Incorporating contrast agent diffusion into the analysis of DCE‐MRI data
Notice bibliographique
Résumé
Standard two-compartment pharmacokinetic models that describe the dynamic contrast-enhanced magnetic resonance imaging (DCE-MRI) time course of gadolinium diethylenetriamine pentaacetic acid (Gd-DTPA) concentration in a tissue do not account for the passive diffusion of contrast agent (CA) from a well-perfused to a less vascularized region. Even when the arterial input function (AIF) is perfectly known, the standard Tofts model returns inaccurate values of K(trans) (mean absolute relative difference [ARD] of 43%) from realistic simulated data where a well-defined delineation exists between a well-perfused and a poorly vascularized region. This contribution proposes a diffusion-perfusion (DP) model in which diffusion of a low molecular weight CA is incorporated in the standard two-compartment Tofts model. The proposed DP model reliably retrieved the values of K(trans) and v(e) (mean ARD of 16% and 17%, respectively) from simulated data. On mouse adenocarcinoma xenograft data showing evidence of CA diffusion, the standard model returned unphysical values of v(e) in the tumor core whereas the proposed DP model found values that were in the physical range (0 < v(e) < 1) throughout the tissue. In addition, K(trans) distributions from the DP model more closely corresponded to the observed sharp delineation between highly and poorly perfused areas observed in the mouse tumors.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».