Qualitative assessment of myocardial gray zone in LGE-CMR imaging
Notice bibliographique
Résumé
Our ongoing research is centered on developing patient-customized computational heart models to study arrhythmia mechanisms and risk assessment.The long-term goal is improving patient selection for a cardio-defibrillator implantation.This device is necessary when the normal pattern of electrical propagation is disrupted in a way that causes the heart rhythm to be so disorganized that the pumping function is compromised.This type of arrhythmia is named fibrillation and can only be stopped by an immediate intervention, if not, the brain irrigation is intercepted resulting in sudden cardiac death.Our approach to assessing if an individual is at risk of going through this event is to study the electrical propagation on their own heart using a parallel model.In the present article, we propose a novel method to add a qualitative rating to scarred myocardium.A left ventricle computational model is built, based on an anonymized cardiac magnetic resonance data set with visible scars.The scarred areas are identified and divided into the scar's core, made of dead cells where the conductivity is null, and the heterogeneous or gray zones where different levels of fibrosis coexist, forming both viable and nonviable paths for the depolarization wave.After this major segmentation, the gray zones are split into subsets and the conductivities are computed according to the intensity of the pixels.The number of subsets can be set between two and five.In this work, we are considering two scenarios: with one gray zone level and two.Resulting in two possible patterns the depolarization signal can obey.Electrophysiological simulations are performed for each scenario using the open-source software CHASTE (Cancer, Heart, and Soft Tissue Environment).The results of this phase are used to analyze how the depolarization patterns behave according to the granularity degree set for the gray zones.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».