Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Assessment of Diffusion and Perfusion01:17

Assessment of Diffusion and Perfusion

1.5K
Understanding and evaluating diffusion and perfusion is critical in assessing a patient's respiratory and circulatory health. These processes play key roles in maintaining the body's internal environment, ensuring that tissues receive adequate oxygen while waste products are efficiently removed.
The Role of Diffusion in Respiration
Diffusion is the process by which molecules move from an area of higher concentration to an area of lower concentration. In the respiratory system, this...
1.5K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Dependence of the Extra-Cellular Diffusion Coefficient on the Fractions of Neurites and Cell Bodies in Gray Matter.

Magnetic resonance in medicine·2026
Same author

MR-Guided PET Denoising and Resolution Enhancement Improves Visual Interpretation and Preserves Quantitative Behavior Across Amyloid Tracers.

medRxiv : the preprint server for health sciences·2026
Same author

Geometry of the cumulant series in diffusion MRI.

Nature communications·2026
Same author

Diagnosis of Multiple Sclerosis Using Multimodal Deep Learning Integrating Lesion and Normal-Appearing White Matter: A Retrospective Study with International Multicentre External Validation.

medRxiv : the preprint server for health sciences·2026
Same author

Monte Carlo Assessment of Accuracy for Mean Kärger Model Water Exchange Rate Estimates From Diffusional Kurtosis Time Dependence.

NMR in biomedicine·2026
Same author

Visualizing cortical laminar architecture in the living human brain using next-generation ultra-high-gradient diffusion MRI.

Communications biology·2026

Video Experimental Relacionado

Updated: Jan 8, 2026

Co-analysis of Brain Structure and Function using fMRI and Diffusion-weighted Imaging
17:06

Co-analysis of Brain Structure and Function using fMRI and Diffusion-weighted Imaging

Published on: November 8, 2012

26.9K

¿Y si cada vóxel se midiera con un protocolo de difusión diferente?

Santiago Coelho1, Gregory Lemberskiy1, Ante Zhu2

  • 1Center for Biomedical Imaging and Center for Advanced Imaging Innovation and Research (CAI2R), Department of Radiology, New York University School of Medicine, New York, NY, USA.

Magnetic resonance in medicine
|December 12, 2025
PubMed
Resumen

Las no linealidades del gradiente en la RMN de difusión (dMRI) desafían la estimación de parámetros. El nuevo método de Estimación de Parámetros Independiente del Protocolo (PIPE) permite un análisis rápido y preciso de estructuras de fibras complejas, incluso con protocolos de escaneo variables.

Palabras clave:
RMN de difusiónno linealidades del gradienteaprendizaje automáticomicroestructuraconvolución esférica

Más Videos Relacionados

Diffusion Tensor Magnetic Resonance Imaging in the Analysis of Neurodegenerative Diseases
09:33

Diffusion Tensor Magnetic Resonance Imaging in the Analysis of Neurodegenerative Diseases

Published on: July 28, 2013

29.1K
Diffusion Imaging in the Rat Cervical Spinal Cord
10:46

Diffusion Imaging in the Rat Cervical Spinal Cord

Published on: April 7, 2015

12.1K

Videos de Experimentos Relacionados

Last Updated: Jan 8, 2026

Co-analysis of Brain Structure and Function using fMRI and Diffusion-weighted Imaging
17:06

Co-analysis of Brain Structure and Function using fMRI and Diffusion-weighted Imaging

Published on: November 8, 2012

26.9K
Diffusion Tensor Magnetic Resonance Imaging in the Analysis of Neurodegenerative Diseases
09:33

Diffusion Tensor Magnetic Resonance Imaging in the Analysis of Neurodegenerative Diseases

Published on: July 28, 2013

29.1K
Diffusion Imaging in the Rat Cervical Spinal Cord
10:46

Diffusion Imaging in the Rat Cervical Spinal Cord

Published on: April 7, 2015

12.1K

Área de la Ciencia:

  • Imágenes Médicas
  • Neuroimagen
  • Biofísica

Sus antecedentes:

  • La RMN de difusión (dMRI) se está expandiendo a gradientes fuertes y dispositivos de bajo campo, introduciendo no linealidades en el gradiente.
  • Estas no linealidades causan variaciones espaciales en los gradientes de difusión, distorsionando el q-espacio y dificultando la estimación precisa de parámetros.
  • Los métodos actuales tienen dificultades con las capas anisotrópicas y el reentrenamiento ineficiente para protocolos variables.

Objetivo del estudio:

  • Desarrollar un método de estimación de parámetros independiente del protocolo (PIPE) para dMRI.
  • Abordar el desafío de las no linealidades del gradiente en el análisis de dMRI.
  • Permitir la estimación rápida y precisa de las funciones de distribución de orientación de fibras (fODFs) a pesar de las variaciones del protocolo.

Principales métodos:

  • Se propuso un método de estimación de parámetros independiente del protocolo (PIPE) aplicable a cualquier modelo de dMRI basado en convolución esférica.
  • Se derivó una representación parsimoniosa para aislar los efectos isotrópicos y anisotrópicos de las no linealidades del gradiente.
  • Se aplicó PIPE a datos de RMN humana in vivo con codificación tensorial lineal.

Principales resultados:

  • PIPE permite la estimación rápida de parámetros para todo el cerebro en menos de 3 minutos, incluso con no linealidades de gradiente significativas.
  • El método evalúa con éxito la respuesta de la fibra y los parámetros de fODF.
  • Demostró robustez en valores b variables, tiempos de difusión/eco y otros parámetros de escaneo.

Conclusiones:

  • PIPE facilita la estimación rápida de parámetros en presencia de no linealidades arbitrarias del gradiente.
  • Elimina la necesidad de arreglos de capas de dMRI o reentrenamiento de estimadores para diferentes protocolos.
  • Aplicable a varios modelos de dMRI y datos adquiridos con diversos parámetros de escaneo.