MétaCan
Menu
Retour à la cohorte
Enregistrement W4415680354 · doi:10.1016/j.actbio.2025.10.052

Wide-band multifrequency MR elastography with a fractional viscoelastic model and nonlinear inversion for enhanced viscoelastic parameter mapping

2025· article· en· W4415680354 sur OpenAlexafffund
Amirhosein Baradaran Najar, Guillaume Gilbert, Ning Li, Zinan He, Sajad Ghazavi, Bich Nguyen, Audrey Fohlen, Guy Cloutier, An Tang, Elijah Van Houten

Notice bibliographique

RevueActa Biomaterialia · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueUltrasound Imaging and Elastography
Établissements canadiensCentre Hospitalier de l’Université de MontréalUniversité de MontréalCentre Hospitalier Universitaire de SherbrookeUniversité de Sherbrooke
Organismes subventionnairesFonds de Recherche du Québec - SantéSiemensCanadian Institutes of Health ResearchCancer Research Society
Mots-clésMagnetic resonance elastographyElastographyViscoelasticityImaging phantomNonlinear systemIsotropyStiffnessSensitivity (control systems)

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Magnetic resonance elastography (MRE) typically relies on external vibrations, potentially missing diagnostically relevant low-frequency responses. This study presents a wide-band multifrequency MRE framework that combines intrinsic cardiac motion (≈1 Hz) with conventional 30–60 Hz actuation and reconstructs tissue mechanics with a three-parameter Kelvin-Voigt fractional-derivative (KVFD) model. Subzone nonlinear inversion estimates the baseline stiffness ( ), fractional exponent ( ), and reference frequency ( ) parameters from which frequency-dependent storage ( ), loss ( ), and magnitude ( ) shear moduli are derived. Robustness was verified in COMSOL models containing three stiff inclusions; even with 5% Gaussian noise, was recovered with 12% accuracy and and with 5 % accuracy, while spatial contrast was preserved. Tofu–polyvinyl alcohol (PVA) phantom tests produced two-fold contrast and clear and differentiation between poroelastic tofu and stiff PVA, confirming sensitivity to both stiffness and dispersion. In-vivo , intrinsic–extrinsic MRE was performed in seven patients with hepatic metastasis. Across tumors, the mean contrast-to-noise ratios were 1.30 ( ), 1.10 ( ) and 1.65 ( ), comparable to clinical T2-weighted contrast (∼1.8). A representative colorectal metastasis with a necrotic core showed low and but elevated and centrally, mirroring established MRE signatures of necrosis. Sensitivity analysis demonstrated < 5 % parameter drift for ±30 % initial-value perturbations and a 115 % error increase when the 1 Hz data point was omitted, underscoring the value of the low-frequency anchor. Overall, integrating low-frequency intrinsic motion with KVFD modeling yields stable, spatially resolved biomarkers that capture frequency-dependent behavior invisible to conventional high-frequency MRE, advancing lesion detection and characterization. Statement of Significance Magnetic resonance elastography (MRE) typically probes a narrow high-frequency band (30–60 Hz), missing diagnostically rich low-frequency behavior. We present a wide-band, multifrequency MRE framework that fuses intrinsic cardiac motion (∼1 Hz) with conventional external actuation and reconstructs viscoelasticity using a three-parameter Kelvin–Voigt fractional derivative (KVFD) model. The approach yields interpretable parameters, (baseline stiffness), (power-law dispersion), and (transition frequency), and corresponding frequency-dependent moduli ( , , ). Validation across COMSOL simulations, tofu–PVA phantoms, and in-vivo liver metastasis shows robust convergence under noise, stable parameter recovery, and lesion contrast comparable to clinical MRI, while revealing dispersion not captured by standard MRE. This work expands MRE’s mechanical bandwidth and delivers spatially resolved biomarkers relevant to oncology and to engineered biomaterials whose function depends on frequency-dependent mechanics.

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 candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,321
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
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 Opus0,011
Tête enseignante GPT0,254
Écart entre enseignants0,244 · 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.

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

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueActa BiomaterialiaMême sujetUltrasound Imaging and ElastographyTravaux en français237 207