Quantification of bone mineral, collagen, and water using a robust DECT-based algorithm: addressing attenuation similarity and CT imaging noise
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Bone consists of hydroxyapatite, collagen, and water, each essential to mechanical integrity. Dual-energy computed tomography (DECT) offers a non-invasive way to quantify these components, but attenuation similarity between collagen and water and CT noise undermine stable decomposition. This study develops and evaluates a robust, constraint-based DECT algorithm to improve stability and accuracy under these conditions. The method was first verified using digital CT phantoms with prescribed compositions and then validated using 28 cylindrical bovine specimens scanned at 45/90 keV. Stepwise drying (110 °C, 6h) and ashing (600 °C, 9h) provided reference fractions of hydroxyapatite, collagen, and water. Simulations demonstrated high voxel-wise accuracy with negligible deviation from reference values. Experimentally, DECT-derived and ashing-measured fractions correlated moderately for hydroxyapatite (r = 0.61, p < 0.001) and collagen (r = 0.46, p = 0.02), but poorly for water (r = 0.02, p = 0.91), reflecting attenuation similarity and dehydration-related bonded-water loss. After excluding seven specimens with severe beam-hardening and streak artefacts, hydroxyapatite accuracy improved markedly (r = 0.89, p < 0.001). The algorithm enhances the reliability of DECT-based bone-composition assessment under realistic noise, providing robust hydroxyapatite quantification. Collagen–water separation remains limited, and future work will integrate advanced denoising and multi-energy CT.
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.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 découle