Automated segmentation of cardiac adipose tissue in Dixon magnetic resonance images
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.
Notice bibliographique
Résumé
Objective: Increasing evidence suggests a strong link between excess cardiac adipose tissue (CAT) and the risk of a cardiovascular event. Multi-echo Dixon magnetic resonance imaging (MRI), providing fat-only and water-only images, is a useful tool for quantification but requires the segmentation of CAT from a large number of images. The intent of this study was to evaluate an automated technique for CAT segmentation from Dixon MRI by comparing the contours identified by the automated algorithm to those manually traced by an observer. Methods: An automated segmentation algorithm, based on optimal thresholds and custom morphological processing, was applied to the registered fat-only and water-only images to identify CAT in the volume scans. CAT contours in 446 images, from 10 MRI scans, were selected for validation analysis. Cross-sectional area (CSA) and volume were computed and compared using Bland-Altman analysis. In addition, Hausdorff distance and Dice Similarity Coefficient (DSC) were used for assessment.Results: Linear regression analysis yielded correlation of R2 = 0.381 for CSA and R2 = 0.879 for volume. When compared to the observer, the computer algorithm under-estimated CSA by 27.5 ± 40.0% and volume by 26.4 ± 10.4%. The average bidirectional Hausdorff distance was 26.2 ± 16.0 mm while the average unidirectional Hausdorff distances were 24.5 ± 15.7 mm and 12.4 ± 11.7 mm. The average DSC was 0.561 ± 0.100. The time required for manual tracing was 15.84 ± 3.73 min and the time required for the computer algorithm was 2.81 ± 0.12 min.Conclusions: This study provided a technique, faster and less tedious than manual tracing (p < 0.00001), for quantification of CAT in Dixon MRI data, demonstrating feasibility of this approach for cardiac risk stratification.
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 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 | 0,001 | 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 découle