Problems and solutions in quantifying cerebrovascular reactivity using BOLD-MRI
Notice bibliographique
Résumé
Abstract Cerebrovascular reactivity (CVR) imaging is used to assess the vasodilatory capacity of cerebral blood vessels. While blood flow (CVRCBF), blood velocity (CVRv), and preferably blood volume changes (CVRCBV) are used to represent physiological CVR, quantifying these measures is fraught with acquisition challenges in humans. Consequently, blood oxygenation level-dependent (BOLD)-MRI CVR (CVRBOLD) is the most widely used MRI-based CVR method, even though it arguably provides the most indirect estimation of CVR. In this paper, we sought to holistically address the quantitative capacity and shortcomings of CVRBOLD. To do so, we developed a CVRBOLD simulation framework and, together with data from the CVRBOLD literature, addressed whether and to what extent CVRBOLD accurately reflects CVR, and with which parameters CVRBOLD varies most. In short, we show the following: CVRBOLD does not necessarily correspond to physiological measures of CVR and depends on physiological (e.g., hematocrit) and acquisition (e.g., field strength) parameters; CVRBOLD is dependent on the stimulus protocol (e.g., breath-holding vs. controlled hypercapnia) chosen to elicit a vasoactive response; resting-state CVRBOLD does not necessarily reflect breath-hold CVRBOLD, likely due to confounding neuronal activity; in stenotic disease and steal physiology, CVRBOLD results from a combination of factors which do not necessarily reflect the underlying CVR. We are confident that this work will provide researchers and clinicians with invaluable insights and advance the field of cerebrovascular imaging by enabling more accurate quantification of CVR in both health and disease.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».