Новости

Dec 03, 2023

Синтез пациента

Научные отчеты, том 12,

Том 12 научных докладов, номер статьи: 16004 (2022 г.) Цитировать эту статью

1228 Доступов

1 Цитаты

1 Альтметрика

Подробности о метриках

Мы предлагаем синтезировать наборы данных 4D-МРТ потока для конкретного пациента с турбулентным потоком в сочетании с наземными данными о потоке для поддержки обучения методам вывода. Турбулентный кровоток рассчитывается на основе уравнений Навье-Стокса с движущимися областями с использованием реалистичных граничных условий для формы аорты, смещения стенок и скоростей на входе, полученных на основе данных пациента. На основе моделируемого потока генерируются синтетические данные многоточечного 4D-потока МРТ с заданным пользователем пространственно-временным разрешением и реконструируются с помощью байесовского подхода для расчета изменяющихся во времени карт скорости и турбулентности. Для синтеза данных МРТ предполагается фиксированный гипотетический бюджет времени сканирования, и, соответственно, изменения пространственного разрешения и усреднения по времени приводят к соответствующему масштабированию отношений сигнал/шум (SNR). В этой работе мы сосредоточились на аортальном стенозе и количественном определении турбулентной кинетической энергии (ТКЭ). Наши результаты показывают, что для пространственного разрешения 1,5 и 2,5 мм и усреднения по времени 5 мс, как это происходит на практике при 4D-МРТ потока, пиковая общая турбулентная кинетическая энергия после стеноза 50, 75 и 90% завышена на целых 23%. 15 и 14% (1,5 мм) и 38, 24 и 23% (2,5 мм), демонстрируя важность парных наземных данных и данных 4D-МРТ потока для оценки точности и точности вывода о турбулентном потоке с использованием исследований 4D-МРТ потока.

Аортальный стеноз (АС) является распространенным заболеванием, связанным с высокой заболеваемостью и смертностью1,2. Раннее выявление и лечение АС связаны с более низким уровнем смертности, но правильная классификация тяжести заболевания остается проблемой2. Поскольку сердечно-сосудистые патологии обычно связаны с аномальным характером кровотока3,4,5 и необратимыми потерями давления6,7,8,9,10, анализ полей аортального потока считается важным элементом стратификации риска и персонализированного планирования клинических вмешательств.

Сердечно-сосудистый магнитный резонанс (CMR), и в частности МРТ с фазовым контрастом (ПК), позволили измерить объемный поток с временным разрешением (4D MRI потока)11 в исследовательских и клинических условиях. Несмотря на недавние достижения в разработке последовательностей12,13,14 и методах реконструкции изображений15, данные ограничены пространственно-временным разрешением и артефактами. Таким образом, разработка надежных и реалистичных моделей для анализа наборов данных 4D-проточной МРТ является фундаментальным шагом, позволяющим прогнозировать точность и достоверность таких измерений в исследованиях и повседневной клинической практике.

Методы глубокого обучения (DL) особенно подходят для обнаружения сложных закономерностей в больших наборах данных16,17, что делает их идеальными кандидатами для определения параметров потока и закономерностей, содержащихся в многомерных и сложных 4D-проточных МРТ-исследованиях. Недавние работы по реконструкции изображений15, сегментации18,19, классификации20 и сверхразрешению потоков21 продемонстрировали потенциал алгоритмов DL. Berhane et al.18 и Bratt et al.19 использовали полностью автоматизированные алгоритмы сегментации, обученные на вручную размеченных наборах данных 2D- и 4D-потоковой МРТ, чтобы ускорить измерения потока и диаметра в аорте. Однако нехватка высококачественных размеченных наборов обучающих данных22 эффективно препятствует реализации подходов к выводу на основе DL для 4D-проточной МРТ. Fries и соавт.20 облегчили задачу получения наборов данных, размеченных вручную, путем разработки модели DL со слабым контролем для классификации пороков развития аортального клапана на основе небольшого количества сканирований с аннотациями вручную. Другие работы продемонстрировали жизнеспособность расширения наборов клинических данных с использованием синтетических изображений23,24, поскольку обучение машин вывода значительно затруднено из-за ограниченного количества и потенциально смещенного распределения парных достоверных данных и данных изображений. Однако в целом включение наборов данных, размеченных вручную, а также присущие неопределенности в измерениях МРТ приводят к предвзятым и несовершенным «достоверным» данным. Это говорит о том, что внутреннюю точность и прецизионность методов, разработанных с использованием таких наборов обучающих данных, невозможно оценить, и с помощью экспериментов in-situ и in-vitro можно получить только приблизительные показатели5.