Quantitative analysis of magnetic resonance images for characterization of blood-brain barrier dysfunction in dogs with brain tumors
Notice bibliographique
Résumé
BACKGROUND: Blood-brain barrier (BBB) permeability can be assessed quantitatively using advanced imaging analysis. HYPOTHESIS/OBJECTIVES: Quantification and characterization of blood-brain barrier dysfunction (BBBD) patterns in dogs with brain tumors can provide useful information about tumor biology and assist in distinguishing between gliomas and meningiomas. ANIMALS: Seventy-eight hospitalized dogs with brain tumors and 12 control dogs without brain tumors. METHODS: In a 2-arm study, images from a prospective dynamic contrast-enhanced (DCE; n = 15) and a retrospective archived magnetic resonance imaging study (n = 63) were analyzed by DCE and subtraction enhancement analysis (SEA) to quantify BBB permeability in affected dogs relative to control dogs (n = 6 in each arm). For the SEA method, 2 ranges of postcontrast intensity differences, that is, high (HR) and low (LR), were evaluated as possible representations of 2 classes of BBB leakage. BBB score was calculated for each dog and was associated with clinical characteristics and tumor location and class. Permeability maps were generated, using the slope values (DCE) or intensity difference (SEA) of each voxel, and analyzed. RESULTS: Distinctive patterns and distributions of BBBD were identified for intra- and extra-axial tumors. At a cutoff of 0.1, LR/HR BBB score ratio yielded a sensitivity of 80% and specificity of 100% in differentiating gliomas from meningiomas. CONCLUSIONS AND CLINICAL IMPORTANCE: Blood-brain barrier dysfunction quantification using advanced imaging analyses has the potential to be used for assessment of brain tumor characteristics and behavior and, particularly, to help differentiating gliomas from meningiomas.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| 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 ».