Simplified estimation of binding parameters based on image-derived reference tissue models for dopamine transporter bindings in non-human primates using [<sup>18</sup>F]FE-PE2I and PET.
Notice bibliographique
Résumé
F]FE-PE2I and dynamic PET as well as an MRI was performed on three rhesus monkeys, and metabolite corrected arterial plasma inputs were obtained. After co-registering of PET to MR images, both image sets were resliced. The time-activity curve of the cerebellum was used as indirect input, and binding parametric images were computed voxel-by-voxel. Voxel-wise linear calculations were used for the Logan DVR approach, and nonlinear least squares fittings for the SRTM. To determine the best linear regression in the Logan DVR approach, the distribution volume ratio was obtained using the optimal starting frame analysis. The obtained binding parameters were compared with those obtained by the other independent ROI-based numerical approaches: two-tissue compartment model (2TCM), Logan DVR approach and SRTM using PMOD software. Binding potentials (BP) obtained by the present approach agreed well with those obtained by ROI-based numerical approaches, although reference tissue models tended to underestimate the BP value than 2TCM. Image-derived Logan approach provided a low-noise image, the computation time was short, and the error in the optimal starting frame analysis was small. The present approach provides a high-quality binding parametric image and reliable parameter value easily.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,000 |
| 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 ».