Total-Body Multiparametric PET with Hightemporal Resolution Imaging and Blood Flow Modeling of Non-Diffusible Radiotracers
Notice bibliographique
Résumé
High-temporal resolution imaging (1-2 s/frame) via total-body PET has stimulated new developments to quantify blood flow based on the early vascular transit of PET tracers. Our recent efforts in this direction focused on analyzing early kinetics (first$\approx 2$mins of the dynamic scan). How we can exploit the rich information contained in the full time-activity curve is still unclear. Here we extended the two-tissue compartment model to account for blood flow. This extended model accounts for time delay, vascular transit (blood flow, mean transit time), blood-tissue transport and clearance ($K_{1}, k_{2}$), and target association and dissociation rate constants ($k_{3}, k_{4}$). First, we show the extended model largely improves high-temporal resolution time-activity fitting over standard compartment modeling for${ }^{18} ~\mathrm{F}$-FDG,${ }^{18} ~\mathrm{F}$-fluciclovine,${ }^{18} ~\mathrm{F}$-AraG, and${ }^{18} ~\mathrm{F}$-NaF by the Akaike Information Criteria. Then, we show blood flow estimates quantitatively agreed between${ }^{18}$F-FDG and${ }^{11} \mathrm{C}$-butanol, a reference flow tracer, in volunteers scanned with both tracers. In certain tissues,$K_{1}$estimates differed between models, possibly because the standard assumption that blood behaves as a compartment may not hold at high temporal resolution. Our work establishes methods to extract the rich information provided by total-body PET time-activity curves for total-body multiparametric imaging.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 | 0,001 |
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 ».