A comparison of images generated from diffusion‐weighted and diffusion‐tensor imaging data in hyper‐acute stroke
Notice bibliographique
Résumé
PURPOSE: To compare isotropic (combined diffusion-weighted image [CMB], apparent diffusion coefficient [ADC], TRACE, exponential ADC [eADC], and isotropically-weighted diffusion image [isoDWI]) and anisotropic (relative anisotropy [RA], fractional anisotropy [FA], and volume ratio [VR]) diffusion images collected with fast magnetic resonance (MR) diffusion-weighted (DWI) and diffusion-tensor (DTI) acquisition strategies (each less than one minute) in hyper-acute stroke. MATERIALS AND METHODS: Twenty-one patients suffering from ischemic stroke-imaged within six hours of symptom onset using both DWI and DTI-were analyzed. Regions of interest were placed in the ischemic lesion and in normal contralateral tissue and the percent difference in image intensity was calculated for all nine generated images. RESULTS: The average absolute percent changes for the isotropic strategies were all > 38%, with isoDWI found to have a difference of 50.7% +/- 7.9% (mean +/- standard error, P < 0.001). The ADC maps had the most significant difference (-42.4% +/- 2.0%, P < 0.001, coefficient of variation = 0.22). No anisotropic images had significant differences. CONCLUSION: Anisotropic maps do not consistently show changes in the first six hours of ischemic stroke; therefore, isotropic maps, such as those obtained using DWI, are more appropriate for detecting hyper-acute stroke. Anisotropic images, however, may be useful to differentiate hyper-acute stroke from acute and sub-acute stroke.
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 | 0,001 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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) | 0,001 | 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 ».