extracted for comparison. The findings of this project lead us to believe that the choice of dipole inversion and background field removal can affect susceptibility and oxygenation values. Accordingly, to ensure optimal results, QSM processing strategies should be carefully selected based on the questions of interest: either interest in quantitative assessment ( oxygenation and susceptibility values) or qualitative assessment.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,049
Tête enseignante GPT0,321
Écart entre enseignants0,272 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePolyPublie (École Polytechnique de Montréal)Travaux en français237 207