MétaCan
Menu
Retour à la cohorte
Enregistrement W4293213030 · doi:10.3390/biomedicines10092075

Associations of Texture Features of Proton Density Fat Fraction Maps between Lumbar Vertebral Bone Marrow and Paraspinal Musculature

2022· article· en· W4293213030 sur OpenAlexaff
Yannik Leonhardt, Michael Dieckmeyer, Florian Zoffl, Georg C. Feuerriegel, Nico Sollmann, Daniela Junker, Tobias Greve, Christina Holzapfel, Hans Hauner, Karupppasamy Subburaj, Jan S. Kirschke, Dimitrios C. Karampinos, Claus Zimmer, Marcus R. Makowski, Thomas Baum, Egon Burian

Notice bibliographique

RevueBiomedicines · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensSaint Mary's University
Organismes subventionnairesnon disponible
Mots-clésMedicineLumbarKurtosisTexture (cosmology)Magnetic resonance imagingLogistic regressionAnatomyNuclear medicineRadiologyInternal medicineMathematics

Résumé

récupéré en direct d'OpenAlex

Chemical shift encoding-based water−fat MRI (CSE-MRI)-derived proton density fat fraction (PDFF) has been used for non-invasive assessment of regional body fat distributions. More recently, texture analysis (TA) has been proposed to reveal even more detailed information about the vertebral or muscular composition beyond PDFF. The aim of this study was to investigate associations between vertebral bone marrow and paraspinal muscle texture features derived from CSE-MRI-based PDFF maps in a cohort of healthy subjects. In this study, 44 healthy subjects (13 males, 55 ± 30 years; 31 females, 39 ± 17 years) underwent 3T MRI including a six-echo three-dimensional (3D) spoiled gradient echo sequence used for CSE-MRI at the lumbar spine and the paraspinal musculature. The erector spinae muscles (ES), the psoas muscles (PS), and the vertebral bodies L1-4 (LS) were manually segmented. Mean PDFF values and texture features were extracted for each compartment. Features were compared between males and females using logistic regression analysis adjusted for age and body mass index (BMI). All texture features of ES except for Sum Average were significantly (p < 0.05) different between men and women. The three global texture features (Variance, Skewness, Kurtosis) for PS as well as LS showed a significant difference between male and female subjects (p < 0.05). Mean PDFF measured in PS and ES was significantly higher in females, but no difference was found for the vertebral bone marrow’s PDFF. Partial correlation analysis between the texture features of the spine and the paraspinal muscles revealed a highly significant correlation for Variance(global) (r = 0.61 for ES, r = 0.62 for PS; p < 0.001 respectively). Texture analysis using PDFF maps based on CSE-MRI revealed differences between healthy male and female subjects. Global texture features in the lumbar vertebral bone marrow allowed for differentiation between men and women, when the overall PDFF was not significantly different, indicating that PDFF maps may contain detailed and subtle textural information beyond fat fraction. The observed significant correlation of Variance(global) suggests a metabolic interrelationship between vertebral bone marrow and the paraspinal muscles.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,128
Score d'incertitude au seuil0,428

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,291
Écart entre enseignants0,279 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBiomedicinesMême sujetRadiomics and Machine Learning in Medical ImagingTravaux en français237 207