Latest generation of flat detector CT as a peri-interventional diagnostic tool: a comparative study with multidetector CT
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: Flat detector CT (FDCT) has been used as a peri-interventional diagnostic tool in numerous studies with mixed results regarding image quality and detection of intracranial lesions. We compared the diagnostic aspects of the latest generation FDCT with standard multidetector CT (MDCT). MATERIALS AND METHODS: 102 patients were included in our retrospective study. All patients had undergone interventional procedures. FDCT was acquired peri-interventionally and compared with postinterventional MDCT regarding depiction of ventricular/subarachnoidal spaces, detection of intracranial hemorrhage, and delineation of ischemic lesions using an ordinal scale. Ischemic lesions were quantified with the Alberta Stroke Program Early CT Scale (ASPECTS) on both examinations. Two neuroradiologists with varying grades of experience and a medical student scored the anonymized images separately, blinded to the clinical history. RESULTS: The two methods were of equal diagnostic value regarding evaluation of the ventricular system and the subarachnoidal spaces. Subarachnoidal, intraventricular, and parenchymal hemorrhages were detected with a sensitivity of 95%, 97%, and 100% and specificity of 97%, 100%, and 99%, respectively, using FDCT. Gray-white differentiation was feasible in the majority of FDCT scans, and ischemic lesions were detected with a sensitivity of 71% on FDCT, compared with MDCT scans. The mean difference in ASPECTS values on FDCT and MDCT was 0.5 points (95% CI 0.12 to 0.88). CONCLUSIONS: The latest generation of FDCT is a reliable and accurate tool for the detection of intracranial hemorrhage. Gray-white differentiation is feasible in the supratentorial region.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 ».