Identifying Thrombus on Non-Contrast CT in Patients with Acute Ischemic Stroke
Notice bibliographique
Résumé
The hyperdense sign is a marker of thrombus in non-contrast computed tomography (NCCT) datasets. The aim of this work was to determine optimal Hounsfield unit (HU) thresholds for thrombus segmentation in thin-slice non-contrast CT (NCCT) and use these thresholds to generate 3D thrombus models. Patients with thin-slice baseline NCCT (≤2.5 mm) and MCA-M1 occlusions were included. CTA was registered to NCCT, and three regions of interest (ROIs) were placed in the NCCT, including: the thrombus, contralateral brain tissue, and contralateral patent MCA-M1 artery. Optimal HU thresholds differentiating the thrombus from non-thrombus tissue voxels were calculated using receiver operating characteristic analysis. Linear regression analysis was used to predict the optimal HU threshold for discriminating the clot only based on the average contralateral vessel HU or contralateral parenchyma HU. Three-dimensional models from 70 participants using standard (45 HU) and patient-specific thresholds were generated and compared to CTA clot characteristics. The optimal HU threshold discriminating thrombus in NCCT from other structures varied with a median of 51 (IQR: 49-55). Experts chose 3D models derived using patient-specific HU models as corresponding better to the thrombus seen in CTA in 83.8% (31/37) of cases. Patient-specific HU thresholds for segmenting the thrombus in NCCT can be derived using normal parenchyma. Thrombus segmentation using patient-specific HU thresholds is superior to conventional 45 HU thresholds.
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 ».