EFFECT OF ACQUISITION TIME AND CHEMICAL FAT SUPPRESSION ON MENINGEAL ENHANCEMENT ON MR IMAGING IN DOGS
Notice bibliographique
Résumé
Our purpose was to characterize meningeal gadolinium enhancement on magnetic resonance (MR) imaging in dogs with inflammatory and neoplastic diseases, and to assess interobserver variability and the impact of delayed acquisition and chemical fat saturation on its conspicuity. Transverse T1-weighted FLAIR images were acquired prior to, and immediately following gadolinium injection (T0), and at 5 (T5) and 15-20 min delay (TD), with and without fat suppression, in 155 consecutive dogs imaged for suspected brain disease. The agreement on meningeal enhancement was globally substantial (kappa = 0.61) and the likelihood of obtaining a definite diagnosis was significantly increased with the use of fat suppression (P < or = 0.004). Meningeal enhancement was judged definitively present by consensus in 46 of 155 (30%) dogs. Of these, meningeal enhancement was characterized qualitatively and quantitatively in 30 dogs with a clinical diagnosis (18 inflammatory, 11 neoplastic, 1 infarct), and image sequences were compared. Meningeal enhancement was more often diffuse and leptomeningeal in animals with inflammation versus neoplasia (50% vs. 42%, and 69% vs. 48%, respectively), but significant associations were not found. Meningeal thickness and contrast ratio were higher with neoplasia (P < or = 0.02), but results did not vary significantly between series for either group. Yet, images with fat suppression were most useful 50% of the time for definite diagnosis and/or characterization of meningeal enhancement. While delayed image acquisition following gadolinium injection does not improve characterization of meningeal enhancement in dogs, fat suppression is beneficial qualitatively.
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 ».