Generalized method for computation of true thickness and x-ray intensity information in highly blurred sub-millimeter bone features in clinical CT images
Notice bibliographique
Résumé
In clinical computed tomography (CT) images, cortical bone features with sub-millimeter (sub-mm) thickness are substantially blurred, such that their thickness is overestimated and their intensity appears underestimated. Therefore, any inquiry of the geometry or the density of such bones based on these images is severely error prone. We present a model-based method for estimating the true thickness and intensity magnitude of cortical and trabecular bone layers at localized regions of complex shell bones down to 0.25 mm. The method also computes the width of the corresponding point spread function. This approach is applicable on any CT image data, and does not rely on any scanner-specific parameter inputs beyond what is inherently available in the images themselves. The method applied on CT intensity profiles of custom phantoms mimicking shell-bones produced average cortical thickness errors of 0.07 ± 0.04 mm versus an average error of 0.47 ± 0.29 mm in the untreated cases (t(55) = 10.92, p ≪ 0.001)). Similarly, the average error of intensity magnitude estimates of the method were 22 ± 2.2 HU versus an error of 445 ± 137 HU in the untreated cases (t(55) = 26.48, p ≪ 0.001)). The method was also used to correct the CT intensity profiles from a cadaveric specimen of the craniofacial skeleton (CFS) in 15 different regions. There was excellent agreement between the corrections and µCT intensity profiles of the same regions used as a 'gold standard' measure. These results set the groundwork towards restoring cortical bone geometry and intensity information in entire image data sets. This information is essential for the generation of finite element models of the CFS that can accurately describe the biomechanical behavior of its complex thin bone structures.
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 | 0,000 | 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 ».