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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 0,001 |
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 ».