NI-08 * OPTIMIZATION OF MOLECULAR MR IMAGING OF GLIOMA
Notice bibliographique
Résumé
BACKGROUND: MRI has been widely recognized as a diagnostic tool for early cancer detection, treatment monitoring and image guided surgery. Of particular interest is imaging of high-grade gliomas due to their rapid growth and very poor prognosis with a median survival rate of only 9 months. Standard contrast enhanced MRI, not provide sufficiently high specificity for tumor diagnosis and thus require targeted contrast agents which can be applied to provide information on tumor status. Therefore we applied targeted contrast agents based on iron oxide, that shorten mostly T2 relaxation time. The aim of this study was to optimize contrast-to-noise ratio (CNR) using spin-echo (SE), gradient echo (GE) and GE with flow compensation (GEFC) pulse sequences in T2 contrast-enhanced molecular MRI of glioma. METHODS: A mouse model of glioma and 9.4T MRI were used. MR imaging was performed. The CNR was measured prior, 20 min, 2 hrs and 24 hrs post intravenous tail administration of the glioma targeted paramagnetic nanoparticles (NPs) using spin-echo (SE), gradeint-ech (GE), gradient-echo flow compensation (GEFC) pulse sequences. Susceptibility weighted images (SWI) based on GEFC were also obtained for comparison. RESULTS: The results showed significant differences in CNR among all pulse sequences prior injection. GEFC provided higher CNR post contrast agent injection when compared to GE and SE. Post injection CNR was the highest with SWI and significantly different from any other pulse sequence. The optimum CNR was found to be TE = 7 ms for GE and GEFC pulse sequences and TE = 60 ms for SE. CONCLUSION: The study showed, that molecular MR imaging using targeted contrast agents can enhance the detection of glioma cells at 9.4T if the optimal pulse sequence is used. Hence, the use of flow compensated pulse sequences, beside SWI, should to be considered in the molecular imaging studies.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».