Quantification of hepatic steatosis with MRI: The effects of accurate fat spectral modeling
Notice bibliographique
Résumé
PURPOSE: To develop a chemical-shift-based imaging method for fat quantification that accounts for the complex spectrum of fat, and to compare this method with MR spectroscopy (MRS). Quantitative noninvasive biomarkers of hepatic steatosis are urgently needed for the diagnosis and management of nonalcoholic fatty liver disease (NAFLD). MATERIALS AND METHODS: Hepatic steatosis was measured with "fat-fraction" images in 31 patients using a multiecho chemical-shift-based water-fat separation method at 1.5T. Fat-fraction images were reconstructed using a conventional signal model that considers fat as a single peak at -210 Hz relative to water ("single peak" reconstruction). Fat-fraction images were also reconstructed from the same source images using two methods that account for the complex spectrum of fat; precalibrated and self-calibrated "multipeak" reconstruction. Single-voxel MRS that was coregistered with imaging was performed for comparison. RESULTS: Imaging and MRS demonstrated excellent correlation with single peak reconstruction (r(2) = 0.91), precalibrated multipeak reconstruction (r(2) = 0.94), and self-calibrated multipeak reconstruction (r(2) = 0.91). However, precalibrated multipeak reconstruction demonstrated the best agreement with MRS, with a slope statistically equivalent to 1 (0.96 +/- 0.04; P = 0.4), compared to self-calibrated multipeak reconstruction (0.83 +/- 0.05, P = 0.001) and single-peak reconstruction (0.67 +/- 0.04, P < 0.001). CONCLUSION: Accurate spectral modeling is necessary for accurate quantification of hepatic steatosis with MRI.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».