Comparison of clinical‐CT segmentation techniques for measuring subchondral bone cyst volume in glenohumeral osteoarthritis
Notice bibliographique
Résumé
Abstract Purpose This study aimed to assess the accuracy and reproducibility of four common segmentation techniques measuring subchondral bone cyst volume in clinical‐CT scans of glenohumeral OA patients. Methods Ten humeral head osteotomies collected from cystic OA patients, having undergone total shoulder arthroplasty, were scanned within a micro‐CT scanner, and corresponding preoperative clinical‐CT scans were gathered. Cyst volumes were measured manually in micro‐CT and served as a reference standard ( n = 13). Respective cyst volumes were measured on the clinical‐CT scans by two independent graders using four segmentation techniques: Qualitative, Edge Detection, Region Growing, and Thresholding. Cyst volume measured in micro‐CT was compared to the different clinical‐CT techniques using linear regression and Bland–Altman analysis. Reproducibility of each technique was assessed using intraclass correlation coefficient (ICC). Results Each technique outputted lower volumes on average than the reference standard (‐0.24 to ‐3.99 mm 3 ). All linear regression slopes and intercepts were not significantly different than 1 and 0, respectively ( p < 0.05). Cyst volumes measured using Qualitative and Edge Detection techniques had the highest overall agreement with reference micro‐CT volumes (mean discrepancy: 0.24, 0.92 mm 3 ). These techniques showed good to excellent reproducibility between graders. Conclusions Qualitative and Edge Detection techniques were found to accurately and reproducibly measure subchondral cyst volume in clinical‐CT. These findings provide evidence that clinical‐CT may accurately gauge glenohumeral cystic presence, which may be useful for disease monitoring and preoperative planning. Level of evidence Retrospective cohort Level 3 study.
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) | 0,001 | 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 ».