Accuracy of magnetic resonance imaging for measuring maturing cartilage: A phantom study
Notice bibliographique
Résumé
OBJECTIVES: To evaluate the accuracy of magnetic resonance imaging measurements of cartilage tissue-mimicking phantoms and to determine a combination of magnetic resonance imaging parameters to optimize accuracy while minimizing scan time. METHOD: Edge dimensions from 4 rectangular agar phantoms ranging from 10.5 to 14.5 mm in length and 1.25 to 5.5 mm in width were independently measured by two readers using a steel ruler. Coronal T1 spin echo (T1 SE), fast spoiled gradient-recalled echo (FSPGR) and multiplanar gradient-recalled echo (GRE MPGR) sequences were used to obtain phantom images on a 1.5-T scanner. RESULTS: Inter- and intra-reader reliability were high for both direct measurements and for magnetic resonance imaging measurements of phantoms. Statistically significant differences were noted between the mean direct measurements and the mean magnetic resonance imaging measurements for phantom 1 when using a GRE MPGR sequence (512x512 pixels, 1.5-mm slice thickness, 5:49 min scan time), while borderline differences were noted for T1 SE sequences with the following parameters: 320x320 pixels, 1.5-mm slice thickness, 6:11 min scan time; 320x320 pixels, 4-mm slice thickness, 6:11 min scan time; and 512x512 pixels, 1.5-mm slice thickness, 9:48 min scan time. Borderline differences were also noted when using a FSPGR sequence with 512x512 pixels, a 1.5-mm slice thickness and a 3:36 min scan time. CONCLUSIONS: FSPGR sequences, regardless of the magnetic resonance imaging parameter combination used, provided accurate measurements. The GRE MPGR sequence using 512x512 pixels, a 1.5-mm slice thickness and a 5:49 min scan time and, to a lesser degree, all tested T1 SE sequences produced suboptimal accuracy when measuring the widest phantom.
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 ».