MétaCan
Menu
Retour à la cohorte
Enregistrement W2059604234 · doi:10.1186/1532-429x-14-s1-w49

Simultaneous wall and blood-flow phase-contrast imaging using a single low VENC

2012· article· en· W2059604234 sur OpenAlexaff
Junmin Liu, James A. White, Maria Drangova

Notice bibliographique

RevueJournal of Cardiovascular Magnetic Resonance · 2012
Typearticle
Langueen
DomaineMedicine
ThématiqueAdvanced MRI Techniques and Applications
Établissements canadiensWestern University
Organismes subventionnairesnon disponible
Mots-clésAngiologyMedicinePhase contrast microscopyContrast (vision)Blood flowRadiologyMedical physicsInternal medicineArtificial intelligenceComputer scienceOptics

Résumé

récupéré en direct d'OpenAlex

Intra-ventricular blood flow and regional myocardial motion are two key components used in assessing cardiac function. Both can be quantified using phase contrast MRI, but typically require two imaging sequences to be acquired - one with a high velocity encoding value (VENC) and one with a low VENC, selected to optimize velocity sensitivity while avoiding aliasing. In an effort to obtain velocity information from both ventricular blood and myocardial motion in one acquisition, dual-VENC techniques (Buchenberg, ISMRM 2011) have been proposed and evaluated. MR imaging was performed on a 3.0-T whole-body scanner (MR 750, GE Medical Systems). Phase-contrast images with through-plane velocity-encoding were acquired in the short-axis plane with a retrospectively triggered 2D fast cine phase contrast pulse sequence (segmented k-space gradient-echo; TR/TE, 7.3/4.4 ms; flip angle 15 degree, slice thickness 8 mm) with first-order flow compensation in all dimensions to minimize artifacts from flow and motion. Three VENCs - 75, 20 and 10 cm/s - were used and the images acquired with VENC = 75 cm/s were used as a reference. The acquisition time (per VENC) was about 15 seconds, enabling acquisition within a single breath-hold. Thirty images were reconstructed per cardiac cycle. All images were analyzed off-line using algorithms developed using MATLAB. Phase unwrapping of the velocity data was achieved using an algorithm developed in our lab, which uses an orthogonal recursive approach to remove streaks that result following conventional 2D phase unwrapping. Mid-ventricular phase-contrast images corresponding to peak systole and early filling are shown in Figures 1 and 2 , respectively. Severe phase aliasing is seen within the LV blood pool when VENCs of 20 and 10 cm/s were used (Figures 1b and 2b ). Our technique successfully unwrapped the images acquired with VENC = 20 cm/s but failed with VENC = 10 cm/s for the early-filling stage. The flow velocity from phase images acquired using VENC = 20 cm/s are quantitatively similar to the reference phase images but with lower noise in heart wall compared to that of VENC = 75 cm/s (submit to SCMR 2012). Peak systolic stage: magnitude (a), measured phase (b) and unwrapped phase (c). The phase images have been corrected for background phase (based on the mean phase value within the boxes drawn) and are scaled in cm/s according to the scale on the right. Early-filling stage: magnitude (a), measured phase (b) and unwrapped phase (c). The phase images have been corrected for background phase (based on the mean phase value within the boxes drawn) and are scaled in cm/s according to the scale on the right. The results suggest that single low-VENC (>= 20 cm/s) acquisitions can be successfully used to measure intra-ventricular flow and wall motion simultaneously.

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)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
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 Opus0,013
Tête enseignante GPT0,271
Écart entre enseignants0,259 · 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'étudeExpérimental (laboratoire)
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

Citations0
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Cardiovascular Magnetic ResonanceMême sujetAdvanced MRI Techniques and ApplicationsTravaux en français237 207