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<sup>-1</sup> in stationary and 3.9±1.2 mm<sup>-1</sup> in a pullback; lipid: 11.025±0.417 mm<sup>-1</sup> in stationary and 11.27±0.25 mm<sup>-1</sup> in pullback; fibrous: 6.08±1.337 mm<sup>-1</sup> in stationary and 5.58±2.0 mm<sup>-1</sup>. 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 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 | 0,001 |
| 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 | 0,001 | 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 ».