MétaCan
Menu
Retour à la cohorte
Enregistrement W2462078416 · doi:10.1118/1.4957681

TU‐H‐CAMPUS‐IeP2‐03: Development of 3D Printed Coronary Phantoms for In‐Vitro CT‐FFR Validation Using Data from 320‐ Detector Row Coronary CT Angiography

2016· article· en· W2462078416 sur OpenAlexaff
Ciprian N. Ionita, Erin Angel, Dimitris Mitsouras, Stephen Rudin, Daniel R. Bednarek, Said Zaid, M WILSON, Frank J. Rybicki

Notice bibliographique

RevueMedical Physics · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced X-ray and CT Imaging
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésFractional flow reserveDICOMCoronary arteriesStenosisImaging phantomNuclear medicineMedicineBiomedical engineeringHelical scanRadiologyArteryComputer scienceCoronary angiographyComputer hardware

Résumé

récupéré en direct d'OpenAlex

Purpose: To validate Computed Tomography Fractional Flow Reserve (CT‐FFR) measurements with accurate 3D printed coronary phantoms. Methods: DICOM data from four phases in two patients imaged with a standard 320 × 0.5mm coronary CT acquisition (70–80% cardiac cycle) underwent semi‐automated segmentation using a research workstation. Both patients had a >50% stenosis from the clinical image interpretation. Each volume was saved as a Stereo Lithographic (STL) file with 250 micron resolution. The 3D geometries were qualitatively assessed; the best of the four phases was 3D printed using a Stratasys Eden260V printer in Tango+, a rubber‐like material that roughly emulates mechanical properties of human vasculature. We connected the model to a programmable pump and measured the pressure drop using pressure sensors embedded proximal and distal to the arterial stenosis. Next, the STL files used for the 3D printed models were uploaded in the ANSYS meshing tool (ICEM CFD 16.1). A standard meshing process was applied and the meshed geometry was directly imported in the ANSYS Fluent for Computational Flow Dynamics simulations. The CFD simulations were used to calculate the CT‐FFR and compared to the bench top FFR measured in the 3D printed phantoms. Results: FFR‐CT measurements and phantoms were completed in within an hour after the segmentation. Patient 1 had a 60% stenosis that resulted in a CT‐FFR of 0.68. The second case had a 50% stenosis and a CT‐FFR of 0.75. The average bench top FFR measurements were 0.72 and 0.80, respectively. Conclusion: This pilot investigation demonstrated the use of a bench‐top coronary model for CT‐FFR validation. The measurements and the CFD simulations agreed within 6%. Project supported by Support: Toshiba America Medical Systems Corp.and NIH grant R01‐EB002873. Project supported by Toshiba America Medical Systems Corp.and partial support from NIH grant R01‐EB002873

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,809
Score d'incertitude au seuil0,776

Scores Codex et Gemma par catégorie

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

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 Opus0,030
Tête enseignante GPT0,273
Écart entre enseignants0,243 · 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 tête enseignante, 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

Citations4
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedical PhysicsMême sujetAdvanced X-ray and CT ImagingTravaux en français237 207