4Dflow-VP-Net:一个深层卷积神经网络,用于从4D流MRI中对静脉流中的相对压力进行非侵入性估计
Ruponti Nath1,2, Amirkhosro Kazemi1,2, Sean Callahan1,2
1Medical Imaging Lab, Department of Electrical and Computer Engineering, University of Louisville, Louisville, Kentucky, USA.
一种新的深度学习方法通过使用4D流MRI,非侵入性地准确估计跨膜压力梯度 (TVPG). 这种4Dflow-VP-Net方法在大动脉狭窄患者中显示出高准确性,为侵入性测量提供了一个有希望的替代方案.
科学领域:
- 心血管成像 - 心血管成像
- 医学物理 医学物理
- 人工智能在医学中的应用
背景情况:
- 精确估计跨膜压力梯度 (TVPG) 对于诊断和管理大动脉狭窄至关重要.
- 目前的方法,如侵入性导管注射带有风险,而非侵入性技术可能缺乏精度.
研究的目的:
- 开发和验证一种新的深度学习方法,用于使用4D流MRI速度数据进行非侵入性TVPG估计.
- 在模拟,体外和体内环境中,与已确定的技术相比,评估该方法的准确性.
主要方法:
- 一个深度神经网络,4Dflow-VP-Net,在计算流体动力学 (CFD) 模拟数据上受训,以学习狭窄血管中速度和压力之间的关系.
- 该网络使用CFD模拟的速度,体外4D流动MRI数据和体内4D流动MRI数据从大动脉狭窄患者中进行了测试.
- 将TVPG预测与以导管为基础的测量,CFD模拟和多普勒心声图进行了比较.
主要成果:
- 4Dflow-VP-Net与体外压力导管 (r2=0.91) 和参考CFD (模拟数据的r2=0.99,体外MRI的r2=0.98) 显示出强烈的相关性.
- 在16名患者中,使用4Dflow-VP-Net的4D流MRI的TVPG测量显示出与多普勒心声学 (r2=0.85) 的良好一致.
- 布兰德-阿尔特曼分析显示了体外数据的最小偏差,而多普勒心声图倾向于高估患者的TVPG与4Dflow-VP-Net结果相比.
结论:
- 拟议的4D流量-VP-Net方法准确地从4D流量MRI数据中预测大动脉狭窄的相对压力梯度.
- 这种基于深度学习的方法提供了一个高度可靠的非侵入性工具,用于在实验和临床环境中评估压力.
- 这些发现表明,4Dflow-VP-Net可以为大动脉狭窄的血液动力学严重程度提供宝贵的见解.
更多相关视频
11:00Experimental Investigation of Secondary Flow Structures Downstream of a Model Type IV Stent Failure in a 180° Curved Artery Test Section
Published on: July 19, 2016
09:57Development and Evaluation of 3D-Printed Cardiovascular Phantoms for Interventional Planning and Training
Published on: January 18, 2021
相关概念视频
Uniform Depth Channel Flow
Uniform Depth Channel Flow: Problem Solving
Pressure Variation in a Fluid at Rest
When measuring pressure at two different levels within the fluid, the difference in...
Magnetic Resonance Imaging
Measurement of Fluid Pressure
A basic form of manometer is the piezometer, a vertical tube open at the top and filled with the same...
