Motion artifact correction for cone beam CT stroke imaging: a prospective series
Notice bibliographique
Résumé
BACKGROUND: Imaging assessment for acute ischemic stroke (AIS) patients in the angiosuite using cone beam CT (CBCT) has created increased interest since endovascular treatment became the first line therapy for proximal vessel occlusions. One of the main challenges of CBCT imaging in AIS patients is degraded image quality due to motion artifacts. This study aims to evaluate the prevalence of motion artifacts in CBCT stroke imaging and the effectiveness of a novel motion artifact correction algorithm for image quality improvement. METHODS: Patients presenting with acute stroke symptoms and considered for endovascular treatment were included in the study. CBCT scans were performed using the angiosuite X-ray system. All CBCT scans were post-processed using a motion artifact correction algorithm. Motion artifacts were scored before and after processing using a 4-point scale. RESULTS: We prospectively included 310 CBCT scans from acute stroke patients. 51% (n=159/310) of scans had motion artifacts, with 24% being moderate to severe. The post-processing algorithm improved motion artifacts in 91% of scans with motion (n=144/159), restoring clinical diagnostic capability in 34%. Overall, 76% of the scans were sufficient for clinical decision-making before correction, which improved to 93% (n=289/310) after post-processing with our algorithm. CONCLUSIONS: Our results demonstrate that CBCT motion artifacts are significantly reduced using a novel post-processing algorithm, which improved brain CBCT image quality and diagnostic assessment for stroke. This is an important step on the road towards a direct-to-angio approach for endovascular thrombectomy (EVT) treatment.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».