Feasibility of Dynamic Inhaled Gas MRI-Based Measurements Using Acceleration Combined with the Stretched Exponential Model
Notice bibliographique
Résumé
Dynamic inhaled gas (3He/129Xe/19F) MRI permits the acquisition of regional fractional-ventilation which is useful for detecting gas-trapping in lung-diseases such as lung fibrosis and COPD. Deninger’s approach used for analyzing the wash-out data can be substituted with the stretched-exponential-model (SEM) because signal-intensity is attenuated as a function of wash-out-breath in 19F lung imaging. Thirteen normal-rats were studied using 3He/129Xe and 19F MRI and the ventilation measurements were performed using two 3T clinical-scanners. Two Cartesian-sampling-schemes (Fast-Gradient-Recalled-Echo/X-Centric) were used to test the proposed method. The fully sampled dynamic wash-out images were retrospectively under-sampled (acceleration-factors (AF) of 10/14) using a varying-sampling-pattern in the wash-out direction. Mean fractional-ventilation maps using Deninger’s and SEM-based approaches were generated. The mean fractional-ventilation-values generated for the fully sampled k-space case using the Deninger method were not significantly different from other fractional-ventilation-values generated for the non-accelerated/accelerated data using both Deninger and SEM methods (p > 0.05 for all cases/gases). We demonstrated the feasibility of the SEM-based approach using retrospective under-sampling, mimicking AF = 10/14 in a small-animal-cohort from the previously reported dynamic-lung studies. A pixel-by-pixel comparison of the Deninger-derived and SEM-derived fractional-ventilation-estimates obtained for AF = 10/14 (≤16% difference) has confirmed that even at AF = 14, the accuracy of the estimates is high enough to consider this method for prospective measurements.
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) | 0,000 | 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 ».