Luminal Water Imaging: A New MR Imaging T2 Mapping Technique for Prostate Cancer Diagnosis
Notice bibliographique
Résumé
Purpose To assess the feasibility of luminal water imaging, a quantitative T2-based magnetic resonance (MR) imaging technique, for the detection and grading of prostate cancer (PCa). Materials and Methods Eighteen patients with biopsy-proven PCa provided informed consent to be included in this institutional human ethics board–approved prospective study between January 2015 and January 2016. Patients underwent 3.0-T MR imaging shortly before radical prostatectomy. T2 distributions were generated with a regularized non-negative least squares algorithm from multiecho spin-echo MR imaging data. From T2 distributions, maps of seven MR parameters, Ncomp, T2short, T2long, geometric mean T2 (gmT2), luminal water fraction (LWF), Ashort, and Along, were generated and compared with digitized images of hematoxylin-eosin–stained whole-mount histologic slices. A paired t test was used to determine significant differences between MR parameters in malignant and nonmalignant tissue. Correlation with Gleason score (GS) was evaluated with the Spearman rank correlation test. Diagnostic accuracy was evaluated by using logistic generalized linear mixed-effect models and receiver operating characteristic (ROC) analysis. Results The average values of four MR parameters (gmT2, Ashort, Along, and LWF) were significantly different between malignant and nonmalignant tissue. All MR parameters except for T2long showed significant correlation (P < .05) with GS in the peripheral zone. The highest correlation with GS was obtained for LWF (−0.78 ± 0.11, P < .001). ROC analysis demonstrated high accuracy for tumor detection, with the highest area under the ROC curve obtained for LWF (0.97 in the peripheral zone and 0.98 in the transition zone). Conclusion Results of this pilot study demonstrated the feasibility of luminal water imaging in the detection and grading of PCa. A study with a larger cohort of patients and a broader range of GS is required to further evaluate this new technique in clinical settings. © RSNA, 2017
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».