Construcción de modelos automatizados basados en IA para simulaciones CFD de flujos aórticos específicas del paciente

Área de la Ciencia:

• Dinámica de fluidos computacional
• Análisis de imágenes médicas
• Ingeniería cardiovascular
• La inteligencia artificial en la medicina

Sus antecedentes:

• El modelado basado en imágenes es crucial para comprender la hemodinámica cardiovascular.
• Los métodos actuales para crear modelos vasculares específicos para el paciente son ineficientes y propensos a errores, lo que limita el uso clínico.
• Se necesita automatizar la generación de modelos vasculares para mejorar el diagnóstico y el tratamiento de las enfermedades cardiovasculares.

Objetivo del estudio:

• Desarrollar y evaluar un marco de aprendizaje profundo para la creación de modelos vasculares automatizados y listos para la simulación a partir de imágenes médicas.
• Mejorar la precisión, eficiencia y consistencia anatómica de los modelos vasculares específicos del paciente.
• Para reducir el esfuerzo manual y el tiempo requerido para el modelado vascular en entornos clínicos y de investigación.

Principales métodos:

• Un marco de aprendizaje profundo que integra un módulo de segmentación para la delimitación de buques basado en voxel.
• Un módulo de deformación de superficie para el refinamiento no supervisado y anatómicamente consistente de la superficie guiado por datos de imágenes médicas.
• Evaluación en conjuntos de datos públicos para evaluar el rendimiento de la segmentación, la precisión geométrica y la eficiencia computacional.

Principales resultados:

• Se ha logrado un rendimiento de vanguardia en la segmentación de buques.
• Reducción significativa del esfuerzo manual y el tiempo de procesamiento en comparación con los métodos existentes.
• Generó modelos vasculares anatómicamente precisos y visualmente realistas, capturando patrones de ramificación complejos.

Conclusiones:

• El marco de aprendizaje profundo automatiza con éxito la creación de modelos vasculares de alta fidelidad a partir de imágenes médicas.
• Este enfoque mejora la escalabilidad y la confiabilidad del modelado computacional basado en imágenes para aplicaciones cardiovasculares.
• El método automatizado facilita aplicaciones clínicas y de investigación más amplias en enfermedades cardiovasculares.