The influence of ultrasound image depth and gain on skeletal muscle echo intensity
Notice bibliographique
Résumé
Echo intensity may associate with indicators of skeletal muscle quality, but investigators often use different methodological approaches that may alter echo intensity when acquiring B-mode ultrasound images. We examined the influence of image depth and gain settings on the interpretation of echo intensity. Thirty-six college-aged males and females participated. Ultrasound images of the vastus lateralis were captured in the sagittal plane. Images were captured at depths of 3.0, 3.5, 4.0, 4.5, 5.0, 6.0, and 7.0 cm and gain settings of 50 and 60 dB in random order. For both gain settings, echo intensity values were similar between 4.0 and 6.0 cm. At a gain of 50 dB, 7.0 cm demonstrated greater values than all other depths. At a gain of 60 dB, 7.0 cm displayed greater values compared to all other depths, but 3.0 cm displayed lower echo intensity values than other depths. Echo intensity was substantially higher when using a gain of 60 dB compared to 50 dB (mean difference ≥ 21.7 arbitrary units, d ≥ 3.47). When planning investigations in new research areas, researchers should carefully consider their study-specific image depth. Echo intensity values are stable between depths of 4.0 and 6.0 cm, suggesting that changing image depth may not be problematic. Image gain must be kept constant. Novelty: Optimal approaches for B-mode ultrasound image acquisition of skeletal muscles remain unclear. Echo intensity is similar between depths of 4.0 and 6.0 cm, regardless of image gain. Investigators should seek to utilize a constant depth setting, but small deviations may be acceptable.
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 ».