Notizia

Dec 03, 2023

Sintesi del paziente

Scientific Reports volume 12,

Rapporti scientifici volume 12, numero articolo: 16004 (2022) Citare questo articolo

1228 accessi

1 Citazioni

1 Altmetrico

Dettagli sulle metriche

Proponiamo di sintetizzare set di dati MRI di flusso 4D specifici per il paziente di flusso turbolento accoppiati con dati di flusso di verità a terra per supportare l'addestramento dei metodi di inferenza. Il flusso sanguigno turbolento viene calcolato sulla base delle equazioni di Navier-Stokes con domini in movimento utilizzando condizioni al contorno realistiche per forme aortiche, spostamenti delle pareti e velocità di ingresso ottenute dai dati del paziente. Dal flusso simulato, i dati MRI sintetici del flusso 4D multipunto vengono generati con risoluzioni spaziotemporali definite dall'utente e ricostruiti con un approccio bayesiano per calcolare mappe di velocità e turbolenza variabili nel tempo. Per la sintesi dei dati MRI, si presuppone un ipotetico budget temporale di scansione fisso e, di conseguenza, le modifiche alla risoluzione spaziale e alla media temporale determinano un corrispondente ridimensionamento dei rapporti segnale-rumore (SNR). In questo lavoro, ci siamo concentrati sul flusso stenotico aortico e sulla quantificazione dell'energia cinetica turbolenta (TKE). I nostri risultati mostrano che per risoluzioni spaziali di 1,5 e 2,5 mm e una media temporale di 5 ms come riscontrato nella pratica MRI a flusso 4D, l'energia cinetica turbolenta totale di picco a valle di una stenosi del 50, 75 e 90% è sovrastimata fino al 23, 15 e 14% (1,5 mm) e 38, 24 e 23% (2,5 mm), a dimostrazione dell'importanza dei dati accoppiati di verità al suolo e MRI del flusso 4D per valutare l'accuratezza e la precisione dell'inferenza del flusso turbolento utilizzando gli esami MRI del flusso 4D.

La stenosi aortica (SA) è una condizione comune associata ad elevata morbilità e mortalità1,2. La diagnosi precoce e il trattamento della SA sono associati a tassi di mortalità più bassi, ma la corretta classificazione della gravità della malattia rimane una sfida2. Poiché le patologie cardiovascolari sono solitamente associate a pattern di flusso anomali3,4,5 e perdite di pressione irreversibili6,7,8,9,10, l'analisi dei campi di flusso aortico è considerata un elemento importante per la stratificazione del rischio e la pianificazione personalizzata degli interventi clinici.

La risonanza magnetica cardiovascolare (CMR), e in particolare la risonanza magnetica a contrasto di fase (PC), ha consentito la misurazione di modelli di flusso volumetrico risolti nel tempo (MRI a flusso 4D)11 in ambito clinico e di ricerca. Nonostante i recenti progressi nella progettazione delle sequenze12,13,14 e nei metodi di ricostruzione delle immagini15, i dati sono limitati dalla risoluzione spaziotemporale e dagli artefatti. Pertanto, lo sviluppo di modelli robusti e realistici per l'analisi di set di dati MRI a flusso 4D è un passo fondamentale per consentire di prevedere l'accuratezza e la precisione di tali misurazioni nella ricerca e nella routine clinica.

I metodi di deep learning (DL) sono particolarmente adatti per scoprire modelli complessi in set di dati di grandi dimensioni16,17, il che li rende candidati ideali per dedurre parametri di flusso e modelli contenuti in esami MRI a flusso 4D altamente dimensionali e complessi. Recenti lavori sulla ricostruzione delle immagini15, sulla segmentazione18,19, sulla classificazione20 e sulla super-risoluzione del flusso21 hanno dimostrato il potenziale degli algoritmi DL. Berhane et al.18 e Bratt et al.19 hanno utilizzato algoritmi di segmentazione completamente automatizzati addestrati su set di dati MRI di flusso cine 2D e 4D etichettati manualmente per accelerare le misurazioni del flusso e del diametro nell'aorta. Tuttavia, la scarsità di set di dati di addestramento etichettati di alta qualità22 ostacola effettivamente l'implementazione di approcci di inferenza basati su DL per la MRI a flusso 4D. Fries et al.20 hanno alleviato l'onere di ottenere set di dati etichettati manualmente sviluppando un modello DL scarsamente supervisionato per la classificazione delle malformazioni della valvola aortica basato su un piccolo numero di scansioni annotate manualmente. Altri lavori hanno dimostrato la fattibilità di aumentare i set di dati clinici utilizzando immagini sintetiche23,24 poiché l'addestramento delle macchine di inferenza è significativamente compromesso dal numero limitato e dalle distribuzioni potenzialmente distorte di dati di verità e di imaging accoppiati. In generale, tuttavia, l'incorporazione di set di dati etichettati manualmente così come le incertezze intrinseche nelle misurazioni MRI portano a dati "vero" distorti e imperfetti. Ciò suggerisce che l’accuratezza e la precisione intrinseche dei metodi sviluppati utilizzando tali set di dati di addestramento non possono essere valutate e che è possibile derivare solo parametri approssimativi utilizzando esperimenti in situ e in vitro5.