A Novel Method to Derive Separate Gray and White Matter Cerebral Blood Flow Measures from MR Imaging of Acute Ischemic Stroke Patients
Notice bibliographique
Résumé
Perfusion-weighted imaging (PWI) measures can predict tissue outcome in acute ischemic stroke. Accuracy might be improved if differential tissue susceptibility to ischemia is considered. We present a novel voxel-by-voxel analysis to characterize cerebral blood flow (CBF) separately in gray (GM) and white matter (WM). Ten patients were scanned with inversion-recovery spin-echo EPI (IRSEPI), diffusion-weighted imaging (DWI), PWI<6 h from onset and fluid attenuated inversion-recovery (FLAIR) at 30 days. Image processing included coregistration to PWI, automatic segmentation of IRSEPI into GM, WM and CSF and semiautomatic segmentation of DWI/FLAIR to derive the acute and 30-day lesions. Five tissue compartments were defined: (1) 'Core' (abnormal acutely and at 30 days), (2) 'Growth' (or 'infarcted penumbra', abnormal only at 30 days), (3) 'Reversed' (abnormal acutely but normal at 30 days), (4) 'MTT-Delayed ' (tissue with delayed mean transit time but not part of the acute or 30-day lesion), and (5) 'Normal' brain. Cerebral blood flow in GM and WM of each compartment was obtained from quantitative maps. Gray matter and WM mean CBF in the growth region differed by 5.5 mL/100 g min (P=0.015). Mean CBF also differed significantly within normal and MTT-Delayed compartments. The difference in the reversed region approached statistical significance. In core, GM and WM CBF did not differ. The results suggest separate ischemic thresholds for GM and WM in stroke penumbra.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».