Detection of Lung Perfusion Abnormalities Using Computed Tomography in a Porcine Model of Pulmonary Embolism
Notice bibliographique
Résumé
The purpose of this study was to identify perfusion defects of the lung using computed tomography (CT). A balloon catheter was placed in a lobar pulmonary artery of six anesthetized, ventilated, juvenile pigs to simulate occlusive segmental embolus. Contrast medium was injected via a central venous catheter at rates of 1.5, 3, 4.5, and 9 ml/s in each pig. A 40-second single-level cine CT was acquired distal to the inflated balloon during suspended inspiration. Three computer-manipulated images (time to maximal enhancement, change in maximal attenuation, maximal contrast minus precontrast subtraction) were generated using custom software and compared with the unmodified maximal enhancement and precontrast images. Two independent observers identified perfusion defects and scored the level of confidence (5-point scale) on all five images. Regions of interest were drawn in perfused and nonperfused lung and time-attenuation curves were generated. Perfusion defects were accurately (99.8 +/- 0.3%) and confidently (4.5 +/- 0.6) detected and there was excellent interobserver agreement (Kappa 0.99 +/- 0.02) on all computer-manipulated images. There was a significant increase in confidence (p < 0.05) between contrast medium injection rates of 1.5 and 9 ml/s. A linear relationship exists (r = 0.88) between injection rate and change in maximal attenuation. In conclusion, perfusion defects of the lung are seen using computer-manipulated CT images.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».