Micro-CT evaluation of bone defects: Applications to osteolytic bone metastases, bone cysts, and fracture
Notice bibliographique
Résumé
Bone defects can occur in various forms and present challenges to performing a standard micro-CT evaluation of bone quality because most measures are suited to homogeneous structures rather than ones with spatially focal abnormalities. Such defects are commonly associated with pain and fragility. Research involving bone defects requires quantitative approaches to be developed if micro-CT is to be employed. In this study, we demonstrate that measures of inter-microarchitectural bone spacing are sensitive to the presence of focal defects in the proximal tibia of two distinctly different mouse models: a burr-hole model for fracture healing research, and a model of osteolytic bone metastases. In these models, the cortical and trabecular bone compartments were both affected by the defect and were, therefore, evaluated as a single unit to avoid splitting the defects into multiple analysis regions. The burr-hole defect increased mean spacing (Sp) by 27.6%, spacing standard deviation (SpSD) by 113%, and maximum spacing (Spmax) by 72.8%. Regression modeling revealed SpSD (β=0.974, p<0.0001) to be a significant predictor of the defect volume (R(2)=0.949) and Spmax (β=0.712, p<0.0001) and SpSD (β=0.271, p=0.022) to be significant predictors of the defect diameter (R(2)=0.954). In the mice with osteolytic bone metastases, spacing parameters followed similar patterns of change as reflected by other imaging technologies, specifically bioluminescence data which is indicative of tumor burden. These data highlight the sensitivity of spacing measurements to bone architectural abnormalities from 3D micro-CT data and provide a tool for quantitative evaluation of defects within a bone.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».