Thresholding approaches for estimating paraspinal muscle fat infiltration using <scp>T1</scp> ‐ and <scp>T2</scp> ‐weighted <scp>MRI</scp> : Comparative analysis using water–fat <scp>MRI</scp>
Notice bibliographique
Résumé
Abstract Background Paraspinal muscle fat infiltration is associated with spinal degeneration and low back pain, however, quantifying muscle fat using clinical magnetic resonance imaging (MRI) techniques continues to be a challenge. Advanced MRI techniques, including chemical‐shift encoding (CSE) based water–fat MRI, enable accurate measurement of muscle fat, but such techniques are not widely available in routine clinical practice. Methods To facilitate assessment of paraspinal muscle fat using clinical imaging, we compared four thresholding approaches for estimating muscle fat fraction (FF) using T1‐ and T2‐weighted images, with measurements from water–fat MRI as the ground truth: Gaussian thresholding, Otsu's method, K‐mean clustering, and quadratic discriminant analysis. Pearson's correlation coefficients ( r ), mean absolute errors, and mean bias errors were calculated for FF estimates from T1‐ and T2‐weighted MRI with water–fat MRI for the lumbar multifidus (MF), erector spinae (ES), quadratus lumborum (QL), and psoas (PS), and for all muscles combined. Results We found that for all muscles combined, FF measurements from T1‐ and T2‐weighted images were strongly positively correlated with measurements from the water–fat images for all thresholding techniques ( r = 0.70–0.86, p < 0.0001) and that variations in inter‐muscle correlation strength were much greater than variations in inter‐method correlation strength. Conclusion We conclude that muscle FF can be quantified using thresholded T1‐ and T2‐weighted MRI images with relatively low bias and absolute error in relation to water–fat MRI, particularly in the MF and ES, and the choice of thresholding technique should depend on the muscle and clinical MRI sequence of interest.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».