Dynamic Imaging of Glucose and Lactate Metabolism by 13C-MRS without Hyperpolarization
Notice bibliographique
Résumé
Abstract Metabolic reprogramming is one of the defining features of cancer and abnormal metabolism is associated with many other pathologies. Molecular imaging techniques capable of detecting such changes have become essential for cancer diagnosis, treatment planning, and surveillance. In particular, 18 F-FDG (fluorodeoxyglucose) PET has emerged as an essential imaging modality for cancer because of its unique ability to detect a disturbed molecular pathway through measurements of glucose uptake. However, FDG-PET has limitations that restrict its usefulness in certain situations and the information gained is limited to glucose uptake only. 13 C magnetic resonance spectroscopy theoretically has certain advantages over FDG-PET, but its inherent low sensitivity has restricted its use mostly to single voxel measurements unless dissolution dynamic nuclear polarization (dDNP) is used to increase the signal, which brings additional complications for clinical use. We show here a new method of imaging glucose metabolism in vivo by MRI chemical shift imaging (CSI) experiments that relies on a simple, but robust and efficient, post-processing procedure by the higher dimensional analog of singular value decomposition, tensor decomposition. Using this procedure, we achieve an order of magnitude increase in signal to noise in both dDNP and non-hyperpolarized non-localized experiments without sacrificing accuracy. In CSI experiments an approximately 30-fold increase was observed, enough that the glucose to lactate conversion indicative of the Warburg effect can be imaged without hyper-polarization with a time resolution of 12s and an overall spatial resolution that compares favorably to 18 F-FDG PET.
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 ».