Increased robustness in reference region model analysis of <scp>DCE MRI</scp> using two‐step constrained approaches
Notice bibliographique
Résumé
PURPOSE: Reference region models (RRMs) can quantify tumor perfusion in dynamic contrast-enhanced MRI without an arterial input function. Inspection of the RRM reveals that one of the free parameters in the fit is uniquely linked to the reference region and is common to all voxels. A two-step approach is proposed that takes this constraint into account. METHODS: Three constrained RRM (CRRM) approaches were devised and evaluated. Simulations were performed to compare their accuracy and precision over a range of noise and temporal resolutions. The CRRM was also applied on a virtual phantom that simulates different perfusion values. In vivo evaluation was performed on data from breast cancer and soft tissue sarcoma. RESULTS: In simulations, the CRRM consistently improved precision and had better accuracy at low signal-to-noise ratio (SNR). In virtual phantom, the CRRMs were able to fit voxels that had similar kinetics to the reference tissue, whereas the unconstrained models failed to accurately fit these voxels. In the in vivo data, the constrained approaches produced parameter maps that had less variability and were in better agreement with the Tofts model. CONCLUSION: These findings indicate that the two-step fitting approach of the CRRM can reduce the variability of perfusion estimates for quantifying perfusion with dynamic contrast-enhanced (DCE) MRI. Magn Reson Med 78:1547-1557, 2017. © 2016 International Society for Magnetic Resonance in Medicine.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».