Positron Emission Tomography Compartmental Models: A Basis Pursuit Strategy for Kinetic Modeling
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A kinetic modeling approach for the quantification of in vivo tracer studies with dynamic positron emission tomography (PET) is presented. The approach is based on a general compartmental description of the tracer's fate in vivo and determines a parsimonious model consistent with the measured data. The technique involves the determination of a sparse selection of kinetic basis functions from an overcomplete dictionary using the method of basis pursuit denoising. This enables the characterization of the systems impulse response function from which values of the systems macro parameters can be estimated. These parameter estimates can be obtained from a region of interest analysis or as parametric images from a voxel-based analysis. In addition, model order estimates are returned that correspond to the number of compartments in the estimated compartmental model. Validation studies evaluate the methods performance against two preexisting data led techniques, namely, graphical analysis and spectral analysis. Application of this technique to measured PET data is demonstrated using [11C]diprenorphine (opiate receptor) and [11C]WAY-100635 (5-HT1A receptor). Although the method is presented in the context of PET neuroreceptor binding studies, it has general applicability to the quantification of PET/SPECT radiotracer studies in neurology, oncology, and cardiology.
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.
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 | 0,001 |
| 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 | 0,000 |
| 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 découle