[论文解读] Diffusion-weighted MR spectroscopy: consensus, recommendations and resources from acquisition to modelling
该论文提出了关于扩散加权MR光谱（dMRS）的社区共识最佳实践，详细说明获取、处理、拟合、建模，并提供来自工作坊的资源。
Brain cell structure and function reflect neurodevelopment, plasticity and ageing, and changes can help flag pathological processes such as neurodegeneration and neuroinflammation. Accurate and quantitative methods to non-invasively disentangle cellular structural features are needed and are a substantial focus of brain research. Diffusion-weighted MR spectroscopy (dMRS) gives access to diffusion properties of endogenous intracellular brain metabolites that are preferentially located inside specific brain cell populations. Despite its great potential, dMRS remains a challenging technique on all levels: from the data acquisition to the analysis, quantification, modelling and interpretation of results. These challenges were the motivation behind the organisation of the Lorentz Workshop on 'Best Practices and Tools for Diffusion MR Spectroscopy' held in Leiden in September 2021. During the workshop, the dMRS community established a set of recommendations to execute robust dMRS studies. This paper provides a description of the steps needed for acquiring, processing, fitting and modelling dMRS data and provides links to useful resources.
研究动机与目标
- 通过从数据获取到建模 outlining 标准化工作流程，推动鲁棒的 dMRS 研究。
- 总结 Lorentz Workshop on Best Practices and Tools for Diffusion MR Spectroscopy（Leiden, 2021）期间建立的共识性建议。
- 提供实际指导和资源链接，以支持 dMRS 研究人员
- 解决 dMRS 数据获取、处理、量化和结果解释中的挑战。
提出的方法
- 描述获取、处理、拟合和建模 dMRS 数据所需的端到端步骤。
- 将社区建议整合为从数据收集到解释的结构化工作流程。
- 为 dMRS 管线的各阶段提供有用资源和工具的链接。
- 将共识呈现为鲁棒且可重复的 dMRS 研究的参考。
实验结果
研究问题
- RQ1社区认可的获取扩散加权MR光谱数据的最佳实践是什么？
- RQ2哪些处理和拟合策略可提高 dMRS 的可靠性和量化准确性？
- RQ3在脑研究中，如何进行和解读细胞内代谢物的扩散建模？
- RQ4有哪些资源和工具可在整个 dMRS 工作流中支持研究人员？
主要发现
- 一组涵盖获取、处理、拟合和建模的鲁棒 dMRS 研究共识性建议。
- 对获取、处理、拟合和建模 dMRS 数据所需步骤的结构化描述。
- 识别并整理有助于支持 dMRS 工作流各阶段的有用资源和工具。
- 认识到 dMRS 的挑战与局限，并提供应对指南。
- 提供一个参考框架，标准化跨研究的 dMRS 方法。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。