Application-specific approaches to MicroCT for evaluation of mouse models of pulmonary disease
Notice bibliographique
Résumé
The advent of micro-computed tomography (microCT) has provided significant advancement in our ability to generate clinically relevant assessments of lung health and disease in small animal models. As microCT use to generate outcomes analysis in pulmonary preclinical models has increased there have been substantial improvements in image quality and resolution, and data analysis software. However, there are limited published methods for standardized imaging and automated analysis available for investigators. Manual quantitative analysis of microCT images is complicated by the presence of inflammation and parenchymal disease. To improve the efficiency and limit user-associated bias, we have developed an automated pulmonary air and tissue segmentation (PATS) task list to segment lung air volume and lung tissue volume for quantitative analysis. We demonstrate the effective use of the PATS task list using four distinct methods for imaging, 1) in vivo respiration controlled scanning using a flexiVent, 2) longitudinal breath-gated in vivo scanning in resolving and non-resolving pulmonary disease initiated by lipopolysaccharide-, bleomycin-, and silica-exposure, 3) post-mortem imaging, and 4) ex vivo high-resolution scanning. The accuracy of the PATS task list was compared to manual segmentation. The use of these imaging techniques and automated quantification methodology across multiple models of lung injury and fibrosis demonstrates the broad applicability and adaptability of microCT to various lung diseases and small animal models and presents a significant advance in efficiency and standardization of preclinical microCT imaging and analysis for the field of pulmonary research.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».