PILLAR: ParaspInaL muscLe segmentAtion pRoject - a comprehensive online resource to guide manual segmentation of paraspinal muscles from magnetic resonance imaging
Notice bibliographique
Résumé
BACKGROUND: There is an increasing interest in assessing paraspinal morphology and composition in relation to low back pain (LBP). However, variations in methods and segmentation protocols contribute to the inconsistent findings in the literature. We present an on-line resource, the ParaspInaL muscLe segmentAtion pRoject (PILLAR, https://projectpillar.github.io/ ), to provide a detailed description and visual guide of a segmentation protocol by using the publicly available ITK-SNAP software and discuss related challenges when performing paraspinal lumbar muscles segmentations from magnetic resonance imaging (MRI). METHODS: T2-weighted and corresponding fat-water IDEAL axial MRI from 3 males and 3 females (2 chronic LBP and 1 control for each sex) were used to demonstrate our segmentation protocol for each lumbar paraspinal muscle (erector spinae, lumbar multifidus, quadratus lumborum and psoas) and lumbar spinal level (L1-L5). RESULTS: Proper segmentation requires an understanding of the anatomy of paraspinal lumbar muscles and the variations in paraspinal muscle morphology and composition due to age, sex, and the presence of LBP or related spinal pathologies. Other challenges in segmentation includes the presence and variations of intramuscular and epimuscular fat, and side-to-side asymmetry. CONCLUSION: The growing interest to assess the lumbar musculature and its role in the development and recurrence of LBP prompted the need for comprehensive and easy-to-follow resources, such as the PILLAR project to reduce inconsistencies in segmentation protocols. Standardizing manual muscle measurements from MRI will facilitate comparisons between studies while the field is progressively moving towards the automatization of paraspinal muscle measurements for large cohort studies.
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 | 0,001 |
| 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 ».