blog

Sep 21, 2023

Síntese do paciente

Relatórios Científicos volume 12,

Scientific Reports volume 12, Número do artigo: 16004 (2022) Citar este artigo

1228 acessos

1 Citações

1 Altmétrica

Detalhes das métricas

Propomos sintetizar conjuntos de dados de ressonância magnética de fluxo 4D específicos do paciente de fluxo turbulento emparelhados com dados de fluxo de verdade para apoiar o treinamento de métodos de inferência. O fluxo sanguíneo turbulento é calculado com base nas equações de Navier-Stokes com domínios móveis usando condições de contorno realistas para formas aórticas, deslocamentos de parede e velocidades de entrada obtidas de dados do paciente. A partir do fluxo simulado, dados sintéticos de ressonância magnética de fluxo 4D multiponto são gerados com resoluções espaço-temporais definidas pelo usuário e reconstruídos com uma abordagem bayesiana para calcular mapas de velocidade e turbulência variáveis ​​no tempo. Para a síntese de dados de MRI, assume-se um orçamento de tempo de varredura hipotético fixo e, consequentemente, as alterações na resolução espacial e na média de tempo resultam no dimensionamento correspondente das relações sinal-ruído (SNR). Neste trabalho, focamos no fluxo estenótico aórtico e na quantificação da energia cinética turbulenta (ETC). Nossos resultados mostram que, para resoluções espaciais de 1,5 e 2,5 mm e tempo médio de 5 ms, conforme encontrado na ressonância magnética de fluxo 4D na prática, o pico total de energia cinética turbulenta a jusante de uma estenose de 50, 75 e 90% é superestimado em até 23, 15 e 14% (1,5 mm) e 38, 24 e 23% (2,5 mm), demonstrando a importância da verdade de campo emparelhada e dados de ressonância magnética de fluxo 4D para avaliar a exatidão e precisão da inferência de fluxo turbulento usando exames de ressonância magnética de fluxo 4D.

A estenose aórtica (EA) é uma condição comum associada a alta morbimortalidade1,2. A detecção precoce e o tratamento da EA estão associados a menores taxas de mortalidade, mas a classificação correta da gravidade da doença permanece um desafio2. Como as patologias cardiovasculares geralmente estão associadas a padrões de fluxo anormais3,4,5 e perdas pressóricas irreversíveis6,7,8,9,10, a análise dos campos de fluxo aórtico é considerada um elemento importante para a estratificação de risco e planejamento personalizado de intervenções clínicas.

A ressonância magnética cardiovascular (RMC) e, em particular, a ressonância magnética de contraste de fase (PC), permitiram medições de padrões de fluxo volumétrico resolvidos no tempo (RM de fluxo 4D)11 em ambientes clínicos e de pesquisa. Apesar dos avanços recentes no design de sequências12,13,14 e nos métodos de reconstrução de imagens15, os dados são limitados pela resolução espaço-temporal e pelos artefatos. Portanto, o desenvolvimento de modelos robustos e realistas para a análise de conjuntos de dados de ressonância magnética de fluxo 4D é um passo fundamental para permitir a previsão da exatidão e precisão de tais medições na pesquisa e na rotina clínica.

Os métodos de aprendizado profundo (DL) são particularmente adequados para descobrir padrões complexos em grandes conjuntos de dados16,17, o que os torna candidatos ideais para inferir parâmetros de fluxo e padrões contidos em exames de ressonância magnética de fluxo 4D altamente dimensionais e complexos. Trabalhos recentes sobre reconstrução de imagem15, segmentação18,19, classificação20 e super-resolução de fluxo21 demonstraram o potencial dos algoritmos DL. Berhane et al.18 e Bratt et al.19 usaram algoritmos de segmentação totalmente automatizados treinados em conjuntos de dados de ressonância magnética de fluxo 2D e 4D rotulados manualmente para acelerar as medições de fluxo e diâmetro na aorta. No entanto, a escassez de conjuntos de dados de treinamento rotulados de alta qualidade22 efetivamente dificulta a implementação de abordagens de inferência baseadas em DL para ressonância magnética de fluxo 4D. Fries et al.20 aliviaram o fardo de obter conjuntos de dados rotulados manualmente desenvolvendo um modelo DL fracamente supervisionado para classificação de malformações da válvula aórtica com base em um pequeno número de varreduras anotadas manualmente. Outros trabalhos demonstraram a viabilidade de aumentar conjuntos de dados clínicos usando imagens sintéticas23,24, pois o treinamento de máquinas de inferência é significativamente comprometido pelo número limitado e distribuições potencialmente tendenciosas de dados de imagem e dados de campo pareados. Em geral, no entanto, a incorporação de conjuntos de dados rotulados manualmente, bem como incertezas inerentes nas medições de MRI, levam a dados "verdadeiros" tendenciosos e imperfeitos. Isso sugere que a precisão intrínseca e a precisão dos métodos desenvolvidos usando tais conjuntos de dados de treinamento não podem ser avaliadas e apenas métricas aproximadas podem ser derivadas usando experimentos in situ e in vitro5.