Establishing error bounds for internal calibration of quantitative computed tomography
Notice bibliographique
Résumé
Opportunistic computed tomography (CT) scans, which can assess relevant osteoporotic bones of interest, offer a potential solution for identifying osteoporotic individuals. CT scans usually do not contain calibration phantoms, so internal calibration methods have been developed to create a voxel-specific density calibration that can be used in opportunistic CT. It remains a challenge, however, to account for potential sources of error in internal calibration, such as beam hardening or heterogeneous internal reference tissues. The purpose of this work was to introduce our internal calibration method that accounts for these variations and to estimate error bounds for the bone mineral density (BMD) measurements taken from internally calibrated scans. The error bounds are derived by incorporating a combination of a Monte Carlo simulation and standard error propagation into our previously established internal calibration method. A cohort of 138 clinical abdominal CT scans were calibrated for BMD assessment with a phantom placed in the field of view and used as the ground truth. Our modified internal calibration method provided error bounds on the same images and was tested to contain the ground truth phantom-calibrated BMD. This was repeated using 10 different internal reference tissue combinations to explore how error bounds are affected by the choice of internal tissue referents. We found that the tissue combination of air, skeletal muscle, and cortical bone yielded the most accurate BMD estimates while maintaining error bounds that were sufficiently conservative to account for sources of error such as beam hardening and heterogeneous tissue samples. The mean difference between the phantom BMD and the BMD resulting from the tissue combination of air, skeletal muscle and cortical bone was 2.12 mg/cc (0.06% BMD error) and 1.13 mg/cc (0.02 % BMD error) for the left and right femur, respectively. Providing error bounds for internal calibration provides a method to explore the influence of internal reference tissues and confidence for BMD estimates.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,036 | 0,148 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».