Possibilities of radiomics in processing data of CT scan of the chest organs in diagnosis of pulmonary tuberculosis
Notice bibliographique
Résumé
The article shows the possibility of applying radiomics in the processing of chest CT data in the diagnosis of pulmonary tuberculosis. Currently, a subjective method based on the knowledge and experience of a radiologist is used to process CT images. A new approach to CT image analysis can fundamentally change the diagnostic process. Its essence is to create mathematical models and computer algorithms that take medical images as input and produce pathophysiological features of tissues.Dragonfly software, provided free of charge by OBYECT RESERCH SYSTEMS (ORS), Montreal, Canada, is used for CT slice analysis, which enables segmentation, mathematical and statistical processing of images, construction of ordinary and segmented histograms. To work with the program, dicom - CT files are transformed into raster files (Tiff, Jpeg, Raw) and further analysis of CT slices is performed by grayscale gradations (behind image pixels, not behind dicom file voxels). It should be emphasized that the grayscale analysis correlates with the Hounsfield units.It has been shown that based on the data of pathomorphological examination of the affected tissue, it is impossible to determine the difference between chemoresistant and susceptible pulmonary tuberculosis.Processing of CT data with the construction of conventional and segmental histograms using Dragonfly software tools makes it possible to identify pathophysiological features of tissues in the diagnosis of sensitive and chemoresistant pulmonary tuberculosis. Further research is needed to identify patterns and differences in the determination of densities in the diagnosis of sensitive and chemoresistant pulmonary tuberculosis.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».