The impact of partial‐volume effects in dynamic susceptibility contrast magnetic resonance perfusion imaging
Notice bibliographique
Résumé
PURPOSE: To demonstrate the degree of the cerebral blood flow (CBF) estimation bias that could arise from distortion of the arterial input function (AIF) as a result of partial-volume effects (PVEs) in dynamic susceptibility contrast (DSC) magnetic resonance imaging (MRI). MATERIALS AND METHODS: A model of the volume fraction an artery occupies in a voxel was devised, and a mathematical relationship between the amount of PVE and the measured baseline MR signal intensity was derived. Based on this model, simulation studies were performed to assess the impact of PVE on CBF. Furthermore, the effectiveness of linear PVE compensation approaches on the concentration function was investigated. RESULTS: Simulation results showed a nonlinear relationship between PVE and the resulting CBF measurement error. In addition to AIF underestimation, PVE also causes distortions of AIF frequency characteristics, leading to CBF errors varying with mean transit time (MTT). An uncorrected AIF measured at a voxel with a partial-volume fraction of <or=50% could produce a CBF overestimation of more than fourfold. Linear compensation of the concentration curves did not produce correct CBF estimates. CONCLUSION: PVE can induce significant CBF estimation biases. In addition, the MTT dependence of CBF accuracy raises doubts of the validity of adopting a single cross-calibration factor (i.e., setting normal white matter to 22 mL minute(-1) (100 g)(-1)) to obtain CBF values with absolute units. The impact of PVE may be reduced by decreasing the maximum arterial signal drop in the perfusion images. To correct the AIF distortions introduced by PVE, the nonlinear relationship between the impact of PVE on MR signal intensity and contrast concentration function must be considered.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».