Deep-learning-derived input function in dynamic [18F]FDG PET imaging of mice
Notice bibliographique
Résumé
Dynamic positron emission tomography and kinetic modeling play a critical role in tracer development research using small animals. Kinetic modeling from dynamic PET imaging requires accurate knowledge of an input function, ideally determined through arterial blood sampling. Arterial cannulation in mice, however, requires complex, time-consuming and terminal surgery, meaning that longitudinal studies are impossible. The aim of the current work was to develop and evaluate a non-invasive, deep-learning-based prediction model (DLIF) that directly takes the PET data as input to predict a usable input function. We first trained and evaluated the DLIF model on 68 [ 18 F]Fluorodeoxyglucose mouse scans with image-derived targets using cross validation. Subsequently, we evaluated the performance of a trained DLIF model on an external dataset consisting of 8 mouse scans where the input function was measured by continuous arterial blood sampling. The results showed that the predicted DLIF and image-derived targets were similar, and the net influx rate constants following from Patlak modeling using DLIF as input function were strongly correlated to the corresponding values obtained using the image-derived input function. There were somewhat larger discrepancies when evaluating the model on the external dataset, which could be attributed to systematic differences in the experimental setup between the two datasets. In conclusion, our non-invasive DLIF prediction method may be a viable alternative to arterial blood sampling in small animal [ 18 F]FDG imaging. With further validation, DLIF could overcome the need for arterial cannulation and allow fully quantitative and longitudinal experiments in PET imaging studies of mice.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».