Kinetic model‐based factor analysis of dynamic sequences for 82‐rubidium cardiac positron emission tomography
Notice bibliographique
Résumé
PURPOSE: Factor analysis has been pursued as a means to decompose dynamic cardiac PET images into different tissue types based on their unique temporal signatures to improve quantification of physiological function. In this work, the authors present a novel kinetic model-based (MB) method that includes physiological models of factor relationships within the decomposition process. The physiological accuracy of MB decomposed (82)Rb cardiac PET images is evaluated using simulated and experimental data. Precision of myocardial blood flow (MBF) measurement is also evaluated. METHODS: A gamma-variate model was used to describe the transport of (82)Rb in arterial blood from the right to left ventricle, and a one-compartment model to describe the exchange between blood and myocardium. Simulations of canine and rat heart imaging were performed to evaluate parameter estimation errors. Arterial blood sampling in rats and (11)CO blood pool imaging in dogs were used to evaluate factor and structure accuracy. Variable infusion duration studies in canine were used to evaluate MB structure and global MBF reproducibility. All results were compared to a previously published minimal structure overlap (MSO) method. RESULTS: Canine heart simulations demonstrated that MB has lower root-mean-square error (RMSE) than MSO for both factor (0.2% vs 0.5%, p < 0.001 MB vs MSO, respectively) and structure (3.0% vs 4.7%, p < 0.001) estimations, as with rat heart simulations (factors: 0.2% vs 0.9%, p < 0.001 and structures: 3.0% vs 6.7%, p < 0.001). MB blood factors compared to arterial blood samples in rats had lower RMSE than MSO (1.6% vs 2.2%, p =0.025). There was no difference in the RMSE of blood structures compared to a (11)CO blood pool image in dogs (8.5% vs 8.8%, p =0.23). Myocardial structures were more reproducible with MB than with MSO (RMSE=3.9% vs 6.2%, p < 0.001), as were blood structures (RMSE=4.9% vs 5.6%, p =0.006). Finally, MBF values tended to be more reproducible with MB compared to MSO (CV= 10% vs 18%, p =0.16). The execution time of MB was, on average, 2.4 times shorter than MSO (p < 0.001) due to fewer free parameters. CONCLUSIONS: Kinetic model-based factor analysis can be used to provide physiologically accurate decomposition of (82)Rb dynamic PET images, and may improve the precision of MBF quantification.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».