Blood Velocity Calculated From Volumetric Dynamic Computed Tomography Angiography
Notice bibliographique
Résumé
OBJECTIVE: Though functional intravascular parameters such as blood velocity and direction of blood flow are available via imaging modalities such as Doppler ultrasound and phase contrast magnetic resonance imaging, such quantitative information is not yet supported by computed tomography (CT). In this study, we examined a method to calculate intra-arterial blood velocity from contrast-enhanced dynamic CT angiography (4D CTA) using the unique advantages of a volumetric 320 detector row scanner. MATERIALS AND METHODS: Contrast boluses were injected into a flow phantom under volumetric 4D CTA examination. Two pipe diameters were tested, each diameter with 4 various flow velocities, creating 8 independent flow conditions. The internal carotid arteries of 5 patients (10 arteries in total) were subjected to a similar dynamic CTA examination and reconstructed with a 1-second temporal resolution through the arterial phase. Intraluminal velocities were calculated using distance between 2 regions of interest placed proximally and distally over the vessel, divided by delay in time to peak of contrast arrival in each region of interest. Results were compared with flow velocities attained by quantitative magnetic resonance angiography in vivo. RESULTS: Phantom experiments demonstrate reasonable agreement between calculated and measured intraluminal velocity (P = 0.05). Similarly, in vivo blood velocity calculations in all internal carotid arteries show agreement with results attained by quantitative magnetic resonance angiography. CONCLUSIONS: Intraluminal blood velocity may be estimated from first-pass contrast bolus profiles acquired via volumetric 4D CTA examinations.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».