Transfer function analysis assesses resting cerebral perfusion metrics using hypoxia-induced deoxyhemoglobin as a contrast agent
Notice bibliographique
Résumé
Introduction: Use of contrast in determining hemodynamic measures requires the deconvolution of an arterial input function (AIF) selected over a voxel in the middle cerebral artery to calculate voxel wise perfusion metrics. Transfer function analysis (TFA) offers an alternative analytic approach that does not require identifying an AIF. We hypothesised that TFA metrics Gain, Lag, and their ratio, Gain/Lag, correspond to conventional AIF resting perfusion metrics relative cerebral blood volume (rCBV), mean transit time (MTT) and relative cerebral blood flow (rCBF), respectively. Methods: 24 healthy participants (17 M) and 1 patient with steno-occlusive disease were recruited. We used non-invasive transient hypoxia-induced deoxyhemoglobin as an MRI contrast. TFA and conventional AIF analyses were used to calculate averages of whole brain and smaller regions of interest. Results: Maps of these average metrics had colour scales adjusted to enhance contrast and identify areas of high congruence. Regional gray matter/white matter (GM/WM) ratios for MTT and Lag, rCBF and Gain/Lag, and rCBV and Gain were compared. The GM/WM ratios were greater for TFA metrics compared to those from AIF analysis indicating an improved regional discrimination. Discussion: Resting perfusion measures generated by The BOLD analysis resulting from a transient hypoxia induced variations in deoxyhemoglobin analyzed by TFA are congruent with those analyzed by conventional AIF analysis.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,002 | 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 ».