Texture analysis in the classification of T<sub>2</sub>‐weighted magnetic resonance images in persons with and without low back pain
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Magnetic resonance imaging findings often do not distinguish between people with and without low back pain (LBP). However, there are still a large number of people who undergo magnetic resonance imaging to help determine the etiology of their back pain. Texture analysis shows promise for the classification of tissues that look similar, and machine learning can minimize the number of comparisons. This study aimed to determine if texture features from lumbar spine magnetic resonance imaging differ between people with and without LBP. In total, 14 participants with chronic LBP were matched for age, weight, and gender with 14 healthy volunteers. A custom texture analysis software was used to construct a gray-level co-occurrence matrix with one to four pixels offset in 0° direction for the disc and superior and inferior endplate regions. The Random Forests Algorithm was used to select the most promising classifiers. The linear mixed-effect model analysis was used to compare groups (pain vs. pain-free) at each level controlling for age. The Random Forest Algorithm recommended focusing on intervertebral discs and endplate zones at L4-5 and L5-S1. Differences were observed between groups for L5-S1 superior endplate contrast, homogeneity, and energy (p = .02). Differences were observed for L5-S1 disc contrast and homogeneity (p < .01), as well as for the inferior endplates contrast, homogeneity, and energy (p < .03). Magnetic resonance imaging textural features may have potential in identifying structures that may be the target of further investigations about the reasons for LBP.
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.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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) | 0,000 | 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 découle