Extended graphical model for analysis of dynamic contrast‐enhanced MRI
Notice bibliographique
Résumé
Kinetic analysis with mathematical models has become increasingly important to quantify physiological parameters in computed tomography (CT), positron emission tomography (PET), and dynamic contrast-enhanced MRI (DCE-MRI). The modified Kety/Tofts model and the graphical (Patlak) model have been widely applied to DCE-MRI results in disease processes such as cancer, inflammation, and ischemia. In this article, an intermediate model between the modified Kety/Tofts and Patlak models is derived from a mathematical expansion of the modified Kety/Tofts model. Simulations and an in vivo experiment involving DCE-MRI of carotid atherosclerosis were used to compare the new extended graphical model with the modified Kety/Tofts model and the Patlak model. In our simulated circumstances and the carotid artery application, we found that the extended graphical model exhibited lower noise sensitivity and provided more accurate estimates of the volume transfer constant (K(trans)) and fractional plasma volume (v(p)) than the modified Kety/Tofts model for DCE-MRI acquisitions of total duration less than 100-300 s, depending on kinetic parameters. In comparison with the Patlak model, we found that the extended graphical model exhibited 74.4-99.8% less bias in estimates of K(trans). Thus, the extended graphical model may allow kinetic modeling of DCE-MRI results with shortened data acquisition periods, without sacrificing accuracy in estimates of K(trans) and v(p).
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) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».