Recommendations for quantitative cerebral perfusion <scp>MRI</scp> using multi‐timepoint arterial spin labeling: Acquisition, quantification, and clinical applications
Notice bibliographique
Résumé
Accurate assessment of cerebral perfusion is vital for understanding the hemodynamic processes involved in various neurological disorders and guiding clinical decision-making. This guidelines article provides a comprehensive overview of quantitative perfusion imaging of the brain using multi-timepoint arterial spin labeling (ASL), along with recommendations for its acquisition and quantification. A major benefit of acquiring ASL data with multiple label durations and/or post-labeling delays (PLDs) is being able to account for the effect of variable arterial transit time (ATT) on quantitative perfusion values and additionally visualize the spatial pattern of ATT itself, providing valuable clinical insights. Although multi-timepoint data can be acquired in the same scan time as single-PLD data with comparable perfusion measurement precision, its acquisition and postprocessing presents challenges beyond single-PLD ASL, impeding widespread adoption. Building upon the 2015 ASL consensus article, this work highlights the protocol distinctions specific to multi-timepoint ASL and provides robust recommendations for acquiring high-quality data. Additionally, we propose an extended quantification model based on the 2015 consensus model and discuss relevant postprocessing options to enhance the analysis of multi-timepoint ASL data. Furthermore, we review the potential clinical applications where multi-timepoint ASL is expected to offer significant benefits. This article is part of a series published by the International Society for Magnetic Resonance in Medicine (ISMRM) Perfusion Study Group, aiming to guide and inspire the advancement and utilization of ASL beyond the scope of the 2015 consensus article.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».