When Perfusion Meets Diffusion: <i>in vivo</i> Measurement of Water Permeability in Human Brain
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découle