Este trabalho foi publicado pelo Galoá e tem um DOI depositado. Para citar este trabalho, use um dos padrões abaixo:
Caso você seja um dos co-autores e queira cadastrar esse trabalho no seu Currículo Lattes, use o seguinte código: doi > 10.17648/cbcfd-2026-229542
Se você NUNCA registrou um DOI no seu Lattes, veja nosso tutorial!This study integrates deep learning and computational fluid dynamics (CFD) for cardiac diagnosis. Using the CAMUS dataset, a U-Net architecture segmented the left ventricle from 2D echocardiograms. These geometries provided boundary conditions for transient simulations in OpenFOAM, comparing a healthy baseline and a dilated cardiomyopathy patient. Results show the healthy ventricle develops a highly energetic, coherent central vortex, preserving momentum and ensuring efficient blood washout. Conversely, the dilated ventricle exhibits a sluggish flow with dispersed, low-energy vortex structures, leading to poor washout and energy dissipation. This AI-CFD pipeline demonstrates great potential for predicting cardiovascular risk.
Visualizações por mês
Contagem da Galoá, excluindo robôs conhecidos. Atualizado em 30/09/2026.
Visualizações por mês
Contagem da Galoá, excluindo robôs conhecidos. Atualizado em 30/09/2026.
Com ~200 mil publicações revisadas por pesquisadores do mundo todo, o Galoá impulsiona cientistas na descoberta de pesquisas de ponta por meio de nossa plataforma indexada.
Confira nossos produtos e como podemos ajudá-lo a dar mais alcance para sua pesquisa:
Esse proceedings é identificado por um DOI , para usar em citações ou referências bibliográficas. Atenção: este não é um DOI para o jornal e, como tal, não pode ser usado em Lattes para identificar um trabalho específico.
Verifique o link "Como citar" na página do trabalho, para ver como citar corretamente o artigo