La caractérisation du flux artériel hépatique par la technique 4D Flow
Bibliographic record
Abstract
Objectif : Déterminer la capacité de la séquence IRM 4D flow à mesurer la forme et le flot (débit, vélocité) de l’artère hépatique et de ses branches en trois dimensions. Méthodologie : Un fantôme de l’artère hépatique réaliste qui imite le flux sanguin et les mouvements respiratoires ainsi que 20 volontaires ont été imagés. La précision du 4D flow Cartésien avec navigateur et remplissage de l’espace-k selon la position respiratoire était déterminée in-vitro à quatre résolutions spatiales (0,5 à 1,0 mm isotropique) et fenêtres d’acceptation du navigateur (± 8 et ± 2 mm) avec un scanner IRM à 3T. Deux séquences centrées sur les branches hépatiques et gastroduodénales étaient évaluées in-vivo et comparés au contraste de phase 2D. Résultats : In vitro, l’augmentation de la résolution spatiale diminuait plus l’erreur qu’une fenêtre d’acceptation plus étroite (30.5 à -4.67% vs -6.64 à -4.67% pour le débit). In vivo, les artèreshépatiques et gastroduodénales étaient mieux visualisées avec la séquence de haute résolution (90 vs 71%). Malgré un accord interobservateur similaire (κ = 0.660 et 0.704), la séquence à plus haute résolution avait moins de variabilité pour l’aire, le débit, et la vélocité moyenne. Le 4D flow avait une meilleure cohérence interne entre l’afflux et l’efflux à la bifurcation de l’artère hépatique (1.03 ± 5.05% et 15.69 ± 6.14%) que le contraste de phase 2D (28.77 ± 21.01%). Conclusion : Le 4D flow à haute résolution peut évaluer l’anatomie et l’hémodynamie de l’artère hépatique avec une meilleure précision, visibilité, moindre variabilité et meilleure concordance interne.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".