Improvement in breast lesion characterization with dynamic contrast‐enhanced MRI using pharmacokinetic modeling and bookend <i>T</i><sub>1</sub> measurements
Notice bibliographique
Résumé
Dynamic contrast-enhanced breast MR imaging was performed on 14 patients (five cancerous lesions, nine benign) with slice-selective spoiled gradient-recalled echo (2D SPGR) imaging. Adiabatic saturation recovery T(1) measurements were performed before (T(1pre)) and after (T(1post)) 2D SPGR imaging. These two "bookend" T(1) measurements were used to calibrate the equations which were employed to convert the time course of the 2D SPGR signal strength to T(1)-vs.-time, which in turn was used to compute the gadolinium concentration-vs.-time ([C](t)) in the lesion. The extraction-flow product (EF) was computed for each lesion by pharmacokinetic modeling of [C](t). For this study, EF provided a sensitivity and specificity for cancer of 100% and 78%, respectively. When only T(1pre) was used to estimate [C](t) (which assumes a priori knowledge of the shape and amplitude of the slice profile), the sensitivity and specificity fell to 80% and 56%, respectively. This is presumably due to unexpected variations in the shape and/or amplitude of the slice profile, which could be caused by factors such as patient-to-patient variations in breast geometry or inconsistently set transmit gains. Therefore, both T(1pre) and T(1post) measurements are necessary for optimum sensitivity and specificity using pharmacokinetic analysis.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».