Validation of volumetric and single‐slice MRI adipose analysis using a novel fully automated segmentation method
Notice bibliographique
Résumé
PURPOSE: To validate a fully automated adipose segmentation method with magnetic resonance imaging (MRI) fat fraction abdominal imaging. We hypothesized that this method is suitable for segmentation of subcutaneous adipose tissue (SAT) and intra-abdominal adipose tissue (IAAT) in a wide population range, easy to use, works with a variety of hardware setups, and is highly repeatable. MATERIALS AND METHODS: Analysis was performed comparing precision and analysis time of manual and automated segmentation of single-slice imaging, and volumetric imaging (78-88 slices). Volumetric and single-slice data were acquired in a variety of cohorts (body mass index [BMI] 15.6-41.76) including healthy adult volunteers, adolescent volunteers, and subjects with nonalcoholic fatty liver disease and lipodystrophies. A subset of healthy volunteers was analyzed for repeatability in the measurements. RESULTS: The fully automated segmentation was found to have excellent agreement with manual segmentation with no substantial bias across all study cohorts. Repeatability tests showed a mean coefficient of variation of 1.2 ± 0.6% for SAT, and 2.7 ± 2.2% for IAAT. Analysis with automated segmentation was rapid, requiring 2 seconds per slice compared with 8 minutes per slice with manual segmentation. CONCLUSION: We demonstrate the ability to accurately and rapidly segment regional adipose tissue using fat fraction maps across a wide population range, with varying hardware setups and acquisition methods.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».