이 쿠키는 웹사이트가 정상적으로 작동하는 데 필요하며 시스템에서 꺼질 수 없습니다. 주로 사용자가 요청한 서비스(개인정보 설정, 로그인, 양식 작성 등)를 제공하기 위해 설정됩니다. 브라우저에서 이 쿠키를 차단하거나 알림을 받을 수 있도록 설정할 수 있지만, 이 경우 사이트 일부 기능이 정상적으로 작동하지 않을 수 있습니다. 이 쿠키는 개인 식별 정보를 저장하지 않습니다.
+타겟팅 쿠키
이 쿠키는 광고 파트너를 통해 설정되며, 귀하의 관심사에 기반한 광고를 다른 사이트에 표시하는 데 사용됩니다. 이 쿠키는 직접적으로 개인정보를 저장하지 않으며, 브라우저와 인터넷 기기 식별을 기반으로 작동합니다. 이 쿠키를 허용하지 않으면 타겟팅 광고를 덜 경험하게 됩니다.
+성능 쿠키
이 쿠키는 웹사이트 방문자 수 및 트래픽 소스를 집계하여, 사이트의 성능을 측정하고 개선하는 데 사용됩니다. 어떤 페이지가 인기가 많은지, 방문자가 사이트를 어떻게 이동하는지를 파악하는 데 도움이 됩니다. 모든 정보는 익명으로 수집되며, 이 쿠키를 허용하지 않을 경우 방문 및 활동 기록을 알 수 없어 사이트 성능 모니터링에 제약이 생깁니다.
Yura Ahn et al. analyzed the effect of CT reconstruction kernels on ILD quantification, using a deep learning-based kernel conversion algorithm to minimize variability. Involving 194 patients with ILD or interstitial lung abnormalities, the study utilized high-resolution CT images reconstructed with B30f, B50f, and B60f kernels, with B60f serving as the reference standard. Automated quantification was performed via Aview software, and reproducibility was evaluated using ICC and Bland-Altman methods. Results showed significant variability in disease pattern quantification across kernels, notably an overestimation of ground-glass opacity on smoother kernels. The kernel conversion algorithm effectively aligned measurements to the B60f reference, achieving nearly perfect ICC scores. This advancement enables consistent ILD assessments across different imaging protocols, enhancing reliability in multi-center studies. Limitations include the use of a single vendor’s scanner and unaddressed factors like slice thickness. Future research should focus on broader validation and inclusion of diverse CT parameters.
목록으로
