Quantification Issues in Arterial Spin Labeling Perfusion Magnetic Resonance Imaging
Notice bibliographique
Résumé
Arterial spin labeling (ASL) perfusion magnetic resonance imaging has gained wide acceptance for its value in clinical and neuroscience applications during recent years. Its capability for noninvasive and absolute perfusion quantification is a key characteristic that makes ASL attractive for many clinical applications. In the present review, we discuss the main parameters or factors that affect the reliability and accuracy of ASL perfusion measurements. Our secondary goal was to outline potential solutions that may improve the reliability and accuracy of ASL in clinical settings. It was found that, through theoretical analyses, flow quantification is most sensitive to tagging efficiency and estimation of the equilibrium magnetization of blood signal (M(0b)). Variations of blood T1 have a greater effect on perfusion quantification than variations of tissue T1. Arterial transit time becomes an influential factor when it is longer than the postlabeling delay time. The T2's of blood and tissue impose minimal effects on perfusion calculation at field strengths equal to or lower than 3.0 T. Subsequently, we proposed various approaches for in vivo estimation or calibration of the above parameters, such as the use of phase-contrast magnetic resonance imaging for calibration of the labeling efficiency as well as the use of inversion recovery TrueFISP (true fast imaging with steady-state precession) sequence for blood T1 mapping. We also list representative clinical cases in which implicit assumptions for ASL perfusion quantification may be violated, such as the venous outflow effect in children with sickle cell disease. Finally, an optimal imaging protocol including in vivo measurements of several critical parameters was recommended for clinical ASL studies.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,002 |
| 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 ».