Mathematical Reconstruction of Patient-Specific Vascular Networks Based on Clinical Images and Global Optimization
Notice bibliographique
Résumé
Cancer is a major cause of death worldwide and becomes particularly threatening once it begins to metastasize. During metastasis, the blood vessels serve as pathways for cancerous cell transportation and hence are crucial for understanding cancer growth. Existing medical imaging modalities can provide 3-D contrast images of the vascular tissues but with limited quality and detailedness. A much-needed tool for cancer research is thus one that can reconstruct vascular networks from low-quality clinical images. To this end, we developed a computational framework that takes 3-D medical images as input and reconstructs complete, patient-specific vascular network models using a mathematical optimization procedure. Our framework extracts major vessels from the images and uses the organ geometry to select vessel termination points. Then, it generates the remainder network based on physiological optimality principles. Using the framework, we obtained a set of network models with over 3000 terminal segments from a brain MRA scan. We analyzed the Strahler order, vessel radius, and branch length distributions of the models, which match with actual human data. We also performed fluid dynamics simulation inside the reconstructed vessels and showed that the pressure and shear stress distributions agree with existing in vivo measurements. The qualitative and quantitative agreements in vessel morphometry and hemodynamics demonstrate the effectiveness of the framework. Our method bridges the gap between image-based vessel models, accuracy of which is limited by the resolution of clinical images, and hypothetical models.
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) | 0,000 | 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) | 0,000 | 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 ».