Cerebral OEF quantification: A comparison study between quantitative susceptibility mapping and dual‐gas calibrated BOLD imaging
Notice bibliographique
Résumé
Purpose To compare regional oxygen extraction fraction (OEF) and cerebral metabolic rate of oxygen consumption (CMRO 2 ) quantified from the microvascular quantitative susceptibility mapping (QSM) using a hypercapnic gas challenge with those measured by the dual‐gas calibrated BOLD imaging (DGC‐BOLD) in healthy subjects. Methods Ten healthy subjects were scanned using a 3T MR system. The QSM data were acquired with a multi‐echo gradient‐echo sequence at baseline and hypercapnia. Cerebral blood flow data were acquired using the pseudo‐continuous arterial spin labeling technique. Baseline OEF and CMRO 2 were calculated using QSM and cerebral blood flow measurements. The DGC‐BOLD data were also collected under a hypercapnic and a hyperoxic condition to yield baseline OEF and CMRO 2 . The QSM‐OEF and CMRO 2 maps were compared with DGC‐BOLD OEF and CMRO 2 maps using region of interest (vascular territories) analysis and Bland‐Altman plots. Results Hypercapnia is a robust stimulus for mapping OEF in combination with QSM. Average OEF in 16 vascular territory regions of interest across 10 subjects was 0.40 ± 0.04 by QSM‐OEF and 0.38 ± 0.09 by DGC‐BOLD. The average CMRO 2 was 176 ± 35 and 167 ± 53 μmol O 2 /min/100g by QSM‐OEF and DGC‐BOLD, respectively. A Bland‐Altman plot of regional OEF and CMRO 2 in regions of interest revealed a statistically significant but small difference (OEF difference = 0.02, CMRO 2 difference = 9 μmol O 2 /min/100g, p < .05) between the 2 methods for the 10 healthy subjects. Conclusion Hypercapnic challenge–assisted QSM‐OEF is a feasible approach to quantify regional brain OEF and CMRO 2 . Compared with DGC‐BOLD, hypercapnia QSM‐OEF results in smaller intersubject variability and requires only 1 gas challenge.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».