Optimization of methods for quantification of rCBF using high-resolution [<sup>15</sup>O]H<sub>2</sub>O PET images
Notice bibliographique
Résumé
This study aimed to derive accurate estimates of regional cerebral blood flow (rCBF) from noisy dynamic [¹⁵O]H₂O PET images acquired on the high-resolution research tomograph, while retaining as much as possible the high spatial resolution of this brain scanner (2-3 mm) in parametric maps of rCBF. The PET autoradiographic method and generalized linear least-squares (GLLS), with fixed or extended to include spatially variable estimates of the dispersion of the measured input function, were compared to nonlinear least-squares (NLLS) for rCBF estimation. Six healthy volunteers underwent two [¹⁵O]H₂O PET scans with continuous arterial blood sampling. rCBF estimates were obtained from three image reconstruction methods (one analytic and two iterative, of which one includes a resolution model) to which a range of post-reconstruction filters (3D Gaussian: 2, 4 and 6 mm FWHM) were applied. The optimal injected activity was estimated to be around 11 MBq kg⁻¹ (800 MBq) by extrapolation of patient-specific noise equivalent count rates. Whole-brain rCBF values were found to be relatively insensitive to the method of reconstruction and rCBF quantification. The grey and white matter rCBF for analytic reconstruction and NLLS were 0.44 ± 0.03 and 0.15 ± 0.03 mL min⁻¹ cm⁻³, respectively, in agreement with literature values. Similar values were obtained from the other methods. For generation of parametric images using GLLS or the autoradiographic method, a filter of ≥ 4 mm was required in order to suppress noise in the PET images which otherwise produced large biases in the rCBF estimates.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».