MétaCan
Menu
Retour à la cohorte
Enregistrement W2769762815 · doi:10.1148/rg.2017170100

Update on Cardiovascular Applications of Multienergy CT

2017· article· en· W2769762815 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueRadiographics · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced X-ray and CT Imaging
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésMedicineScannerDual energyImage resolutionSensitivity (control systems)IodineProjection (relational algebra)Nuclear medicineTomographyRadiologyComputer visionArtificial intelligenceComputer sciencePathologyMaterials science

Résumé

récupéré en direct d'OpenAlex

Advances in scanner technology enabling shorter scan times, improvements in spatial and temporal resolution, and more dose-efficient data reconstruction coupled with rapidly growing evidence from clinical trials have established computed tomography (CT) as an important imaging modality in the evaluation of cardiovascular disorders. Multienergy (or spectral or dual-energy) CT is a relatively recent advance in which attenuation data from different energies are used to characterize materials beyond what is possible at conventional CT. Current technologies for multienergy CT are either source based (ie, dual source, rapid kilovoltage switching, dual spin, and split beam) or detector based (ie, dual layer and photon counting), and material-based decomposition occurs in either image or projection space. In addition to conventional diagnostic images, multienergy CT provides image sets such as iodine maps, virtual nonenhanced, effective atomic number, and virtual monoenergy (VM) images as well as data at the elemental level (CT fingerprinting), which can complement and in some areas overcome the limitations posed by conventional CT methods. In myocardial perfusion imaging, iodine maps improve the sensitivity of perfusion defects, and VM images improve the specificity by decreasing artifacts. Iodine maps are also useful in improving the performance of CT in delayed-enhancement imaging. In pulmonary perfusion imaging, iodine maps enhance the sensitivity of detection of both acute and chronic pulmonary emboli. Low-energy (as measured in kiloelectron volts) VM images allow enhancement of vascular contrast, which can either be used to lower contrast dose or salvage a suboptimal contrast-enhanced study. High-energy VM images can be used to decrease or eliminate artifacts such as beam-hardening and metallic artifacts. Virtual nonenhanced images have similar attenuation as true nonenhanced images and help in reducing radiation dose by eliminating the need for the latter in multiphasic vascular studies. Other potential applications of multienergy CT include calcium scoring from virtual nonenhanced images created from coronary CT angiograms and myocardial iron quantification. Online supplemental material is available for this article. ©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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,918
Score d'incertitude au seuil0,409

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,219
Écart entre enseignants0,212 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle