Quantitative assessment of carotid plaque composition using multicontrast MRI and registered histology
Notice bibliographique
Résumé
MRI is emerging as a promising modality for monitoring carotid atherosclerosis. Multiple MR contrast weightings are required for identification of plaque constituents. In this study, eight MR contrast weightings with proven potential for plaque characterization were used to image carotid endarterectomy specimens. A classification technique was developed to create a tissue-specific map by incorporating information from all MR contrast weightings. The classifier was validated by comparison with micro-CT (calcification only) and with matched histological slices registered to MR images using a nonlinear warping algorithm (other components). A pathologist who was blinded to the classifier results manually segmented digitized histological images. The sensitivity of the classifier, as determined by pixel-by-pixel comparison with the pathologist's segmentation and micro-CT, was 60.4% for fibrous tissue, 83.9% for necrosis, 97.6% for calcification, and 65.2% for loose connective tissue. The corresponding values for specificity were 87.9%, 75.0%, 98.3%, and 94.9%, respectively. In conclusion, multicontrast MRI was successfully used in conjunction with a supervised classification algorithm to identify plaque components in endarterectomy specimens. Furthermore, this methodology will provide a framework for comparing different classification algorithms, and determining which combination of MR contrasts will be most valuable for in vivo plaque imaging.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».