Verbesserung der nicht-invasiven FFR-Schätzung mit Deep Learning

Koronare Herzkrankheit (KHK) ist eine der Hauptursachen für Todesfälle in vielen Ländern. Ein wichtiger Test zur Diagnose von KHK ist die Fraktionale Flussreserve (FFR). FFR wird normalerweise mithilfe eines Verfahrens namens Koronarographie gemessen, bei dem ein kleiner Schlauch ins Herz eingeführt wird. Dieses Verfahren kann riskant und unangenehm für die Patienten sein. Um die Sache einfacher zu machen, haben Forscher eine neue Methode entwickelt, um FFR ohne invasive Eingriffe zu schätzen. Diese neue Methode nutzt Bilder aus einem Scan namens Computertomographie-Angiographie (CTA), um virtuelle Messungen von FFR zu erstellen, die als virtuelle fraktionale Flussreserve (vFFR) bezeichnet werden.

Mit einer Technik namens Computational Fluid Dynamics (CFD) kann vFFR aus den CTA-Daten geschätzt werden. Allerdings kann diese Methode viel Zeit in Anspruch nehmen und erfordert eine Menge Rechenleistung, was ihre Nutzung einschränkt. Diese Arbeit konzentriert sich darauf, Deep Learning-Techniken zu verwenden, um den vFFR-Schätzungsprozess zu beschleunigen. Durch die Verwendung eines hybriden neuronalen Netzwerks, das die geometrische Darstellung aus Punktwolken mit handgefertigten Merkmalen kombiniert, wollen wir die Effizienz der vFFR-Schätzung verbessern und gleichzeitig eine hohe Genauigkeit beibehalten.

#Problemhintergrund

In diesem Abschnitt behandeln wir das Problem der Schätzung der Fraktionalen Flussreserve (FFR) und deren medizinischen Kontext. FFR ist ein wichtiger Marker, um zu beurteilen, ob ein Patient eine Behandlung wegen koronarer Herzkrankheit benötigt. Das traditionelle Koronarographie-Verfahren zur Messung von FFR ist invasiv und kann Risiken für die Patienten mit sich bringen. Daher besteht ein Bedarf an einer nicht-invasiven Lösung, die zuverlässige Ergebnisse liefert.

#Koronarographie-basierte FFR-Schätzung

Die Koronarographie ist ein Verfahren, bei dem ein kleiner Schlauch in die Koronararterien eingeführt wird, um nach Blockaden zu suchen. Ein spezieller Farbstoff wird injiziert, um die Arterien auf Röntgenbildern sichtbar zu machen. Der Hauptzweck dieses Verfahrens besteht darin, Verengungen oder Stenosen in den Arterien zu identifizieren, die den Blutfluss beeinträchtigen und zu Herzproblemen führen können.

Während dieses Verfahrens wird der Druck in der Arterie vor und nach dem verengten Bereich gemessen. Die Messungen helfen dabei, die Auswirkungen der Blockade auf den Blutfluss und die Sauerstoffversorgung des Herzens zu bestimmen. Wenn die Blockade erheblich ist, könnten die Ärzte entscheiden, Behandlungen wie das Einsetzen eines Stents durchzuführen, um die Arterie offen zu halten.

Obwohl die Koronarographie nützlich ist, hat sie auch Nachteile. Es gibt eine Strahlenbelastung und kann zu Komplikationen wie Verletzungen der Arterie führen. Daher wurden Bestrebungen unternommen, Alternativen zu finden, was zur Idee der virtuellen FFR (vFFR) Schätzung führt.

#Virtuelle FFR-Schätzung

Virtuelle FFR ist eine Methode, um FFR ohne invasive Verfahren zu schätzen. Sie nutzt Bilder aus CTA, um ein 3D-Modell der Koronararterien zu erstellen. Dieses Modell hilft, zu simulieren, wie Blut durch die Arterien fliesst, was eine nicht-invasive Diagnose ermöglicht.

Um vFFR zu schätzen, müssen die Arterien zuerst aus den CTA-Bildern segmentiert werden. Dieser Schritt kann manuell von Experten, semi-automatisch mit Hilfe von Algorithmen oder vollautomatisch mit künstlicher Intelligenz durchgeführt werden. Der nächste Schritt beinhaltet die Verwendung von CFD zur Analyse des Blutflusses und zur Ableitung von vFFR.

Obwohl vFFR vielversprechend ist, ist ihre weitreichende Nutzung noch eingeschränkt. Wichtige Herausforderungen sind die Zeit, die für Berechnungen benötigt wird, und die erforderliche Rechenleistung.

#Vorgeschlagenes Vorgehen

Diese Arbeit stellt eine Methode vor, die Deep Learning-Techniken nutzt, um vFFR effizient zu schätzen. Der Fokus liegt darauf, wie die Geometrie der Blutgefässe als Punktwolken dargestellt werden kann. Dadurch können wir den Schätzungsprozess optimieren und die benötigte Zeit sowie die Rechenressourcen reduzieren.

Unser Vorschlag beinhaltet die Erstellung einer Punktwolkenrepräsentation der Gefässgeometrie und das Design eines neuronalen Netzwerks, das sowohl aus den geometrischen Merkmalen als auch aus spezifischen handgefertigten Eigenschaften lernt. Das Ziel ist es, eine schnellere und effizientere Methode zur Schätzung von vFFR zu bieten und dabei eine Genauigkeit zu erreichen, die mit traditionellen Methoden vergleichbar ist.

#Methodologieübersicht

Die Methodologie zur Schätzung von vFFR mit Deep Learning kann in mehrere Schlüsselschritte unterteilt werden.

1. Datenvorbereitung: Wir beginnen mit der Erstellung synthetischer Datensätze von Geometrien der Koronararterien. Da es oft an realen Patientendaten fehlt, helfen synthetische Daten dabei, eine Vielzahl von Fällen zu erstellen.

2. Punktwolkenrepräsentation: Der nächste Schritt besteht darin, die generierten Gefässgeometrien als Punktwolken darzustellen. Diese Darstellung ermöglicht eine effiziente Verarbeitung und das Lernen.

3. Neurales Netzwerkdesign: Die Deep Learning-Architektur wird um die Punktwolkendaten entwickelt. Das hybride neuronale Netzwerk kombiniert implizites Lernen (durch die Punktwolken) und explizites Merkmalslernen (durch handgefertigte Merkmale).

4. Training und Evaluierung: Das Netzwerk wird mit den synthetischen Datensätzen trainiert, und seine Leistung wird anhand der Genauigkeit der vFFR-Schätzungen im Vergleich zu den durch CFD-Simulationen gewonnenen Wahrheitswerten bewertet.

#Datenvorbereitung

Die Generierung der erforderlichen Daten beginnt mit der Erstellung realistischer Modelle von Koronararterien. Dieser Prozess umfasst zwei Hauptschritte: die Generierung der Gefässmitte (den zentralen Pfad im Gefäss) und den Aufbau der Gefässoberfläche darum herum.

#Generierung der Gefässmitte

Die Gefässmitte stellt einen Pfad entlang des Gefässes vom Eintritt zu den Ausgängen dar. Sie muss biologisch korrekt sein und auf bestehenden anatomischen Studien basieren, die Informationen über typische Grössen und Formen liefern. Zudem muss der Generierungsprozess pathologische Fälle wie verengte Arterien berücksichtigen.

#Generierung der Gefässoberfläche

Sobald die Mittellinie festgelegt ist, wird ein Oberflächenmesh für das Gefäss erstellt. Dieses Oberflächenmesh bietet die notwendige 3D-Geometrie für Simulationen.

Mit dieser Methode wird ein grosser Datensatz synthetischer Koronararterien erstellt, wobei jeder Datensatz mit vFFR-Labels versehen ist, die durch CFD-Simulationen generiert wurden.

#Konstruktion der Punktwolken

Nachdem die synthetischen Gefässe generiert wurden, besteht der nächste Schritt darin, das Oberflächenmesh in eine Punktwolke umzuwandeln. Während dieses Prozesses werden die Kanten des Meshs entfernt, und nur die Punkte, die die Oberfläche darstellen, werden beibehalten.

Zusätzlich zur Punktwolkenrepräsentation extrahieren wir auch zwei handgefertigte Merkmale für jeden Punkt: die geodätische Distanz vom Eingang und den Radius des Gefässes an diesem Punkt. Diese Merkmale liefern zusätzliche Informationen zur Verbesserung der Genauigkeit der Schätzungen.

#Neurales Netzwerkdesign

Wir schlagen vor, eine Deep Learning-Architektur zu verwenden, die speziell für die Verarbeitung von Punktwolken konzipiert ist. Das Netzwerk wird die Punktwolkendaten als Eingabe nehmen, zusammen mit den handgefertigten Merkmalen.

Die für diese Arbeit gewählte Architektur ist PointNet++, die gut darin ist, von den geometrischen Eigenschaften zu lernen, die in Punktwolken dargestellt sind. Das neuronale Netzwerk wird aus mehreren Blöcken bestehen, die Merkmalsauswahl und Downsampling durchführen, was letztendlich zu einer endgültigen Darstellung führt, die zur Schätzung von vFFR verwendet werden kann.

#Training und Inferenz-Setup

Das Training des neuronalen Netzwerks umfasst die Aufteilung des Datensatzes in Trainings-, Validierungs- und Testuntergruppen. Der Trainingsprozess zielt darauf ab, den Fehler zwischen den vorhergesagten Druckabfällen und den Wahrheitswerten, die aus CFD gewonnen wurden, zu minimieren.

Während der Inferenz werden wir das trainierte Modell auf neue Geometrien anwenden, um deren vFFR-Werte basierend auf den gelernten Darstellungen vorherzusagen. Durch den Einsatz effizienter Datenhandhabungstechniken stellen wir sicher, dass die Inferenz schnell und effektiv durchgeführt werden kann.

#Experimente und Ergebnisse

In diesem Abschnitt werden wir die vorgeschlagene Methode durch verschiedene Experimente bewerten. Ziel ist es, zu überprüfen, wie gut das Deep Learning-Modell in der Schätzung von vFFR abschneidet und ob es klinisch brauchbar ist.

#Evaluierung unter verschiedenen Blutflussbedingungen

Wir werden zunächst bewerten, wie die Methode unter verschiedenen Blutflussbedingungen abschneidet. Der synthetische Datensatz umfasst Fälle mit unterschiedlichen Zuflussraten, die verschiedene Belastungsniveaus simulieren.

Die Ergebnisse werden anhand wichtiger Kennzahlen analysiert, die die vorhergesagten vFFR-Werte mit den aus CFD-Simulationen erhaltenen Wahrheitswerten vergleichen.

#Evaluierung der Auswirkungen des Stenosegrads

Als nächstes werden wir untersuchen, wie die Schwere der Stenose die Genauigkeit der vFFR-Schätzungen beeinflusst. Wir werden die Fälle basierend auf den Schweregraden klassifizieren und die Leistung des Modells in diesen verschiedenen Szenarien analysieren.

#Evaluierung der klinischen Brauchbarkeit

Abschliessend werden wir bewerten, ob der vorgeschlagene Ansatz in klinischen Umgebungen sicher verwendet werden kann. Dazu gehört die Beurteilung der Fähigkeit des Modells, zu klassifizieren, ob Patienten eine Behandlung benötigen, basierend auf ihren geschätzten vFFR-Werten.

#Diskussion der Einschränkungen und zukünftigen Arbeiten

Obwohl die vorgeschlagene Methode vielversprechend ist, ist es wichtig, Einschränkungen zu identifizieren. Die Hauptbedenken betreffen die Abhängigkeit von synthetischen Daten und die Notwendigkeit eines repräsentativen Datensatzes realer Patientengeometrien für Tests.

Zukünftige Arbeiten werden darin bestehen, echte Patientendaten zur Schulung zu sammeln, das Modell zu verfeinern, um zusätzliche Informationen über die Dynamik des Blutflusses einzubeziehen, und die Integration physik-informierter neuronaler Netzwerke zu erkunden, um Genauigkeit und Zuverlässigkeit zu verbessern.

#Fazit

Zusammenfassend präsentiert diese Arbeit eine Methode zur Schätzung von vFFR in Koronararterien unter Verwendung von Deep Learning-Techniken. Durch die Nutzung von sowohl implizitem als auch explizitem Merkmalslernen schlagen wir einen effizienteren Ansatz zur Schätzung von vFFR im Vergleich zu traditionellen Methoden vor. Die Ergebnisse zeigen, dass diese Methode ein wertvolles Werkzeug in der nicht-invasiven Diagnose von koronarer Herzkrankheit sein kann, indem sie schnelle und zuverlässige Schätzungen liefert, die bei der Entscheidungsfindung hinsichtlich der Behandlung helfen können. Weitere Entwicklungen und Validierungen mit echten Patientendaten werden dazu beitragen, die klinische Anwendung dieses Ansatzes zu festigen.