Validation of parameter estimation methods for determining optical properties of atherosclerotic tissues in intravascular OCT
Notice bibliographique
Résumé
In this paper we present a new process for assessing optical properties of tissues from 3D pullbacks, the standard clinical acquisition method for iOCT data. Our method analyzes a volume of interest (VOI) consisting of about 100 A-lines spread across the angle of rotation (θ) and along the artery, z. The new 3D method uses catheter correction, baseline removal, speckle noise reduction, alignment of A-line sequences, and robust estimation. We compare results to those from a more standard, “gold standard” stationary acquisition where many image frames are averaged to reduce noise. To do these studies in a controlled fashion, we use a realistic optical artery phantom containing of multiple “tissue types.” Precision and accuracy for 3D pullback analysis are reported. Our results indicate that when implementing the process on a stationary acquisition dataset, the uncertainty improves at each stage while the uncertainty is reduced. When comparing stationary acquisition dataset to pullback dataset, the values were as follows: calcium: 3.8±1.09mm-1 in stationary and 3.9±1.2 mm-1 in a pullback; lipid: 11.025±0.417 mm-1 in stationary and 11.27±0.25 mm-1 in pullback; fibrous: 6.08±1.337 mm-1 in stationary and 5.58±2.0 mm-1. These results indicates that the process presented in this paper introduce minimal bias and only a small change in uncertainty when comparing a stationary and pullback dataset, thus paves the way to a highly accurate clinical plaque type discrimination, enabling automatic classification.
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 | 0,011 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 ».