MR Imaging of the Arterial Vessel Wall: Molecular Imaging from Bench to Bedside
Notice bibliographique
Résumé
Cardiovascular diseases remain the leading cause of morbidity and mortality in the Western world and developing countries. In clinical practice, in vivo characterization of atherosclerotic lesions causing myocardial infarction, ischemic stroke, and other complications remains challenging. Imaging methods, limited to the assessment luminal stenosis, are the current reference standard for the assessment of clinically significant coronary and carotid artery disease and the guidance of treatment. These techniques do not allow distinction between stable and potentially vulnerable atherosclerotic plaque. Magnetic resonance (MR) imaging is a modality well suited for visualization and characterization of the relatively thin arterial vessel wall, because it allows imaging with high spatial resolution and excellent soft-tissue contrast. In clinical practice, atherosclerotic plaque components of the carotid artery and aorta may be differentiated and characterized by using unenhanced vessel wall MR imaging. Additional information can be gained by using clinically approved nonspecific contrast agents. With the advent of targeted MR contrast agents, which enhance specific molecules or cells, pathologic processes can be visualized at a molecular level with high spatial resolution. In this article, the pathophysiologic changes of the arterial vessel wall underlying the development of atherosclerosis will be first reviewed. Then basic principles and properties of molecular MR imaging contrast agents will be introduced. Additionally, recent advances in preclinical molecular vessel wall imaging will be reviewed. Finally, the clinical feasibility of arterial vessel wall imaging at unenhanced and contrast material-enhanced MR imaging of the aortic, carotid, and coronary vessel wall will be discussed.
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 | 0,001 |
| 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 | 0,000 |
| 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 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 ».