Phantom Validation of DCE-MRI Magnitude and Phase-Based Vascular Input Function Measurements
Notice bibliographique
Résumé
Accurate, patient-specific measurement of arterial input functions (AIF) may improve model-based analysis of vascular permeability. This study investigated factors affecting AIF measurements from magnetic resonance imaging (MRI) magnitude (AIFMAGN) and phase (AIFPHA) signals, and compared them against computed tomography (CT) (AIFCT), under controlled conditions relevant to clinical protocols using a multimodality flow phantom. The flow phantom was applied at flip angles of 20° and 30°, flow rates (3–7.5 mL/s), and peak bolus concentrations (0.5–10 mM), for in-plane and through-plane flow. Spatial 3D-FLASH signal and variable flip angle T1 profiles were measured to investigate in-flow and radiofrequency-related biases, and magnitude- and phase-derived Gd-DTPA concentrations were compared. MRI AIF performance was tested against AIFCT via Pearson correlation analysis. AIFMAGN was sensitive to imaging orientation, spatial location, flip angle, and flow rate, and it grossly underestimated AIFCT peak concentrations. Conversion to Gd-DTPA concentration using T1 taken at the same orientation and flow rate as the dynamic contrast-enhanced acquisition improved AIFMAGN accuracy; yet, AIFMAGN metrics remained variable and significantly reduced from AIFCT at concentrations above 2.5 mM. AIFPHA performed equivalently within 1 mM to AIFCT across all tested conditions. AIFPHA, but not AIFMAGN, reported equivalent measurements to AIFCT across the range of tested conditions. AIFPHA showed superior robustness.
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 | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| 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 | 0,000 |
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 ».