Update on multiparametric MRI of urinary bladder cancer
Notice bibliographique
Résumé
While many institutions perform MRI during the work‐up of urinary bladder cancer, others use MRI rarely if at all, possibly due to a variation in the reported staging accuracy and unfamiliarity with the potential benefits of performing MRI. Through increased application of functional imaging techniques including diffusion‐weighted imaging (DWI) and dynamic contrast‐enhanced (DCE) imaging, there has been a resurgence of interest regarding evaluation of bladder cancer with MRI. Several recent meta‐analyses have shown that MRI is accurate at differentiating between ≤T1 and T2 disease (with pooled sensitivity/specificity of ∼90/80%) and differentiating between T2 and ≥T3 disease. DWI and DCE, in combination with high‐resolution T 2 ‐weighted images, improves detection and possibly local staging accuracy of bladder cancer. High b value echo‐planar DWI is particularly valuable for tumor detection. Zoomed field of view and segmented readout DWI techniques improve image quality by reducing susceptibility artifact, while methods to extract calculated high b value images save time and improve the contrast‐to‐noise ratio. DCE traditionally required imaging of the pelvis with high temporal but lower spatial resolution; however, advances in parallel and keyhole imaging techniques can preserve spatial resolution. The use of compressed sensing reconstruction may improve utilization of DCE of the bladder, especially when imaging the abdomen simultaneously, as in MR urography. Quantitative imaging analysis of bladder cancer using pharmacokinetic modeling of DCE, apparent diffusion coefficient values, and texture analysis may enable radiomic assessment of bladder cancer grade and stage. Level of Evidence: 3 Technical Efficacy: Stage 2 J. Magn. Reson. Imaging 2018;48:882–896.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».