Comparison of epicardial adipose tissue volume quantification between ECG-gated cardiac and non-ECG-gated chest computed tomography scans
Notice bibliographique
Résumé
BACKGROUND: This study investigated accuracy and consistency of epicardial adipose tissue (EAT) quantification in non-ECG-gated chest computed tomography (CT) scans. METHODS: EAT volume was semi-automatically quantified using a standard Hounsfield unit threshold (- 190, - 30) in three independent cohorts: (1) Cohort 1 (N = 49): paired 120 kVp ECG-gated cardiac non-contrast CT (NCCT) and 120 kVp non-ECG-gated chest NCCT; (2) Cohort 2 (N = 34): paired 120 kVp cardiac NCCT and 100 kVp non-ECG-gated chest NCCT; (3) Cohort 3 (N = 32): paired non-ECG-gated chest NCCT and chest contrast-enhanced CT (CECT) datasets (including arterial phase and venous phase). Images were reconstructed with the slice thicknesses of 1.25 mm and 5 mm in the chest CT datasets, and 3 mm in the cardiac NCCT datasets. RESULTS: In Cohort 1, the chest NCCT-1.25 mm EAT volume was similar to the cardiac NCCT EAT volume, while chest NCCT-5 mm underestimated the EAT volume by 7.5%. In Cohort 2, 100 kVp chest NCCT-1.25 mm were 13.2% larger than 120 kVp cardiac NCCT EAT volumes. In Cohort 3, the chest arterial CECT and venous CECT dataset underestimated EAT volumes by ~ 28% and ~ 18%, relative to chest NCCT datasets. All chest CT-derived EAT volumes were similarly associated with significant coronary atherosclerosis with cardiac CT counterparts. CONCLUSION: The 120 kVp non-ECG-gated chest NCCT-1.25 mm images produced EAT volumes comparable to cardiac NCCT. Chest CT EAT volumes derived from consistent imaging settings are excellent alternatives to the cardiac NCCT to investigate their association with coronary artery disease.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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 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 ».