Parametric imaging of myocardial blood flow with 82Rb PET: An accuracy and image quality analysis
Notice bibliographique
Résumé
BACKGROUND: We aimed to develop a framework for generating three-dimensional (3D) myocardial blood flow (MBF) images, computing their accuracy against clinically validated two-dimensional (2D) polar MBF maps of the left ventricle, and evaluating their improvements in image quality over relative myocardial perfusion imaging (MPI). METHODS: N = 40 patients with a wide range of defect severities and uptake dynamics were retrospectively studied. The FlowQuant™ software was used to generate reference MPI and polar MBF maps and was adapted for voxel-wise MBF mapping. We evaluated agreement between parametric vs polar values for MBF at rest and stress and for reserve (stress/rest MBF). We also assessed improvements in image quality, assessed by signal-to-noise ratio, contrast-to-noise ratio, tissue-to-blood ratio, and defect severity, from relative MPI to MBF. RESULTS: There was excellent agreement between 3D parametric and 2D polar maps for all flow parameters (interclass correlation coefficient >0.96), albeit with minimal bias (<8%) for rest and stress MBF at the patient level. Image quality substantially improved from MPI to MBF in every patient for all image-quality metrics (P < 0.0001) CONCLUSIONS: We developed a robust methodology for producing highly accurate 3D MBF images exhibiting considerably improved image quality compared to relative MPI commonly used in clinical practice.
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 | 0,006 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».