MR feature tracking in patients with MRI‐conditional pacing systems: The impact of pacing
Notice bibliographique
Résumé
PURPOSE: To develop feature tracking (FT) software to perform strain analysis on conventional (nontagged) cardiac magnetic resonance imaging (MRI) function images. With the advent of MRI-conditional pacemaker systems, effects of cardiac pacing on myocardial strain can be studied using MR. In this study the impact of pacing on left ventricular (LV) strain was investigated using MR-FT in patients with an MRI-conditional cardiac implantable electronic device (CIED). MATERIALS AND METHODS: FT was performed on 32 1.5T MR studies (16 patients with an MRI-conditional CIED and 16 control patients with normal scans). Short- and long-axis steady state free precession (SSFP) cines were used for the FT analysis. Strain was assessed using CVI(42) software (Circle Cardiovascular Imaging, Alberta, Canada). In addition, the intra- and interobserver variability was determined using the intraclass correlation coefficient. RESULTS: Of the 16 patients with an MRI-conditional CIED, five patients were paced during the MRI exam. Despite the occasional presence of susceptibility artifacts induced by the CIED, radial, circumferential, and longitudinal strain parameters could be derived for all patients. Peak radial strain and peak circumferential strain were reduced during pacing when compared to the control group; for radial strain: 20.1 ± 4.7% vs. 33.1 ± 6.9%, P < 0.001, and for circumferential strain -7.5 ± 3.5% vs. -14.9 ± 3.2%, P < 0.05. Peak strain parameters were reproducible on an intra- and interobserver level. CONCLUSION: MR-FT is feasible in patients with an MRI-conditional CIED and can be used to quantify regional wall motion. J. MAGN. RESON. IMAGING 2016;44:964-971.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,003 |
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».