Constant-Activity-Rate Infusions for Myocardial Blood Flow Quantification with 82Rb and 3D PET
Notice bibliographique
Résumé
Quantification of myocardial blood flow (MBF) can be performed using dynamic82Rb PET imaging. However, the small dynamic range of some 3D PET systems can prevent accurate measurement of the first-pass activity with standard82Rb bolus infusions. The purpose of this study was to investigate the use of slow constant-activity-rate infusions to optimize MBF quantification with 3D PET. Methods: Dynamic 3D PET imaging was performed in a normal dog with 150 MBq of82Rb infused over 15, 30, 60, 120 and 240 s. Left ventricular mean MBF was quantified using a one-compartment model of82Rb kinetics, and compared to standard values obtained using13N-ammonia with a two-compartment model. Results: Peak deadtime and coincidence count-rates decreased by almost 50% and 70% respectively with 240 vs. 30 s tracer infusion, but integral true coincidences (prompt - delayed) were maintained. Mean MBF values remained accurate (1.4 vs. 1.3 mL/min/g) using 240 vs. 30 s infusions, and vs. standard13N-ammonia MBF values (1.3 mL/min/g). Precision of the MBF estimates was also improved by a factor of 3.5. Conclusion: Constant-activity-rate infusions reduce the dynamic range needed for MBF quantification with82Rb and 3D PET imaging. Using a one-compartment model, the precision of MBF estimates are also improved with slower infusions. This may permit improved MBF quantification using 3D PET, with high integral counts maintained for conventional perfusion imaging.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».