Quantification of brain oxygen extraction fraction using QSM and a hyperoxic challenge
Notice bibliographique
Résumé
Purpose To use hyperoxia in combination with QSM to quantify microvascular oxygen extraction fraction (OEF) and cerebral metabolic rate of oxygen (CMRO 2 ) in healthy subjects and to cross‐validate results with those from hypercapnia QSM‐OEF. Methods Ten healthy subjects were scanned on a 3T MRI scanner. At baseline normoxia and during hyperoxia (PetO 2 = +300 mmHg), QSM data were acquired using a multi‐echo gradient‐echo (GRE) sequence, and cerebral blood flow data were acquired using a pseudocontinuous arterial spin labeling sequence. The OEF and CMRO 2 maps were computed and compared with those from hypercapnia QSM‐OEF, acquired in the same subjects, using correlation and Bland‐Altman analysis in 16 vascular territories. Results Hyperoxia QSM‐OEF produced physiologically reasonable OEF and CMRO 2 values in all subjects (gray‐matter region of interest average OEF = 0.42 ± 0.04, average CMRO 2 = 181 ± 34 μmol O 2 /min/100 g). When compared with hypercapnia QSM‐OEF, Bland‐Altman plots revealed small deviations (mean OEF difference = 0.015, mean CMRO 2 difference = 4.9 μmol O 2 /min/100 g, P < .05). Good and excellent correlations of regional OEF and CMRO 2 were found for the two methods. In addition, hyperoxia had minimal impact on cerebral blood flow (average gray‐matter cerebral blood flow was reduced by 7.5 ± 5.4%). Conclusions Hyperoxia in combination with QSM is a robust approach to measure OEF. Compared with hypercapnia, hyperoxia is more comfortable and has minimal impact on cerebral blood flow.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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) | 0,001 | 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 ».