Contrast Enhancement in MRI Using Combined Double Action Contrast Agents and Image Post-Processing in the Breast Cancer Model
Notice bibliographique
Résumé
Gd- and Fe-based contrast agents reduce T1 and T2 relaxation times, respectively, are frequently used in MRI, providing improved cancer detection. Recently, contrast agents changing both T1/T2 times, based on core/shell nanoparticles, have been introduced. Although advantages of the T1/T2 agents were shown, MR image contrast of cancerous versus normal adjacent tissue induced by these agents has not yet been analyzed in detail as authors considered changes in cancer MR signal or signal-to-noise ratio after contrast injection rather than changes in signal differences between cancer and normal adjacent tissue. Furthermore, the potential advantages of T1/T2 contrast agents using image manipulation such as subtraction or addition have not been yet discussed in detail. Therefore, we performed theoretical calculations of MR signal in a tumor model using T1-weighted, T2-weighted, and combined images for T1-, T2-, and T1/T2-targeted contrast agents. The results from the tumor model are followed by in vivo experiments using core/shell NaDyF4/NaGdF4 nanoparticles as T1/T2 non-targeted contrast agent in the animal model of triple negative breast cancer. The results show that subtraction of T2-weighted from T1-weighted MR images provides additional increase in the tumor contrast: over two-fold in the tumor model and 12% in the in vivo experiment.
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 | 0,000 |
| 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 | 0,001 | 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 ».