Computed Tomography Perfusion Using First Pass Methods for Lung Nodule Characterization
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
OBJECTIVE: To evaluate computed tomography (CT) perfusion using first pass methods for lung nodule characterization. METHODS: Fifty-seven patients with 51 malignant and 6 benign nodules underwent first-pass, dynamic contrast-enhanced-CT (50 mL, 3-5 mL/s.). Kinetic analysis tools were CT Perfusion 3 (GEMS, Milwaukee, WI), a distributed parameter model approach, yielding blood volume (BV; mL/100 g), blood flow (BF; mL/min/100 g), mean transit time (1/s), and permeability surface area (mL/min/100 g), and an in-house Patlak-style analysis yielding fractional BV (mL/100 g) and an estimate of extraction (Kps, mL/100 g/min). RESULTS: CT Perfusion 3 parameters in malignant and benign nodules were: mean transit time 10.1 +/- 0.9 1/s versus 11.1 +/- 3.1 1/s (ns), permeability surface 23.3 +/- 9.1 mL/min/100 g versus 19.6 +/- 10.3 mL/min/100 g (ns), BF 111.3 +/- 8.7 mL/min/100 g versus 39.1+/- 5.7 mL/min/100 g (P < 0.001), BV 9.3+/- 0.7 mL/100 g versus 4.1 +/- 1.1 mL/100 g (P < 0.002); Patlak parameters were: Kps 13.3 +/- 1.2 mL/100 g/min versus 3.9 +/- 0.8 mL/100 g/min (P < 0.001), BV 8.4 +/- 0.8 mL/100 g versus 3.6 +/- 1.3 mL/100 g (P < 0.01). The two kinetic methods show good agreement for BV estimation (Bland-Altman plot). The limits of agreement (bias +/-2 standard deviation of bias) were 1.2 +/- 5.3 mL/100 g. CONCLUSION: CT Perfusion using first pass modeling appears feasible for lung nodule characterization. Given the short acquisition duration used, weaknesses of the modeling methods are exposed. Nonetheless, microvascular characterization in terms of BF, BV, or Kps appears useful in distinguishing malignant from benign nodules.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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