Detecting physiological systems with laser speckle perfusion imaging of the renal cortex
Notice bibliographique
Résumé
Laser speckle perfusion imaging (LSPI) has become an increasingly popular technique for monitoring vascular perfusion over a tissue surface. However, few studies have utilized the full range of spatial and temporal information generated by LSPI to monitor spatial properties of physiologically relevant dynamics. In this study, we extend the use of LSPI to analyze renal perfusion dynamics over a spatial surface of ~5 × 7 mm of renal cortex. We identify frequencies related to five physiological systems that induce temporal changes in renal vascular perfusion (cardiac flow pulse, respiratory-induced oscillations, baroreflex components, the myogenic response, and tubuloglomerular feedback) across the imaged surface and compare the results with those obtained from renal blood flow measurements. We find that dynamics supplied from global sources (cardiac, respiration, and baroreflex) present with the same frequency at all locations across the imaged surface, but the local renal autoregulation dynamics can be heterogeneous in their distribution across the surface. Moreover, transfer function analysis with forced blood pressure as the input yields the same information with laser speckle imaging or renal blood flow as the output during control, intrarenal infusion of N(ω)-nitro-L-arginine methyl ester to enhance renal autoregulation, and intrarenal infusion of the rho-kinase inhibitor Y-27632 to inhibit vasomotion. We conclude that LSPI measurements can be used to analyze local as well as global renal perfusion dynamics and to study the properties of physiological systems across the renal cortex.
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) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».