CT investigation of patient-specific phantoms with coronary artery disease
Notice bibliographique
Résumé
Purpose: To develop coronary phantoms that mimic patient geometry and coronary blood flow conditions for CT imaging optimization and software validation. Materials and Methods: Five patients with varying degrees of coronary artery disease underwent 320-detector row coronary CT angiography (Aquilion ONE, Canon Medical Systems). The aorta and coronary arteries were segmented using a Vitrea Workstation (Vital Images). Patient anatomy was manipulated in Autodesk Meshmixer and 3D printed in Tango+, a flexible polymer, using an Eden260V printer (Stratasys). Phantoms were connected to a pump that simulates physiologic pulsatile flow waveforms, correlated with a simulated ECG signal. Distal resistance was optimized for all three coronary vessels until physiologically accurate flow rates and pressure were observed. Phantoms underwent coronary CT Angiography (CTA) using a standard acquisition protocol and contrast mixed in the flow loop. Image data from the phantoms were input to a CT-FFR research software and compared to those derived from the clinical data. Results: All five patient-specific phantoms were successfully imaged with CTA and the images were analyzed by the CTFFR software. The phantom CT-FFR results had a mean difference of -5.4% compared to the patient CT-FFR results. Patient and phantom CT-FFR agreed for all three coronary vessels, with Pearson correlations r = 0.83, 0.68, 0.62 (LAD, LCX, RCA). Conclusions: 3D printed patient-specific phantoms can be manipulated through material properties, flow regulations, and a pulsatile waveform to create accurate flow conditions for CT based experimentation.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».