A Perspective on Cell Tracking with Magnetic Particle Imaging
Notice bibliographique
Résumé
Magnetic Particle Imaging (MPI) is a new imaging modality that sensitively and specifically detects superparamagnetic iron oxide nanoparticles (SPIONs). Many labs have been developing cellular magnetic resonance imaging (MRI) tools using both SPIONs and fluorine-19 (19F)-based contrast agents for numerous important applications, including tracking of immune and stem cells used for cellular therapies. SPION-based MRI cell tracking has very high sensitivity, but low specificity. SPIONs produce negative contrast in MRI, or signal voids. SPIO is not directly detected by MRI, but indirectly through its relaxation effects on protons, therefore, it is not possible to reliably quantify the local tissue concentration of SPION particles and cell number cannot be determined. 19F based cell tracking uses perfluorocarbons (PFC) to label cells. The number of 19F atoms can be directly measured from 19F MR images and related to cell number. 19F MRI has high specificity, but low sensitivity. MPI cell tracking displays great potential for overcoming the challenges of MRI-based cell tracking allowing for both high cellular sensitivity and high specificity and quantification of SPIO labeled cell number. In this paper we describe nanoparticle and MPI system factors that influence MPI sensitivity and resolution, quantification methods and give our perspective on testing and applying MPI for cell tracking.
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) | 0,001 | 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 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 ».