Optimally Repeatable Kinetic Model Variant for Myocardial Blood Flow Measurements with <sup>82</sup>Rb PET
Notice bibliographique
Résumé
Purpose. Myocardial blood flow (MBF) quantification with Rb82 positron emission tomography (PET) is gaining clinical adoption, but improvements in precision are desired. This study aims to identify analysis variants producing the most repeatable MBF measures. Methods. 12 volunteers underwent same-day test-retest rest and dipyridamole stress imaging with dynamic Rb82 PET, from which MBF was quantified using 1-tissue-compartment kinetic model variants: ( 1 ) blood-pool versus uptake region sampled input function (Blood/Uptake-ROI), ( 2 ) dual spillover correction (SOC-On/Off), ( 3 ) right blood correction (RBC-On/Off), ( 4 ) arterial blood transit delay (Delay-On/Off), and ( 5 ) distribution volume (DV) constraint (Global/Regional-DV). Repeatability of MBF, stress/rest myocardial flow reserve (MFR), and stress/rest MBF difference (ΔMBF) was assessed using nonparametric reproducibility coefficients ( RPCnp = 1.45 × interquartile range). Results. MBF using SOC-On, RVBC-Off, Blood-ROI, Global-DV, and Delay-Off was most repeatable for combined rest and stress: RPCnp = 0.21 mL/min/g (15.8%). Corresponding MFR and ΔMBF RPCnp were 0.42 (20.2%) and 0.24 mL/min/g (23.5%). MBF repeatability improved with SOC-On at stress ( p<0.001 ) and tended to improve with RBC-Off at both rest and stress ( p<0.08 ). DV and ROI did not significantly influence repeatability. The Delay-On model was overdetermined and did not reliably converge. Conclusion. MBF and MFR test-retest repeatability were the best with dual spillover correction, left atrium blood input function, and global DV.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».