Morphometric analysis of trabecular bone thickness using different algorithms
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Investigations have been carried out with the goal of assessing the trabecular bone thickness of biological samples using images obtained by micro-computed tomography and magnetic resonance imaging. There is no conventional definition of trabecular bone thickness, and many methods may be involved in determining it. However, the results of the available algorithms or software packages differ considerably from each other. This paper determines trabecular bone thickness on the basis of several algorithms. A deep understanding of the performance of different methods is achieved by studying pseudo-three-dimensional images of both geometrical models of well-defined thickness and real bone samples with different bone densities. The models facilitate comparisons between the algorithms or software packages. Comparison of the results obtained from these commercial software packages and other state-of-the-art algorithms shows that the thickness, spatial distribution, and shape of an object affect each result differently, but in a significant manner. This is primarily due to variations in the thresholding algorithms used to distinguish object area elements (pixels/voxels) from the background, or non-object, region. Additionally, the results show that the average difference in thickness measurements can vary by up to 102.34% for models and 46.49% for real bone samples. This data shows that the differences in measurements of the trabecular bone thickness due simply to the algorithm involved are remarkable. Therefore, biomedical engineers and scientists should be careful to select the algorithm that is most compatible with their specific application.
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.
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 | 0,002 | 0,003 |
| 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 découle