Simple Science

Scienza all'avanguardia spiegata semplicemente

# Ingegneria elettrica e scienze dei sistemi# Elaborazione di immagini e video# Visione artificiale e riconoscimento di modelli# Apprendimento automatico

Monitorare gli aneurismi aortici addominali con modelli neurali

Un nuovo metodo migliora il tracciamento degli aneurismi aortici addominali nel tempo.

― 5 leggere min


Modelli Neurali per ilModelli Neurali per ilMonitoraggio AAAaortico addominale.efficace la crescita dell'aneurismaUn nuovo approccio prevede in modo
Indice

Gli aneurismi aortici addominali (AAA) sono aree gonfie nell'aorta addominale, che è il principale vaso sanguigno che porta il sangue dal cuore alla parte inferiore del corpo. Se questi aneurismi crescono troppo, possono rompersi, portando a gravi rischi per la salute e spesso alla morte. Monitorare questi aneurismi tramite tecniche di imaging come ecografie e TAC è fondamentale per identificare i pazienti che necessitano di chirurgia. In questo articolo, presentiamo un nuovo metodo che usa tecnologie avanzate per capire meglio come gli AAA cambiano nel tempo.

Cosa Sono gli AAA?

Gli AAA diventano significativi quando raggiungono una dimensione di almeno 30 mm. Di solito si sviluppano sotto le arterie renali e spesso non mostrano sintomi fino a diventare molto grandi. Quando gli AAA si rompono, le probabilità di sopravvivenza sono molto basse, con circa il 70-80% dei pazienti che non sopravvivono all'evento. Per prevenire ciò, i medici monitorano regolarmente i pazienti. Se l'aneurisma cresce a una certa dimensione-5.5 cm negli uomini e 5.0 cm nelle donne-o cresce più di 1 cm in un anno, potrebbe essere necessaria la chirurgia.

Tecniche di Monitoraggio Attuali

I pazienti con AAA vengono spesso controllati durante visite regolari e sottoposti a imaging per monitorare la dimensione dell'aneurisma. Queste immagini vengono principalmente usate per tracciare la dimensione, ma possono contenere altre informazioni utili per capire come l'aneurisma sta cambiando. Maggiori dettagli sui cambiamenti possono aiutare i medici a prendere decisioni migliori riguardo al trattamento.

Ricerca Precedente

Ci sono stati vari tentativi di creare modelli che rappresentano come gli AAA progrediscono, usando tecniche come processi gaussiani, catene di Markov e modelli di deep learning. Questi modelli aiutano a catturare come la forma dell'aneurisma cambia nel tempo, ma possono avere dei limiti nella loro efficacia.

Nuovo Approccio: Rappresentazioni Neurali Implicite

Il metodo di cui parliamo utilizza rappresentazioni neurali implicite (INR), che sono un tipo di Modello matematico che può memorizzare e generare forme. Questi modelli usano una combinazione di dati continui su spazio e tempo per rappresentare come la superficie di un AAA evolve. Un vantaggio chiave dell'uso delle INR è che possono calcolare la forma dell'aneurisma in qualsiasi momento, rendendoli uno strumento potente per monitorare i cambiamenti.

Come Funziona il Modello

Nel nostro metodo, rappresentiamo la parete dell’AAA nel tempo come una funzione speciale. Questa funzione ci dà la distanza più breve da qualsiasi punto nello spazio alla superficie dell'aneurisma. Usando una rete neurale, possiamo prevedere la forma dell’AAA in un dato momento utilizzando dati da scansioni passate. Il modello è progettato per adattarsi man mano che arrivano nuovi dati, assicurando che resti accurato.

Per addestrare il modello, abbiamo usato immagini di pazienti che avevano il loro AAA scansionato più volte. La rete impara da questi dati per rappresentare accuratamente la forma dell’AAA. In questo modo, possiamo visualizzare come l’aneurisma cambia e prevedere il suo stato futuro.

Raccolta Dati

Abbiamo raccolto dati da scansioni TC di quattro pazienti effettuate nel corso di diversi anni. Le scansioni sono state elaborate per identificare e delineare automaticamente gli AAA. Questo ci ha permesso di creare una rappresentazione chiara e accurata della forma degli aneurismi di ciascun paziente in vari momenti.

Risultati dal Modello

Dopo aver addestrato il modello sui dati raccolti, l'abbiamo testato per vedere quanto bene potesse prevedere le forme degli AAA in momenti in cui non avevamo scansioni. I risultati hanno mostrato che il modello poteva interpolare, o riempire i vuoti, tra scansioni reali con una certa accuratezza. Ad esempio, confrontando le forme previste con quelle reali delle scansioni, le differenze erano relativamente piccole, indicando che il nostro modello è efficace nel prevedere come un aneurisma evolve nel tempo.

Tuttavia, abbiamo notato che mentre il modello ha fatto bene a riempire i vuoti tra scansioni vicine nel tempo, ha avuto più difficoltà nel prevedere le forme degli AAA su periodi più lunghi senza scansioni. Questo suggerisce che il tempo tra le scansioni può influenzare significativamente l'accuratezza delle previsioni.

Interpretazione dei Risultati

I risultati suggeriscono che il nostro modello può fornire ai medici informazioni utili su come gli AAA potrebbero evolversi in futuro. Modellando accuratamente il cambiamento nella forma dell'AAA, i medici possono pianificare meglio interventi o monitorare la necessità di chirurgia. La natura continua del nostro modello consente flessibilità nell'esaminare l'aneurisma in qualsiasi momento, che è un notevole miglioramento rispetto ai metodi tradizionali.

Sfide e Limitazioni

Una delle principali sfide che abbiamo incontrato è stata che il modello era sensibile a piccoli errori nell'impostazione iniziale. Se le scansioni dell'AAA non erano perfettamente allineate, poteva influenzare l'accuratezza delle previsioni. Sebbene abbiamo usato le vertebre come riferimento per l'allineamento, crediamo che utilizzare altri marcatori sul corpo potrebbe portare a risultati migliori.

Inoltre, il numero di pazienti inclusi nel nostro studio era limitato. In futuro, espandere il set di dati fornirebbe risultati più solidi e renderebbe il modello ancora migliore nel prevedere i cambiamenti degli AAA.

Direzioni Future

Guardando avanti, ci sono molti modi in cui questa ricerca può essere ampliata. Abbiamo in programma di indagare come possiamo considerare altri elementi, come la dinamica del flusso sanguigno, per migliorare ulteriormente il nostro modello. Includere vincoli aggiuntivi che riflettono i tassi di crescita biologica potrebbe anche aumentare la sua accuratezza.

Inoltre, comprendere il ruolo del trombo, o dei coaguli di sangue che potrebbero formarsi all'interno dell'aneurisma, potrebbe essere cruciale per prevedere la sua progressione con maggior precisione.

Conclusione

L'uso delle rappresentazioni neurali implicite offre un nuovo e promettente modo per monitorare e modellare la progressione degli AAA nel tempo. Questo metodo innovativo può fornire intuizioni significative su come questi aneurismi evolvono, aiutando in ultima analisi a migliorare la cura dei pazienti. Rappresentando accuratamente la forma e i cambiamenti dell'AAA, i fornitori di assistenza sanitaria possono prendere decisioni più informate riguardo al trattamento e al monitoraggio.

Proseguendo con ulteriori studi e miglioramenti, speriamo di contribuire a soluzioni sanitarie più personalizzate ed efficaci per i pazienti con aneurismi aortici addominali. La nostra ricerca apre nuove porte nella comprensione e nella previsione del comportamento degli AAA, beneficiando sia i pazienti che i fornitori di assistenza sanitaria nel lungo periodo.

Fonte originale

Titolo: Implicit Neural Representations for Modeling of Abdominal Aortic Aneurysm Progression

Estratto: Abdominal aortic aneurysms (AAAs) are progressive dilatations of the abdominal aorta that, if left untreated, can rupture with lethal consequences. Imaging-based patient monitoring is required to select patients eligible for surgical repair. In this work, we present a model based on implicit neural representations (INRs) to model AAA progression. We represent the AAA wall over time as the zero-level set of a signed distance function (SDF), estimated by a multilayer perception that operates on space and time. We optimize this INR using automatically extracted segmentation masks in longitudinal CT data. This network is conditioned on spatiotemporal coordinates and represents the AAA surface at any desired resolution at any moment in time. Using regularization on spatial and temporal gradients of the SDF, we ensure proper interpolation of the AAA shape. We demonstrate the network's ability to produce AAA interpolations with average surface distances ranging between 0.72 and 2.52 mm from images acquired at highly irregular intervals. The results indicate that our model can accurately interpolate AAA shapes over time, with potential clinical value for a more personalised assessment of AAA progression.

Autori: Dieuwertje Alblas, Marieke Hofman, Christoph Brune, Kak Khee Yeung, Jelmer M. Wolterink

Ultimo aggiornamento: 2023-03-02 00:00:00

Lingua: English

URL di origine: https://arxiv.org/abs/2303.01069

Fonte PDF: https://arxiv.org/pdf/2303.01069

Licenza: https://creativecommons.org/licenses/by/4.0/

Modifiche: Questa sintesi è stata creata con l'assistenza di AI e potrebbe presentare delle imprecisioni. Per informazioni accurate, consultare i documenti originali collegati qui.

Si ringrazia arxiv per l'utilizzo della sua interoperabilità ad accesso aperto.

Altro dagli autori

Articoli simili