• 文献检索
  • 文档翻译
  • 深度研究
  • 学术资讯
  • Suppr Zotero 插件Zotero 插件
  • 邀请有礼
  • 套餐&价格
  • 历史记录
应用&插件
Suppr Zotero 插件Zotero 插件浏览器插件Mac 客户端Windows 客户端微信小程序
定价
高级版会员购买积分包购买API积分包
服务
文献检索文档翻译深度研究API 文档MCP 服务
关于我们
关于 Suppr公司介绍联系我们用户协议隐私条款
关注我们

Suppr 超能文献

核心技术专利：CN118964589B侵权必究
粤ICP备2023148730 号-1Suppr @ 2026

文献检索

告别复杂PubMed语法，用中文像聊天一样搜索，搜遍4000万医学文献。AI智能推荐，让科研检索更轻松。

立即免费搜索

文件翻译

保留排版，准确专业，支持PDF/Word/PPT等文件格式，支持 12+语言互译。

免费翻译文档

深度研究

AI帮你快速写综述，25分钟生成高质量综述，智能提取关键信息，辅助科研写作。

立即免费体验

磁共振神经影像学中的可重复性研究实践：基于先进语言模型的综述。

Reproducible Research Practices in Magnetic Resonance Neuroimaging: A Review Informed by Advanced Language Models.

机构信息

NeuroPoly Lab, Institute of Biomedical Engineering, Polytechnique Montréal, Montréal, Quebec, Canada.

Montréal Heart Institute, Montréal, Quebec, Canada.

出版信息

Magn Reson Med Sci. 2024 Jul 1;23(3):252-267. doi: 10.2463/mrms.rev.2023-0174. Epub 2024 Jun 19.

DOI:10.2463/mrms.rev.2023-0174
PMID:38897936
原文链接:https://pmc.ncbi.nlm.nih.gov/articles/PMC11234949/
Abstract

MRI has progressed significantly with the introduction of advanced computational methods and novel imaging techniques, but their wider adoption hinges on their reproducibility. This concise review synthesizes reproducible research insights from recent MRI articles to examine the current state of reproducibility in neuroimaging, highlighting key trends and challenges. It also provides a custom generative pretrained transformer (GPT) model, designed specifically for aiding in an automated analysis and synthesis of information pertaining to the reproducibility insights associated with the articles at the core of this review.

摘要

MRI 随着先进计算方法和新型成像技术的引入取得了重大进展，但它们的广泛应用取决于其可重复性。这篇简明综述综合了最近 MRI 文章中的可重复性研究见解，以检查神经影像学中的可重复性现状，突出关键趋势和挑战。它还提供了一个定制的生成式预训练转换器 (GPT) 模型，专门用于辅助对本综述核心文章中与可重复性见解相关的信息进行自动分析和综合。

https://cdn.ncbi.nlm.nih.gov/pmc/blobs/a670/11234949/64972d4e1d59/mrms-23-252-g4.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/a670/11234949/167c646bc7bb/mrms-23-252-g1.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/a670/11234949/feec3cb8b187/mrms-23-252-g2.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/a670/11234949/744f4cdd24e6/mrms-23-252-g3.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/a670/11234949/64972d4e1d59/mrms-23-252-g4.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/a670/11234949/167c646bc7bb/mrms-23-252-g1.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/a670/11234949/feec3cb8b187/mrms-23-252-g2.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/a670/11234949/744f4cdd24e6/mrms-23-252-g3.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/a670/11234949/64972d4e1d59/mrms-23-252-g4.jpg

相似文献

1
Reproducible Research Practices in Magnetic Resonance Neuroimaging: A Review Informed by Advanced Language Models.磁共振神经影像学中的可重复性研究实践：基于先进语言模型的综述。
Magn Reson Med Sci. 2024 Jul 1;23(3):252-267. doi: 10.2463/mrms.rev.2023-0174. Epub 2024 Jun 19.
2
Advanced Techniques for MR Neuroimaging.磁共振神经影像学高级技术。
Magn Reson Med Sci. 2024;23(3):249-251. doi: 10.2463/mrms.e.2024-1000.
3
MRIO: the Magnetic Resonance Imaging Acquisition and Analysis Ontology.MRIO：磁共振成像采集与分析本体。
Neuroinformatics. 2024 Jul;22(3):269-283. doi: 10.1007/s12021-024-09664-8. Epub 2024 May 20.
4
A generalizable brain extraction net (BEN) for multimodal MRI data from rodents, nonhuman primates, and humans.一种可推广的用于啮齿动物、非人灵长类动物和人类多模态 MRI 数据的大脑提取网络（BEN）。
Elife. 2022 Dec 22;11:e81217. doi: 10.7554/eLife.81217.
5
Brain tumor detection with integrating traditional and computational intelligence approaches across diverse imaging modalities - Challenges and future directions.基于不同成像模式的传统和计算智能方法相结合的脑肿瘤检测——挑战和未来方向。
Comput Biol Med. 2024 Jun;175:108412. doi: 10.1016/j.compbiomed.2024.108412. Epub 2024 Apr 16.
6
Generative diffeomorphic modelling of large MRI data sets for probabilistic template construction.基于生成式微分同胚模型的大型 MRI 数据集的概率模板构建。
Neuroimage. 2018 Feb 1;166:117-134. doi: 10.1016/j.neuroimage.2017.10.060. Epub 2017 Oct 31.
7
Advances in MRI Methodology.磁共振成像方法学的进展。
Int Rev Neurobiol. 2018;141:31-76. doi: 10.1016/bs.irn.2018.08.008. Epub 2018 Sep 14.
8
Physics-Informed Discretization for Reproducible and Robust Radiomic Feature Extraction Using Quantitative MRI.基于物理信息的离散化方法，用于使用定量 MRI 进行可重复且稳健的放射组学特征提取。
Invest Radiol. 2024 May 1;59(5):359-371. doi: 10.1097/RLI.0000000000001026. Epub 2023 Oct 9.
9
Segmentation and clustering in brain MRI imaging.脑磁共振成像中的分割和聚类。
Rev Neurosci. 2018 Dec 19;30(1):31-44. doi: 10.1515/revneuro-2018-0050.
10
Inter-scanner reproducibility of brain volumetry: influence of automated brain segmentation software.脑容量测量的扫描仪间可重复性：自动化脑分割软件的影响。
BMC Neurosci. 2020 Sep 4;21(1):35. doi: 10.1186/s12868-020-00585-1.

引用本文的文献

1
Rethinking MRI as a measurement device through modular and portable pipelines.通过模块化和便携式流程重新思考将磁共振成像作为一种测量设备。
MAGMA. 2025 Apr 24. doi: 10.1007/s10334-025-01245-3.
2
MRI acquisition and reconstruction cookbook: recipes for reproducibility, served with real-world flavour.《MRI采集与重建手册：实现可重复性的方法，融入真实应用场景》
MAGMA. 2025 Mar 6. doi: 10.1007/s10334-025-01236-4.
3
Advanced Techniques for MR Neuroimaging.磁共振神经影像学高级技术。

本文引用的文献

1
Repeat it without me: Crowdsourcing the T mapping common ground via the ISMRM reproducibility challenge.重复一遍，这次不用我翻译：通过 ISMRM 可重复性挑战进行 T 映射共同基础的众包。
Magn Reson Med. 2024 Sep;92(3):1115-1127. doi: 10.1002/mrm.30111. Epub 2024 May 10.
2
Computational reproducibility of Jupyter notebooks from biomedical publications.生物医学出版物中 Jupyter 笔记本的计算可重复性。
Gigascience. 2024 Jan 2;13. doi: 10.1093/gigascience/giad113.
3
The relaxometry hype cycle.弛豫测量法的炒作周期。
Magn Reson Med Sci. 2024;23(3):249-251. doi: 10.2463/mrms.e.2024-1000.
Front Physiol. 2023 Nov 9;14:1281147. doi: 10.3389/fphys.2023.1281147. eCollection 2023.
4
Steps for Conducting a Scoping Review.进行范围综述的步骤。
J Grad Med Educ. 2022 Oct;14(5):565-567. doi: 10.4300/JGME-D-22-00621.1.
5
In vivo magnetic resonance P-Spectral Analysis With Neural Networks: 31P-SPAWNN.基于神经网络的活体磁共振磷谱分析：31P-SPAWNN。
Magn Reson Med. 2023 Jan;89(1):40-53. doi: 10.1002/mrm.29446. Epub 2022 Sep 25.
6
Open and reproducible neuroimaging: From study inception to publication.开放且可重现的神经影像学：从研究开始到发表。
Neuroimage. 2022 Nov;263:119623. doi: 10.1016/j.neuroimage.2022.119623. Epub 2022 Sep 12.
7
qMRI-BIDS: An extension to the brain imaging data structure for quantitative magnetic resonance imaging data.qMRI-BIDS：一种针对定量磁共振成像数据的脑成像数据结构的扩展。
Sci Data. 2022 Aug 24;9(1):517. doi: 10.1038/s41597-022-01571-4.
8
Fourier-based decomposition for simultaneous 2-voxel MRS acquisition with 2SPECIAL.基于傅里叶变换的 2SPECIAL 同时双体素 MRS 采集分解。
Magn Reson Med. 2022 Nov;88(5):1978-1993. doi: 10.1002/mrm.29369. Epub 2022 Jul 30.
9
On the open-source landscape of Magnetic Resonance in Medicine.关于医学磁共振成像的开源领域。
Magn Reson Med. 2022 Oct;88(4):1495-1497. doi: 10.1002/mrm.29366.
10
Vendor-neutral sequences and fully transparent workflows improve inter-vendor reproducibility of quantitative MRI.中性供应商序列和完全透明的工作流程可提高定量 MRI 的跨供应商可重复性。
Magn Reson Med. 2022 Sep;88(3):1212-1228. doi: 10.1002/mrm.29292. Epub 2022 Jun 3.