Characterization of Atherosclerotic Plaques by Laser Speckle Imaging
Notice bibliographique
Résumé
BACKGROUND: A method capable of determining atherosclerotic plaque composition and measuring plaque viscoelasticity can provide valuable insight into intrinsic features associated with plaque rupture and can enable the identification of high-risk lesions. In this article, we describe a new optical technique, laser speckle imaging (LSI), that measures an index of plaque viscoelasticity. We evaluate the potential of LSI for characterizing atherosclerotic plaque. METHODS AND RESULTS: Time-varying helium-neon laser speckle images were acquired from 118 aortic plaque specimens from 14 human cadavers under static and deforming conditions (0 to 200 microm/s). Temporal fluctuations in the speckle patterns were quantified by exponential fitting of the normalized cross-correlation of sequential frames in each image series of speckle patterns to obtain the exponential decay time constant, tau. The decorrelation time constants of thin-cap fibroatheromas (TCFA) (tau=47.5+/-19.2 ms) were significantly lower than those of other atherosclerotic lesions (P<0.001), and the sensitivity and specificity of the LSI technique for identifying TCFAs were >90%. Speckle decorrelation time constants demonstrated strong correlation with histological measurements of plaque collagen (R=0.73, P<0.0001), fibrous cap thickness (R=0.87, P<0.0001), and necrotic core area (R=-0.81, P<0.0001). Under deforming conditions (10 to 200 microm/s), tau correlated well with cap thickness in necrotic core fibroatheromas (P>0.05). CONCLUSIONS: The measurement of speckle decorrelation time constant from laser speckle images provides an index of plaque viscoelasticity and facilitates the characterization of plaque type. Our results demonstrate that LSI is a highly sensitive technique for characterizing plaque and identifying thin-cap fibroatheromas.
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 | 0,000 |
| 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 ».