Voxel‐by‐voxel correlations of perfusion, substrate, and metabolite signals in dynamic hyperpolarized <sup>13</sup>C imaging
Notice bibliographique
Résumé
In this study, a mixture of pyruvic acid and the perfusion agent HP001 was co-polarized for simultaneous assessment of perfusion and metabolism in vivo. The pre-polarized mixture was administered to rats with subcutaneous MDA-MB-231 breast cancer xenografts and imaged using an interleaved sequence with designed spectral-spatial pulses and flyback echo-planar readouts. Voxel-by-voxel signal correlations from 10 animals (15 data sets) were analyzed for tumour, kidney, and muscle regions of interest. The relationship between perfusion and hyperpolarized signal was explored on a voxel-by-voxel basis in various metabolically active tissues, including tumour, healthy kidneys, and skeletal muscle. Positive pairwise correlations between lactate, pyruvate, and HP001 observed in all 10 tumours suggested that substrate delivery was the dominant factor limiting the conversion of pyruvate to lactate in the tumour model used in this study. On the other hand, in cases where conversion is the limiting factor, such as in healthy kidneys, both pyruvate and lactate can act as excellent perfusion markers. In intermediate cases between the two limits, such as in skeletal muscle, some perfusion information may be inferred from the (pyruvate + lactate) signal distribution. Co-administration of pyruvate with a dynamic nuclear polarization (DNP) perfusion agent is an effective approach for distinguishing between slow metabolism and poor perfusion and a practical strategy for lactate signal normalization to account for substrate delivery, especially in cases of rapid pyruvate-to-lactate conversion and in poorly perfused regions with inadequate pyruvate signal-to-noise ratio for reliable determination of the lactate-to-pyruvate ratio. Copyright © 2016 John Wiley & Sons, Ltd.
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) | 0,000 | 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) | 0,000 | 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 ».