Comparison of Carotid Plaque Ulcer Detection Using Contrast-Enhanced and Time-of-Flight MRA Techniques
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: Ulceration in carotid plaque is a risk indicator for ischemic stroke. Our aim was to compare plaque ulcer detection by standard TOF and CE-MRA techniques and to identify factors that influence its detection. MATERIALS AND METHODS: Carotid MR imaging scans were acquired on 2066 participants in the ARIC study. We studied the 600 thickest plaques. TOF-MRA, CE-MRA, and black-blood MR images were analyzed together to define ulcer presence (plaque surface niche ≥2 mm in depth). Sixty ulcerated arteries were detected. These arteries were randomly assigned, along with 40 nonulcerated plaques from the remaining 540, for evaluation of ulcer presence by 2 neuroradiologists. Associations between ulcer detection and ulcer characteristics, including orientation, location, and size, were determined and explored by CFD modeling. RESULTS: One CE-MRA and 3 TOF-MRAs were noninterpretable and excluded. Of 71 ulcers in 56 arteries, readers detected an average of 39 (55%) on both TOF-MRA and CE-MRA, 26.5 (37.5%) only on CE-MRA, and 1 (1.5%) only on TOF-MRA, missing 4.5 (6%) ulcers by both methods. Ulcer detection by TOF-MRA was associated with its orientation (distally pointing versus perpendicular: OR = 5.57 [95% CI, 1.08-28.65]; proximally pointing versus perpendicular: OR = 0.21 [95% CI, 0.14-0.29]); location relative to point of maximum stenosis (distal versus isolevel: OR = 5.17 [95% CI, 2.10-12.70]); and neck-to-depth ratio (OR = 1.96 [95% CI, 1.11-3.45]) after controlling for stenosis and ulcer volume. CONCLUSIONS: CE-MRA detects more ulcers than TOF-MRA in carotid plaques. Missed ulcers on TOF-MRA are influenced by ulcer orientation, location relative to point of maximum stenosis, and neck-to-depth ratio.
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 | 0,000 | 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 | 0,000 |
| 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 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 ».