Validation of Automatically Classified Magnetic Resonance Images for Carotid Plaque Compositional Analysis
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: MRI may be used for noninvasive assessment of atherosclerotic lesions; however, MRI evaluation of plaque composition requires validation against an accepted reference standard, such as the American Heart Association (AHA) lesion grade, defined by histopathological examination. METHODS: Forty-eight carotid endarterectomy specimen cross-sections had AHA lesion grade determined histopathologically and were concurrently imaged using combinations of 8 MRI contrast weightings in vitro. A maximum likelihood classification algorithm generated MRI "maps" of plaque components, and an AHA lesion grade was assigned correspondingly. Additional analyses compared classification accuracy obtained with a commonly used set of magnetic resonance contrast weightings [proton density (PDw), T1 (T1w), and partial T2 (T2w)] to accuracy obtained with the combination of PDw, T1w, and diffusion-weighted (Dw) contrast. RESULTS: For the 8-contrast combination, the sensitivities for fibrous tissue, necrotic core, calcification, and hemorrhage detection were 83%, 67%, 86%, and 77%, respectively. The corresponding specificities were 81%, 78%, 99%, and 97%. Good agreement (79%) between magnetic resonance and histopathology for AHA classification was achieved. For the PDw, T1w, and Dw combination, the overall classification accuracy was insignificantly different at 78%, whereas the overall classification accuracy using PDw, T1w, and partial T2w contrast weightings was significantly lower at 67%. CONCLUSIONS: This study provides proof-of-principle that the composition of atherosclerotic plaques determined by automated classification of high-resolution ex vivo MRI accurately reflects lesion composition defined by histopathological examination.
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) | 0,000 | 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 ».