Conversion of arterial input functions for dual pharmacokinetic modeling using Gd‐DTPA/MRI and <sup>18</sup>F‐FDG/PET
Notice bibliographique
Résumé
Reaching the full potential of magnetic resonance imaging (MRI)-positron emission tomography (PET) dual modality systems requires new methodologies in quantitative image analyses. In this study, methods are proposed to convert an arterial input function (AIF) derived from gadolinium-diethylenetriaminepentaacetic acid (Gd-DTPA) in MRI, into a (18)F-fluorodeoxyglucose ((18)F-FDG) AIF in PET, and vice versa. The AIFs from both modalities were obtained from manual blood sampling in a F98-Fisher glioblastoma rat model. They were well fitted by a convolution of a rectangular function with a biexponential clearance function. The parameters of the biexponential AIF model were found statistically different between MRI and PET. Pharmacokinetic MRI parameters such as the volume transfer constant (K(trans)), the extravascular-extracellular volume fraction (ν(e)), and the blood volume fraction (ν(p)) calculated with the Gd-DTPA AIF and the Gd-DTPA AIF converted from (18)F-FDG AIF normalized with or without blood sample were not statistically different. Similarly, the tumor metabolic rates of glucose (TMRGlc) calculated with (18) F-FDG AIF and with (18) F-FDG AIF obtained from Gd-DTPA AIF were also found not statistically different. In conclusion, only one accurate AIF would be needed for dual MRI-PET pharmacokinetic modeling in small animal models.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».