Simultaneous estimation of a model-derived input function for quantifying cerebral glucose metabolism with [18F]FDG PET
Notice bibliographique
Résumé
Abstract Background Quantification of the cerebral metabolic rate of glucose (CMRGlu) by dynamic [18F]FDG PET requires invasive arterial sampling. Alternatives to using an arterial input function (AIF) include the simultaneous estimation (SIME) approach, which models the image-derived input function (IDIF) by a series of exponentials with coefficients obtained by fitting time activity curves (TACs) from multiple volumes-of-interest. A limitation of SIME is the assumption that the input function can be modelled accurately by a series of exponentials. Alternatively, we propose a SIME approach based on the two-tissue compartment model to extract a high signal-to-noise ratio (SNR) model-derived input function (MDIF) from the whole-brain TAC. The purpose of this study is to present the MDIF approach and its implementation in the analysis of animal and human data. Methods Simulations were performed to assess the accuracy of the MDIF approach. Animal experiments were conducted to compare derived MDIFs to measured AIFs (n = 5). Using dynamic [18F]FDG PET data from neurologically healthy volunteers (n = 18), the MDIF method was compared to the original SIME-IDIF. Lastly, the feasibility of extracting parametric images was investigated by implementing a variational Bayesian parameter estimation approach. Results Simulations demonstrated that the MDIF can be accurately extracted from a whole-brain TAC. Good agreement between MDIFs and measured AIFs was found in the animal experiments. Similarly, the MDIF-to-IDIF area-under-the-curve ratio from the human data was 1.02 ± 0.08, resulting in good agreement in grey matter CMRGlu: 24.5 ± 3.6 and 23.9 ± 3.2 mL/100 g/min for MDIF and IDIF, respectively. The MDIF method proved superior in characterizing the first pass of [18F]FDG. Groupwise parametric images obtained with the MDIF showed the expected spatial patterns. Conclusions A model-driven SIME method was proposed to derive high SNR input functions. Its potential was demonstrated by the good agreement between MDIFs and AIFs in animal experiments. In addition, CMRGlu estimates obtained in the human study agreed to literature values. The MDIF approach requires fewer fitting parameters than the original SIME method and has the advantage that it can model the shape of any input function. In turn, the high SNR of the MDIFs has the potential to facilitate the extraction of voxelwise parameters when combined with robust parameter estimation methods such as the variational Bayesian approach.
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 | 0,002 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».