Liver Iron Quantification with MR Imaging: A Primer for Radiologists
Notice bibliographique
Résumé
Iron overload is a systemic disorder and is either primary (genetic) or secondary (exogenous iron administration). Primary iron overload is most commonly associated with hereditary hemochromatosis and secondary iron overload with ineffective erythropoiesis (predominantly caused by β-thalassemia major and sickle cell disease) that requires long-term transfusion therapy, leading to transfusional hemosiderosis. Iron overload may lead to liver cirrhosis and hepatocellular carcinoma, in addition to cardiac and endocrine complications. The liver is one of the main iron storage organs and the first to show iron overload. Therefore, detection and quantification of liver iron overload are critical to initiate treatment and prevent complications. Liver biopsy was the historical reference standard for detection and quantification of liver iron content. Magnetic resonance (MR) imaging is now commonly used for liver iron quantification, including assessment of distribution, detection, grading, and monitoring of treatment response in iron overload. Several MR imaging techniques have been developed for iron quantification, each with advantages and limitations. The liver-to-muscle signal intensity ratio technique is simple and widely available; however, it assumes that the reference tissue is normal. Transverse magnetization (also known as R2) relaxometry is validated but is prone to respiratory motion artifacts due to a long acquisition time, is presently available only for 1.5-T imaging, and requires additional cost and delay for off-line analysis. The R2* technique has fast acquisition time, demonstrates a wide range of liver iron content, and is available for 1.5-T and 3.0-T imaging but requires additional postprocessing software. Quantitative susceptibility mapping has the highest sensitivity for detecting iron deposition; however, it is still investigational, and the correlation with liver iron content is not yet established. ©RSNA, 2018
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 | 0,009 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,007 |
| Communication savante | 0,005 | 0,013 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,008 | 0,017 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,010 |
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 ».