MétaCan
Menu
Retour à la cohorte
Enregistrement W2041813686 · doi:10.1118/1.4905048

Suitability of poroelastic and viscoelastic mechanical models for high and low frequency MR elastography

2015· article· en· W2041813686 sur OpenAlexaff
Matthew McGarry, Curtis L. Johnson, Bradley P. Sutton, John G. Georgiadis, Elijah E. W. Van Houten, Adam J. Pattison, John B. Weaver, Keith D. Paulsen

Notice bibliographique

RevueMedical Physics · 2015
Typearticle
Langueen
DomaineMedicine
ThématiqueUltrasound Imaging and Elastography
Établissements canadiensUniversité de Sherbrooke
Organismes subventionnairesNational Institute of Biomedical Imaging and BioengineeringNational Institutes of Health
Mots-clésMagnetic resonance elastographyPoromechanicsViscoelasticityElastographyAcousticsBiomedical engineeringFinite element methodEstimatorMaterials scienceInverse problemRepeatabilityNonlinear systemPhysicsNuclear magnetic resonanceMechanicsPorosityMathematical analysisMathematicsUltrasoundPorous mediumStatisticsEngineeringThermodynamics

Résumé

récupéré en direct d'OpenAlex

PURPOSE: Descriptions of the structure of brain tissue as a porous cellular matrix support application of a poroelastic (PE) mechanical model which includes both solid and fluid phases. However, the majority of brain magnetic resonance elastography (MRE) studies use a single phase viscoelastic (VE) model to describe brain tissue behavior, in part due to availability of relatively simple direct inversion strategies for mechanical property estimation. A notable exception is low frequency intrinsic actuation MRE, where PE mechanical properties are imaged with a nonlinear inversion algorithm. METHODS: This paper investigates the effect of model choice at each end of the spectrum of in vivo human brain actuation frequencies. Repeat MRE examinations of the brains of healthy volunteers were used to compare image quality and repeatability for each inversion model for both 50 Hz externally produced motion and ≈1 Hz intrinsic motions. Additionally, realistic simulated MRE data were generated with both VE and PE finite element solvers to investigate the effect of inappropriate model choice for ideal VE and PE materials. RESULTS: In vivo, MRE data revealed that VE inversions appear more representative of anatomical structure and quantitatively repeatable for 50 Hz induced motions, whereas PE inversion produces better results at 1 Hz. Reasonable VE approximations of PE materials can be derived by equating the equivalent wave velocities for the two models, provided that the timescale of fluid equilibration is not similar to the period of actuation. An approximation of the equilibration time for human brain reveals that this condition is violated at 1 Hz but not at 50 Hz. Additionally, simulation experiments when using the "wrong" model for the inversion demonstrated reasonable shear modulus reconstructions at 50 Hz, whereas cross-model inversions at 1 Hz were poor quality. Attenuation parameters were sensitive to changes in the forward model at both frequencies, however, no spatial information was recovered because the mechanisms of VE and PE attenuation are different. CONCLUSIONS: VE inversions are simpler with fewer unknown properties and may be sufficient to capture the mechanical behavior of PE brain tissue at higher actuation frequencies. However, accurate modeling of the fluid phase is required to produce useful mechanical property images at the lower frequencies of intrinsic brain motions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,259
Écart entre enseignants0,242 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations84
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedical PhysicsMême sujetUltrasound Imaging and ElastographyTravaux en français237 207