A diffusion-compensated model for the analysis of DCE-MRI data: theory, simulations and experimental results
Notice bibliographique
Résumé
Accurate quantification of pharmacokinetic parameters in dynamic contrast-enhanced (DCE) MRI may be affected by the passive diffusion of contrast agent (CA) within the tissue. By introducing an additional term into the standard Tofts-Kety (STK) model, we correct for the effects of CA diffusion. We first develop the theory describing a CA diffusion corrected STK model (DTK). The model is then tested in simulation with simple models of diffusion. The DTK model is also fit to 18 in vivo DCE-MRI acquisitions from murine models of cancer and results are compared to those from the STK model. The DTK model returned estimates with significantly lower error than the STK model (p ≪ 0.001). In poorly perfused (i.e., K(trans) ≤ 0.05 min(-1)) regions the STK model returned unphysical ve values, while the DTK model estimated ve with less than 7% error in noise-free simulations. Results in vivo data revealed similar trends. For voxels with low K(trans) values and late peak concentration times the STK model returned ve estimates >1.0 in 40% of the voxels as compared to only 16% for the DTK model. The DTK model presented here shows promise in estimating accurate kinetic parameters in the presence of passive contrast agent diffusion.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».