Modeling and correction of bolus dispersion effects in dynamic susceptibility contrast MRI
Notice bibliographique
Résumé
PURPOSE: Bolus dispersion in DSC-MRI can lead to errors in cerebral blood flow (CBF) estimation by up to 70% when using singular value decomposition analysis. However, it might be possible to correct for dispersion using two alternative methods: the vascular model (VM) and control point interpolation (CPI). Additionally, these approaches potentially provide a means to quantify the microvascular residue function. METHODS: VM and CPI were extended to correct for dispersion by means of a vascular transport function. Simulations were performed at multiple dispersion levels and an in vivo analysis was performed on a healthy subject and two patients with carotid atherosclerotic disease. RESULTS: Simulations showed that methods that could not address dispersion tended to underestimate CBF (ratio in CBF estimation, CBFratio = 0.57-0.77) in the presence of dispersion; whereas modified CPI showed the best performance at low-to-medium dispersion; CBFratio = 0.99 and 0.81, respectively. The in vivo data showed trends in CBF estimation and residue function that were consistent with the predictions from simulations. CONCLUSION: In patients with atherosclerotic disease the estimated residue function showed considerable differences in the ipsilateral hemisphere. These differences could partly be attributed to dispersive effects arising from the stenosis when dispersion corrected CPI was used. It is thus beneficial to correct for dispersion in perfusion analysis using this method.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 ».