Rapid in vivo whole body composition of rats using cone beam μCT
Notice bibliographique
Résumé
Precise, noninvasive analysis and quantification of in vivo body composition is essential for research involving longitudinal, small-animal disease models. We investigated the feasibility and precision of a rapid, flat-panel μCT scanner to report whole body adipose tissue volume (ATV), lean tissue volume (LTV), skeletal tissue volume (STV), and bone mineral content (BMC) in 25 postmortem female and 52 live male Sprague-Dawley rats. μCT images, acquired in three 90-mm segments and reconstructed with 308 μm of isotropic voxel spacing, formed contiguous image volumes of each entire rat specimen. Three signal-intensity thresholds (determined to be -186, 5, and 155 HU) were used to classify each voxel as adipose, lean, or skeletal tissue, respectively. Tissue masses from the volume fractions of ATV, LTV, and STV were calculated from assumed tissue densities of 0.95, 1.05, and 1.92 g/cm(-3), respectively. A CT-derived total mass was calculated for each rat and compared with the gravimetrically measured mass, which differed on average for the postmortem female and the live male group by 2.5 and 1.1%, respectively. To evaluate the accuracy of the CT-derived body composition technique, following the live male study excised muscle tissue in the lower right leg of all rats in group B were compared with the image-derived LT measurement of the same regional compartment and found to differ on average by 2.2%. Through repeated CT measurements of postmortem specimens, the whole body ATV, LTV, STV, and BMC measurement analysis gave a precision value of ±0.6, 1.9, 1.7, and 0.5% of the average value, respectively.
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 | 0,001 |
| 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 ».