Clinical intra-cardiac 4D flow CMR: acquisition, analysis, and clinical applications
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Identification of flow patterns within the heart has long been recognized as a potential contribution to the understanding of physiological and pathophysiological processes of cardiovascular diseases. Although the pulsatile flow itself is multi-dimensional and multi-directional, current available non-invasive imaging modalities in clinical practice provide calculation of flow in only 1-direction and lack 3-dimensional volumetric velocity information. Four-dimensional flow cardiovascular magnetic resonance imaging (4D flow CMR) has emerged as a novel tool that enables comprehensive and critical assessment of flow through encoding velocity in all 3 directions in a volume of interest resolved over time. Following technical developments, 4D flow CMR is not only capable of visualization and quantification of conventional flow parameters such as mean/peak velocity and stroke volume but also provides new hemodynamic parameters such as kinetic energy. As a result, 4D flow CMR is being extensively exploited in clinical research aiming to improve understanding of the impact of cardiovascular disease on flow and vice versa. Of note, the analysis of 4D flow data is still complex and accurate analysis tools that deliver comparable quantification of 4D flow values are a necessity for a more widespread adoption in clinic. In this article, the acquisition and analysis processes are summarized and clinical applications of 4D flow CMR on the heart including conventional and novel hemodynamic parameters are discussed. Finally, clinical potential of other emerging intra-cardiac 4D flow imaging modalities is explored and a near-future perspective on 4D flow CMR is provided.
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.
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 | 0,009 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,013 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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 découle