Feasibility of simultaneous whole-brain imaging on an integrated PET-MRI system using an enhanced 2-point Dixon attenuation correction method
Notice bibliographique
Résumé
PURPOSE: To evaluate a potential approach for improved attenuation correction (AC) of PET in simultaneous PET and MRI brain imaging, a straightforward approach that adds bone information missing on Dixon AC was explored. METHODS: Bone information derived from individual T1-weighted MRI data using segmentation tools in SPM8, were added to the standard Dixon AC map. Percent relative difference between PET reconstructed with Dixon+bone and with Dixon AC maps were compared across brain regions of 13 oncology patients. The clinical potential of the improved Dixon AC was investigated by comparing relative perfusion (rCBF) measured with arterial spin labeling to relative glucose uptake (rPETdxbone) measured simultaneously with (18)F-flurodexoyglucose in several regions across the brain. RESULTS: A gradual increase in PET signal from center to the edge of the brain was observed in PET reconstructed with Dixon+bone. A 5-20% reduction in regional PET signals were observed in data corrected with standard Dixon AC maps. These regional underestimations of PET were either reduced or removed when Dixon+bone AC was applied. The mean relative correlation coefficient between rCBF and rPETdxbone was r = 0.53 (p < 0.001). Marked regional variations in rCBF-to-rPET correlation were observed, with the highest associations in the caudate and cingulate and the lowest in limbic structures. All findings were well matched to observations from previous studies conducted with PET data reconstructed with computed tomography derived AC maps. CONCLUSION: Adding bone information derived from T1-weighted MRI to Dixon AC maps can improve underestimation of PET activity in hybrid PET-MRI neuroimaging.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 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 ».