Pathological correlates of magnetic resonance imaging texture heterogeneity in multiple sclerosis
Notice bibliographique
Résumé
OBJECTIVE: To analyze the texture of T2-weighted magnetic resonance imaging (MRI) of postmortem multiple sclerosis (MS) brain, and to determine whether and how MRI texture correlates with tissue pathology. METHODS: Ten brain samples from 3 subjects with MS were examined. Areas of complete, partial, or no loss of Luxol fast blue (myelin) and Bielschowsky (axons) staining were marked on histological images, and matched on corresponding MRI as lesions, diffusely abnormal white matter (DAWM), and normal-appearing white matter (NAWM). The number of CD45(+) cells (inflammation) was also counted. MRI texture was computed using polar Stockwell transform and compared to histology. RESULTS: Thirty-four lesions, 17 DAWM regions, and 36 NAWM regions were identified. After mixed effects modeling, MRI texture heterogeneity was greater in lesions than in DAWM (p < 0.001) and NAWM (p < 0.001), and was greater in DAWM than in NAWM (p < 0.001); the number of CD45+ cells was greater in both lesions (p < 0.001) and DAWM (p = 0.005) than in NAWM. In MRI, a gradient of texture heterogeneity was detected in lesions, with gradual tapering toward perilesional NAWM. Moreover, besides univariate correlation with histological markers, texture heterogeneity correlated independently with normalized myelin density (p < 0.01) when random effects were considered. Within sample, MRI texture correlated with myelin and axonal density in 7 of 10 samples (p < 0.01). INTERPRETATION: Texture analysis performed on routine clinical magnetic resonance images may be a potential measure of tissue integrity. Tissues with more severe myelin and axonal pathology are associated with greater texture heterogeneity.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».