Evaluation of an automated method for arterial input function detection for first-pass myocardial perfusion cardiovascular magnetic resonance
Notice bibliographique
Résumé
BACKGROUND: Quantitative assessment of myocardial blood flow (MBF) with first-pass perfusion cardiovascular magnetic resonance (CMR) requires a measurement of the arterial input function (AIF). This study presents an automated method to improve the objectivity and reduce processing time for measuring the AIF from first-pass perfusion CMR images. This automated method is used to compare the impact of different AIF measurements on MBF quantification. METHODS: Gadolinium-enhanced perfusion CMR was performed on a 1.5 T scanner using a saturation recovery dual-sequence technique. Rest and stress perfusion series from 270 clinical studies were analyzed. Automated image processing steps included motion correction, intensity correction, detection of the left ventricle (LV), independent component analysis, and LV pixel thresholding to calculate the AIF signal. The results were compared with manual reference measurements using several quality metrics based on the contrast enhancement and timing characteristics of the AIF. The median and 95% confidence interval (CI) of the median were reported. Finally, MBF was calculated and compared in a subset of 21 clinical studies using the automated and manual AIF measurements. RESULTS: Two clinical studies were excluded from the comparison due to a congenital heart defect present in one and a contrast administration issue in the other. The proposed method successfully processed 99.63% of the remaining image series. Manual and automatic AIF time-signal intensity curves were strongly correlated with median correlation coefficient of 0.999 (95% CI [0.999, 0.999]). The automated method effectively selected bright LV pixels, excluded papillary muscles, and required less processing time than the manual approach. There was no significant difference in MBF estimates between manually and automatically measured AIFs (p = NS). However, different sizes of regions of interest selection in the LV cavity could change the AIF measurement and affect MBF calculation (p = NS to p = 0.03). CONCLUSION: The proposed automatic method produced AIFs similar to the reference manual method but required less processing time and was more objective. The automated algorithm may improve AIF measurement from the first-pass perfusion CMR images and make quantitative myocardial perfusion analysis more robust and readily available.
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 | 0,011 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| 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 ».