Lower Extremity Flow Quantification Using Dynamic ⁸²Rb PET: A Preclinical Investigation
Notice bibliographique
Résumé
Accurate assessment of regional flow in the lower extremities is crucial for managing peripheral arterial disease with critical limb ischemia. This study investigates dynamic 82Rb PET imaging with kinetic modeling for evaluating skeletal muscle flow in a porcine model of hindlimb ischemia. Five pigs with acute unilateral occlusion of the right common femoral artery were scanned at rest using two protocols: The first protocol involved two sequential injections to measure the image-derived input function (IDIF) in the left ventricle (LV) and leg blood flow. A three-parameter one-tissue compartment with spillover model estimated skeletal muscle flow in ischemic and nonischemic limbs. The effects of correcting delay and dispersion of LV-IDIF on model fitting were explored. For short axial field of view scanners, the feasibility of a single injection with shuttling between the heart and the leg was also assessed. Flow estimates ranged from 0.012 to 0.077 cm3/min/cm3 across animals and significantly decreased on ischemic muscles (p < 0.05). Delay and dispersion corrections yielded improved Akaike information criterion values and physiological consistency. However, accurate corrections were more difficult using the single injection and shuttling protocol. Future studies to optimize data acquisition are needed.
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 | 0,000 | 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 | 0,000 |
| 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 ».