Penumbra Detection using PWI/DWI Mismatch MRI in a Rat Stroke Model with and without Comorbidity: Comparison of Methods
Notice bibliographique
Résumé
Perfusion-diffusion (perfusion-weighted imaging (PWI)/diffusion-weighted imaging (DWI)) mismatch is used to identify penumbra in acute stroke. However, limitations in penumbra detection with mismatch are recognized, with a lack of consensus on thresholds, quantification and validation of mismatch. We determined perfusion and diffusion thresholds from final infarct in the clinically relevant spontaneously hypertensive stroke-prone (SHRSP) rat and its normotensive control strain, Wistar-Kyoto (WKY) and compared three methods for penumbra calculation. After permanent middle cerebral artery occlusion (MCAO) (WKY n=12, SHRSP n=15), diffusion-weighted (DWI) and perfusion-weighted (PWI) images were obtained for 4 hours post stroke and final infarct determined at 24 hours on T(2) scans. The PWI/DWI mismatch was calculated from volumetric assessment (perfusion deficit volume minus apparent diffusion coefficient (ADC)-defined lesion volume) or spatial assessment of mismatch area on each coronal slice. The ADC-derived lesion growth provided the third, retrospective measure of penumbra. At 1 hour after MCAO, volumetric mismatch detected smaller volumes of penumbra in both strains (SHRSP: 31 ± 50 mm(3), WKY: 22 ± 59 mm(3), mean ± s.d.) compared with spatial assessment (SHRSP: 36 ± 15 mm(3), WKY: 43 ± 43 mm(3)) and ADC lesion expansion (SHRSP: 41 ± 45 mm(3), WKY: 65 ± 41 mm(3)), although these differences were not statistically significant. Spatial assessment appears most informative, using both diffusion and perfusion data, eliminating the influence of negative mismatch and allowing the anatomical location of penumbra to be assessed at given time points after stroke.
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 | 0,001 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».