Translation of dynamic contrast-enhanced imaging onto a magnetic resonance-guided linear accelerator in patients with head and neck cancer
Notice bibliographique
Résumé
Background and purpose Magnetic resonance imaging – linear accelerator (MRI-linac) systems permit imaging of tumours to guide treatment. Dynamic contrast enhanced (DCE)-MRI allows investigation of tumour perfusion. We assessed the feasibility of performing DCE-MRI on a 1.5 T MRI-linac in patients with head and neck cancer (HNC) and measured biomarker repeatability and sensitivity to radiotherapy effects. Materials and methods Patients were imaged on a 1.5 T MRI-linac or a 1.5 T diagnostic MR system twice before treatment. DCE-MRI parameters including K trans were calculated, with the optimum pharmacokinetic model identified using corrected Akaike information criterion. Repeatability was assessed by within-subject coefficient of variation (wCV). Treatment effects were assessed as change measured at week 2 of radiotherapy. Results 14 patients were recruited (6 scanned on diagnostic MR and 8 on MRI-linac), with a total of 24 lesions. Baseline K trans estimates were comparable on both MR systems; 0.13 [95 %CI: 0.10 to 0.16] min −1 (diagnostic MR) and 0.15 [0.12 to 0.18] min −1 (MRI-linac). wCV values were 22.6 % [95 % CI: 16.2 to 37.3 %] (diagnostic MR) and 11.7 % [8.4 to 19.3 %] (MRI-linac). Combined cohort increase in K trans was significant (p < 0.01). Similar results were seen for other DCE-MRI parameters. Conclusions DCE-MRI is feasible on a 1.5 T MRI-linac system in patients with HNC. Parameter estimates, repeatability, and sensitivity to treatment were similar to those measured on a conventional diagnostic MR system. These data support performing DCE-MRI in studies on the MRI-linac to assess treatment response and adaptive guidance based on tumour perfusion.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 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) | 0,000 | 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 ».