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 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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».