MétaCan
Menu
Retour à la cohorte
Enregistrement W2971577225 · doi:10.1259/bjr.20190384

Restricting motion effects in CT coronary angiography

2019· article· en· W2971577225 sur OpenAlexaff
Hany Kashani, Graham A. Wright, Ali Ursani, Garry Liu, Masoud Hashemi, Narinder Paul

Notice bibliographique

RevueBritish Journal of Radiology · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueCardiac Imaging and Diagnostics
Établissements canadiensWestern UniversityUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésDisplacement (psychology)MedicineIterative reconstructionNuclear medicineMotion blurRotation (mathematics)Coronary angiographyArtificial intelligenceRadiologyImage (mathematics)Computer scienceCardiologyMyocardial infarction

Résumé

récupéré en direct d'OpenAlex

Objective: Evaluation of coronary CT image blur using multi segment reconstruction algorithm. Methods: Cardiac motion was simulated in a Catphan. CT coronary angiography was performed using 320 × 0.5 mm detector array and 275 ms gantry rotation. 1, 2 and 3 segment reconstruction algorithm, three heart rates (60, 80 and 100bpm), two peak displacements (4, 8 mm) and three cardiac phases (55, 35, 75%) were used. Wilcoxon test compared image blur from the different reconstruction algorithms. Results: Image blur for 1, 2 and 3 segments in: 60 bpm, 75% R–R interval and 8 mm peak displacement: 0.714, 0.588, 0.571 mm (1.18, 0.6, 0.4 mm displacement) 80 bpm, 35% R–R interval and 8 mm peak displacement: 0.869, 0.606, 0.606 mm (1.57, 0.79,0.52 mm displacement) 100 bpm, 35% R–R interval and 4 mm peak displacement: 0.645, 0.588, 0.571 mm (0.98, 0.49, 0.33 mm displacement). The median image blur overall for 1 and 2 segments was 0.714 mm and 0.588 mm respectively (p < 0.0001). Conclusion: Two-segment reconstruction significantly reduces image blur. Advances in knowledge: Multisegment reconstruction algorithms during CT coronary angiography are a useful method to reduce image blur, improve visualization of the coronary artery wall and help the early detection of the plaque.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut 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: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
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 savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,005
Tête enseignante GPT0,236
Écart entre enseignants0,231 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBritish Journal of RadiologyMême sujetCardiac Imaging and DiagnosticsTravaux en français237 207