Comparison of epicardial adipose tissue volume quantification between cardiac and chest computed tomography scans
Notice bibliographique
Résumé
ABSTRACT Background This study investigated accuracy and consistency of epicardial adipose tissue (EAT) quantification in chest computed tomography (CT) scans. Methods and results EAT volume was quantified semi-automatically using a standard Hounsfield unit threshold (-190U, -30) in three independent cohorts: (1) Cohort 1 ( N = 30) consisted of paired 120 KV cardiac non-contrast CT (NCCT) and 120 KV chest NCCT; (2) Cohort 2 ( N = 20) consisted of paired 120 KV cardiac NCCT and 100 KV chest NCCT; (3) Cohort 3 ( N = 20) consisted of paired chest NCCT and chest contrast-enhanced CT (CECT) datasets. Images were reconstructed with the slice thicknesses of 1.25 mm and 5 mm in the chest CT datasets, and 3 mm in the cardiac NCCT datasets. In Cohort 1, the chest NCCT-1.25 mm EAT volume was similar to the cardiac NCCT EAT volume, whilst chest NCCT-5 mm underestimated the EAT volume by 7.0%. In Cohort 2, 100 KV chest NCCT-1.25mm and -5 mm EAT volumes were 9.7% and 6.4% larger than corresponding 120 KV cardiac NCCT EAT volumes. In Cohort 3, the chest CECT dataset underestimated EAT volumes by ∼25%, relative to chest NCCT datasets. All chest CT-derived EAT volumes were strongly correlated with their cardiac CT counterparts. Conclusions The chest NCCT-1.25 mm EAT volume with the 120 KV tube energy produced EAT volumes that are comparable to cardiac NCCT. All chest CT EAT volumes were strongly correlated with EAT volumes obtained from cardiac CT, if imaging protocol is consistently applied to all participants.
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 | 0,005 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 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 ».