Diffusion-Tensor Imaging Versus Digitization in Reconstructing the Masseter Architecture
Notice bibliographique
Résumé
Accurate characterization of the craniomaxillofacial (CMF) skeleton using finite element (FE) modeling requires representation of complex geometries, heterogeneous material distributions, and physiological loading. Musculature in CMF FE models are often modeled with simple link elements that do not account for fiber bundles (FBs) and their differential activation. Magnetic resonance (MR) diffusion-tensor imaging (DTI) enables reconstruction of the three-dimensional (3D) FB arrangement within a muscle. However, 3D quantitative validation of DTI-generated FBs is limited. This study compares 3D FB arrangement in terms of pennation angle (PA) and fiber bundle length (FBL) generated through DTI in a human masseter to manual digitization. CT, MR-proton density, and MR-DTI images were acquired from a single cadaveric specimen. Bone and masseter surfaces were reconstructed from CT and MR-proton density images, respectively. PA and FBL were estimated from FBs reconstructed from MR-DTI images using a streamline tracking (STT) algorithm (n = 193) and FBs identified through manual digitization (n = 181) and compared using the Mann-Whitney test. DTI-derived PAs did not differ from the digitized data (p = 0.411), suggesting that MR-DTI can be used to simulate FB orientation and the directionality of transmitted forces. Conversely, a significant difference was observed in FBL (p < 0.01) which may have resulted due to the tractography stopping criterion leading to early tract termination and greater length variability. Overall, this study demonstrated that DTI can yield muscle FB orientation data suitable to representative directionality of physiologic muscle loading in patient-specific CMF FE modeling.
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) | 0,000 | 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 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 ».