When Perfusion Meets Diffusion: <i>in vivo</i> Measurement of Water Permeability in Human Brain
Notice bibliographique
Résumé
Quantification of water permeability can improve the accuracy of perfusion measurements obtained with arterial spin labeling (ASL) methods, and may provide clinically relevant information regarding the functional status of the microvasculature. The amount of labeled water in the vascular and tissue compartments in an ASL experiment can be estimated based on their distinct diffusion characteristics, and in turn, water permeability determined from the relative vascular and tissue contributions. In the present study, a hybrid magnetic resonance imaging technique was introduced by marrying a continuous ASL method with a twice-refocused spin-echo diffusion sequence. Series of diffusion-weighted ASL signals were acquired with systematically varied b values. The signals were modeled with fast and slow decaying components that were associated with the vascular and tissue compartments, respectively. The relative amount of labeled water in the tissue compartment increased from 61% to 74% and to 86% when the postlabeling delay time was increased from 0.8 to 1.2 and to 1.5 secs. With a b value of 50 secs/mm2, the capillary contribution (fast component) of the ASL signal could be effectively minimized. Using the single-pass approximation model, the water permeability of gray matter in the human brain was estimated based on the derived relative water fractions in the tissue and microvasculature. The potential for in vivo magnetic resonance mapping of water permeability was showed using two diffusion weighted ASL measurements with b=0 and 50 secs/mm2 in both healthy subjects and a case of brain tumor.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».