Zur Verbesserung der Datenqualität entwickelten die Autor:innen eine spezielle Methode zur Reduktion von Störsignalen, um verlässliche Messungen zu gewährleisten.
Die im Journal of Cerebral Blood Flow & Metabolism publizierte Arbeit zeigt, dass sich damit stabile metabolische Netzwerke identifizieren lassen, die gut mit funktionellen Netzwerken aus der fMRT übereinstimmen. Dies unterstreicht das Potenzial der Methode für ein besseres Verständnis von Hirnnetzwerken und deren Rolle bei neurologischen und psychiatrischen Erkrankungen.
Publikation:
High-temporal resolution metabolic connectivity resolved by component-based noise correction
Author:innen: Murray B Reed1,2, Samantha Graf1,2, Matej Murgaš1,2, Benjamin Eggerstorfer1,2, Christian Milz1,2, Leo R Silberbauer1,2, Pia Falb1,2, Elisa Briem1,2, Alexandra Mayerweg1,2, Gabriel Schlosser1,2, Sebastian Klug1,2, Lukas Nics3, Godber M Godbersen1,2, Sazan Rasul3, Marcus Hacker3, Andreas Hahn1,2,#, Rupert Lanzenberger1,2
Affiliations:
1Department of Psychiatry and Psychotherapy, Medical University of Vienna, Austria
2Comprehensive Center for Clinical Neurosciences and Mental Health (C3NMH), Medical University of Vienna, Austria
3Department of Biomedical Imaging and Image-guided Therapy, Division of Nuclear Medicine, Medical University of Vienna, Austria
Zur Person:
Priv.-Doz. Dr.scient.med Murray Reed, MSc ist Postdoktorand an der Universitätsklinik für Psychiatrie und Psychotherapie der Medizinischen Universität Wien und arbeitet in den Neuroimaging Labs (NIL | https://www.meduniwien.ac.at/neuroimaging/).
Seine Forschung konzentriert sich auf die Weiterentwicklung der funktionellen PET-Bildgebung (fPET), insbesondere zur Untersuchung der zeitlichen Dynamik von Hirnstoffwechsel und Neurotransmittersystemen sowie deren Vernetzung („molekulare Konnektivität“).