Multi–Detector Row Helical CT in Preoperative Assessment of Small (≤1.5 cm) Liver Metastases: Is Thinner Collimation Better?
Notice bibliographique
Résumé
PURPOSE: To determine the value of collimations less than 5 mm in detecting hepatic metastases 1.5 cm or smaller by using multi-detector row helical computed tomography (CT). MATERIALS AND METHODS: Thirty-one patients underwent contrast material-enhanced multi-detector row helical CT before hepatic resection in this prospective study. Images were reconstructed at collimations of 5.00, 3.75, and 2.50 mm with 50% overlap and reviewed independently by three radiologists. Each lesion was characterized as metastatic, benign, or equivocal and graded for conspicuity. Criterion standards were pathologic assessment of the resected liver and follow-up of the nonresected liver. Only lesions 1.5 cm or smaller were analyzed. RESULTS: There were a total of 88 liver lesions 1.5 cm or smaller, and 25 of these were metastases. Pooled sensitivity for all lesions improved with thinner collimation (66% [58 of 88 lesions], 69% [61 of 88], and 82% [72 of 88] at collimations of 5.00, 3.75, and 2.50 mm, respectively), and this was statistically significant (P =.01). However, no significant difference was noted between collimations in the pooled sensitivity for metastatic lesions (80% [20 of 25 lesions] at all collimations) (P >.99). No statistical difference was noted in the conspicuity of lesions at different collimations (P =.18). CONCLUSION: Image reconstruction with multi-detector row helical CT at collimations less than 5 mm may not improve sensitivity in the detection of hepatic metastases 1.5 cm or smaller.
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) | 0,001 | 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 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 ».