Improved correlation to quantitative DCE‐MRI pharmacokinetic parameters using a modified initial area under the uptake curve (mIAUC) approach
Notice bibliographique
Résumé
PURPOSE: To propose a modified initial area under the uptake curve (mIAUC) dynamic contrast-enhanced (DCE)-MRI approach to achieve better distinction of underlying physiology. MATERIALS AND METHODS: The mIAUC is formulated on common characteristics of tissue contrast uptake curves observed over a wide range of physiological conditions. The new metrics, IAUC(Ktrans) and IAUC(ve), are related to the transfer constant (K(trans)) and interstitial volume (v(e)), respectively. Tissue uptake curves were simulated over a range of physiological values and analyzed using the proposed mIAUC, conventional IAUC, and Tofts' pharmacokinetic model. RESULTS: IAUC(Ktrans) and IAUC(ve) are highly correlated to the true K(trans) and v(e) (rho = 0.97 and 0.95, respectively), approaching the performance of Tofts' model based on a 1.5-s sampled arterial input function (AIF) (rho = 0.98 and 0.98) under noise conditions typical in DCE-MRI experiments. Lower correlations were obtained with conventional IAUC(60) and IAUC(120) (rho = 0.82 and 0.61) and Tofts' parameters fitted using a biexponential AIF (rho = 0.81 and 0.90). CONCLUSION: The proposed mIAUC approach retains advantages associated with nonmodel based methods (robust to noise and model fit failure, obviates need for an AIF) while providing better distinction of underlying physiological parameters. It can be a valuable alternative to pharmacokinetic modelling in the analysis of DCE-MRI data.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».