Blog

Sep 21, 2023

Síntesis de paciente

Informes científicos volumen 12,

Scientific Reports volumen 12, Número de artículo: 16004 (2022) Citar este artículo

1228 Accesos

1 Citas

1 Altmetric

Detalles de métricas

Proponemos sintetizar conjuntos de datos de resonancia magnética de flujo 4D específicos del paciente de flujo turbulento emparejados con datos de flujo de verdad del terreno para apoyar el entrenamiento de métodos de inferencia. El flujo sanguíneo turbulento se calcula en función de las ecuaciones de Navier-Stokes con dominios en movimiento utilizando condiciones límite realistas para las formas aórticas, los desplazamientos de la pared y las velocidades de entrada obtenidas de los datos del paciente. A partir del flujo simulado, se generan datos de IRM de flujo 4D multipunto sintético con resoluciones espaciotemporales definidas por el usuario y se reconstruyen con un enfoque bayesiano para calcular mapas de velocidad y turbulencia variables en el tiempo. Para la síntesis de datos de MRI, se asume un presupuesto de tiempo de escaneo hipotético fijo y, en consecuencia, los cambios en la resolución espacial y el promedio de tiempo dan como resultado la escala correspondiente de las relaciones señal-ruido (SNR). En este trabajo, nos centramos en el flujo estenótico aórtico y la cuantificación de la energía cinética turbulenta (TKE). Nuestros resultados muestran que para resoluciones espaciales de 1,5 y 2,5 mm y un promedio de tiempo de 5 ms como se encuentra en la resonancia magnética de flujo 4D en la práctica, la energía cinética turbulenta total máxima aguas abajo de una estenosis del 50, 75 y 90% se sobreestima hasta en 23, 15 y 14 % (1,5 mm) y 38, 24 y 23 % (2,5 mm), lo que demuestra la importancia de los datos de IRM de flujo 4D y la verdad del terreno pareados para evaluar la exactitud y precisión de la inferencia de flujo turbulento mediante exámenes de IRM de flujo 4D.

La estenosis aórtica (EA) es una condición común asociada con una alta morbilidad y mortalidad1,2. La detección y el tratamiento tempranos de la EA se asocian con tasas de mortalidad más bajas, pero la clasificación correcta de la gravedad de la enfermedad sigue siendo un desafío2. Dado que las patologías cardiovasculares suelen estar asociadas a patrones de flujo anormales3,4,5 y pérdidas de presión irreversibles6,7,8,9,10, el análisis de los campos de flujo aórtico se considera un elemento importante para la estratificación del riesgo y la planificación personalizada de las intervenciones clínicas.

La resonancia magnética cardiovascular (RMC) y, en particular, la RM de contraste de fase (PC), ha permitido la medición de patrones de flujo volumétrico con resolución temporal (RMN de flujo 4D)11 en entornos clínicos y de investigación. A pesar de los avances recientes en el diseño de secuencias12,13,14 y los métodos de reconstrucción de imágenes15, los datos están limitados por la resolución espaciotemporal y los artefactos. Por lo tanto, el desarrollo de modelos robustos y realistas para el análisis de conjuntos de datos de resonancia magnética de flujo 4D es un paso fundamental para permitir predecir la exactitud y precisión de dichas mediciones en la investigación y la rutina clínica.

Los métodos de aprendizaje profundo (DL) son particularmente adecuados para descubrir patrones intrincados en grandes conjuntos de datos16,17, lo que los convierte en candidatos ideales para inferir parámetros y patrones de flujo contenidos en exámenes de resonancia magnética de flujo 4D altamente dimensionales y complejos. Trabajos recientes sobre reconstrucción de imágenes15, segmentación18,19, clasificación20 y superresolución de flujo21 han demostrado el potencial de los algoritmos de DL. Berhane et al.18 y Bratt et al.19 utilizaron algoritmos de segmentación completamente automatizados entrenados en conjuntos de datos de resonancia magnética de flujo 2D y 4D etiquetados manualmente para acelerar las mediciones de flujo y diámetro en la aorta. Sin embargo, la escasez de conjuntos de datos de entrenamiento etiquetados de alta calidad22 obstaculiza efectivamente la implementación de enfoques de inferencia basados ​​en DL para MRI de flujo 4D. Fries et al.20 aliviaron la carga de obtener conjuntos de datos etiquetados manualmente mediante el desarrollo de un modelo DL débilmente supervisado para la clasificación de malformaciones de la válvula aórtica basado en una pequeña cantidad de escaneos anotados manualmente. Otros trabajos han demostrado la viabilidad de aumentar los conjuntos de datos clínicos utilizando imágenes sintéticas23,24, ya que el entrenamiento de las máquinas de inferencia se ve significativamente comprometido por el número limitado y las distribuciones potencialmente sesgadas de los datos de imagen y la realidad del terreno pareados. En general, sin embargo, la incorporación de conjuntos de datos etiquetados manualmente, así como las incertidumbres inherentes en las mediciones de resonancia magnética, conducen a datos de "verdad básica" sesgados e imperfectos. Esto sugiere que la exactitud y la precisión intrínsecas de los métodos desarrollados utilizando dichos conjuntos de datos de entrenamiento no se pueden evaluar y solo se pueden derivar métricas aproximadas mediante experimentos in situ e in vitro5.

El flujo de fluido se puede obtener simulando la hemodinámica en formas aórticas realistas25,26,27. La señal de RM correspondiente se deriva simulando el proceso de adquisición utilizando los datos simulados como entrada, creando efectivamente pares de imágenes de RM y verdad del terreno confiables21,28,29. En Ferdian et al.21, los campos de flujo sintético reducidos se derivaron de datos generados por dinámica de fluidos computacional (CFD) y se usaron para entrenar un algoritmo de súper resolución capaz de estimar características de flujo de alta resolución a partir de datos de baja resolución. La inferencia se limitó a los campos de velocidad y no se incorporó la turbulencia. Un enfoque más realista consiste en utilizar datos de CFD para calcular las trayectorias de puntos de material individuales, mientras que su magnetización de valor complejo y la señal de resonancia magnética correspondiente pueden evaluarse resolviendo las ecuaciones de Bloch en el marco de referencia de Lagrangian30,31. Este método se puede utilizar para evaluar secuencias de resonancia magnética específicas mientras se tienen en cuenta inherentemente los artefactos de desfase y desplazamiento inducidos por el flujo32. Sin embargo, para estimar con precisión las señales de resonancia magnética para flujos turbulentos, es necesario rastrear una gran cantidad de puntos materiales, lo que hace que estas simulaciones sean computacionalmente costosas. Alternativamente, las imágenes de resonancia magnética sintética se pueden obtener utilizando una ecuación modelo para la señal, que incluye directamente datos de velocidad y turbulencia puntuales de CFD, lo que reduce drásticamente el costo computacional33,34.

La presencia de regímenes de flujo transicional o turbulento aguas abajo de la estenosis aórtica5 sugiere que las simulaciones que incluyen el modelado de turbulencia son un paso importante hacia el modelado preciso de los flujos aórticos patológicos. Sin embargo, hasta donde sabemos, hasta ahora no se ha realizado la síntesis de datos de resonancia magnética de flujo 4D utilizando simulaciones de flujo turbulento en formas aórticas en movimiento realistas y codificación de señal de magnitud de velocidad, fase y desviación estándar intra-voxel (IVSD).

En este trabajo, proponemos un marco para sintetizar conjuntos de datos de resonancia magnética de flujo 4D de flujo turbulento en la aorta con paredes móviles. Los campos de turbulencia y velocidad real del terreno, calculados con CFD, se ingresan para generar señales de RM multipunto a una resolución realista, seguidas de una reconstrucción de imágenes bayesianas para generar mapas de velocidad y turbulencia. El método se utiliza con un flujo constante y pulsátil en geometrías estenóticas idealizadas para investigar el impacto de la interacción de la relación señal-ruido (SNR), la resolución espacial y el promedio de tiempo en la precisión de la medición y la precisión de la energía cinética turbulenta (TKE). Sucesivamente, se generan datos de MRI de flujo aórtico 4D específicos del paciente con varios grados de estenosis aórtica para informar errores relativos a la realidad del terreno para una SNR y resoluciones realistas.

La Figura 1 ilustra la canalización general para la generación de datos de resonancia magnética de flujo 4D sintéticos. Los datos de RM de cine 2D y de RM-PC 2D resueltos en el tiempo se utilizan para extraer geometrías aórticas móviles transitorias y los perfiles de velocidad de entrada correspondientes (Fig. 1a). Se emplea un enfoque CFD de simulación de grandes remolinos (LES) con límites móviles para simular el flujo turbulento (Fig. 1b). Posteriormente, las señales de resonancia magnética multipunto se sintetizan utilizando modelos de señal dedicados (Fig. 1c, d) seguidos de una reconstrucción utilizando un enfoque bayesiano (Fig. 1e). Finalmente, los datos de velocidad y desviación estándar intra-vóxel se proyectan en coordenadas cartesianas para generar mapas de velocidad, tensor de tensión de Reynolds (RST) y TKE (Fig. 1f). En este trabajo se utilizan tanto formas idealizadas como realistas. Los primeros permiten definir casos de control para estudiar el efecto de la interacción de la SNR, la resolución y el promedio de tiempo para un presupuesto de tiempo de escaneo dado, mientras que los últimos ejemplifican la utilidad del método para estudios específicos de pacientes.

Pipeline para la generación de conjuntos de datos de IRM de flujo 4D turbulentos y medios pulsátiles específicos de pacientes sintéticos. (a) Segmentación específica del paciente y generación de mallas. (b) Simulación CFD de simulación de grandes remolinos para obtener la velocidad media \(\overline{u }\) y el tensor de corte de Reynolds \(R\). (c) Proyección de velocidad de banda limitada (\({\overline{u} }_{\Delta }\)) y tensor de tensión de Reynolds (\({R}_{\Delta }\)) en el dominio de la frecuencia espacial (espacio k) sobre la transformada de Fourier \(\mathcal{F}\). (d) Modelo de señal para generar una señal de MRI, S, para un vector de codificación de velocidad dado, \({{\varvec{k}}}_{{\varvec{v}}}\), densidad de fluido, \(\rho \), y ruido gaussiano blanco de valor complejo, \(\eta\). (e) Reconstrucción bayesiana de velocidades medias de vóxeles, \(\nu\), y varianzas y covarianzas intra-vóxeles, \({\sigma }^{2},\) y (f) su proyección en coordenadas cartesianas usando un enfoque de solución de mínimos cuadrados para obtener el vector de velocidad media \(U\) y el tensor de tensión de Reynolds \(R\).

En la Fig. 2, se visualiza el efecto de la resolución espacial y el promedio de tiempo sobre la velocidad y la cuantificación de TKE para flujo constante. Cabe destacar que se asume un presupuesto fijo de tiempo de escaneo hipotético en todos los experimentos de síntesis de resonancia magnética y, por lo tanto, \(\mathrm{SNR}\propto V\sqrt{\Delta t}\), donde \(V\) denota volumen de vóxel y \( \Delta t\) promedio temporal. Para tamaños de vóxeles isotrópicos entre 1 y 2,5 mm y codificación instantánea hipotética, la energía cinética total (KE) se subestima hasta en un 8 %, mientras que la TKE total se sobreestima hasta en un 24 % en \({\mathrm{ROI}}_{1 }\) (envolvente de la región turbulenta, Fig. 2c) y entre un 13% y un 65% para \({\mathrm{ROI}}_{2}\) (toda la geometría, Fig. 2d). Para valores de SNR entre 30 y 4, la contribución del ruido al TKE total varía de 14 a 94 % para \({\mathrm{ROI}}_{1}\).

Impacto de la SNR y la resolución espaciotemporal sobre la velocidad y la energía cinética turbulenta para una estenosis excéntrica del 75% y flujo constante. Magnitud de la velocidad \(\left(U\right)\) (a) y energía cinética turbulenta \(\left(TKE\right)\) (b) para diferentes tamaños de vóxel, promedio de tiempo y, correspondientemente, señal a se muestran las relaciones de ruido (SNR). El porcentaje de error en el TKE total en función de la resolución espacial, el promedio de tiempo y la SNR se muestra en (c) y (d) para \(RO{I}_{1}\) (envolvente de la región turbulenta) y \ (RO{I}_{2}\) (geometría completa), respectivamente. La codificación instantánea (Inst.) se refiere a un experimento hipotético de PC-MRI sin ruido con un ancho de banda de codificación de velocidad infinitamente alta.

La Figura 3 muestra el efecto de la resolución espacial y el promedio de tiempo en la cuantificación de TKE para el flujo pulsátil. Para tamaños de vóxeles isotrópicos entre 1 y \(2,5\;\text{mm}\), la KE total en la sístole máxima se subestima hasta en un 10 % con codificación instantánea hipotética y hasta en un 22 % cuando se promedia el tiempo de \(20\ ;\text{ms}\) se asume. En los datos simulados se observa un retraso entre la sístole máxima y la TKE total máxima. La Figura 3a muestra que los gradientes temporales y espaciales contribuyen artificialmente hasta el 100 % de la TKE medida. Este efecto también es visible en menor medida en el pico TKE en la Fig. 3b, donde hasta el 40 % del TKE total medido es erróneo. Para la codificación instantánea con tamaños de vóxeles isotrópicos entre 1 y \(2,5\;\text{mm}\), el TKE total se sobrestima hasta en un 15 % y un 31 % para \({\mathrm{ROI}}_{1}\ ) (Fig. 3c) y \({\mathrm{ROI}}_{2}\) (Fig. 3d), respectivamente. Con una resolución de \(2,5\;\text{mm}\) y un promedio de tiempo de \(20\;\text{ms}\), el TKE total se sobrestima hasta en un 38 % para \({\mathrm{ROI}} _ {1}\) y 58 % para \({\mathrm{ROI}}_{2}\).

Impacto de la SNR y la resolución espaciotemporal en la energía cinética turbulenta para una estenosis excéntrica del 75% y flujo pulsátil. Se muestra la energía cinética turbulenta en la sístole máxima (a) y en el TKE total máximo (b). Los errores porcentuales del TKE total máximo se comparan en (c) y (d) para \(RO{I}_{1}\) (envolvente de la región turbulenta) y \(RO{I}_{2}\) ( toda la geometría). La codificación instantánea (Inst.) se refiere a un experimento hipotético de PC-MRI sin ruido con un ancho de banda de codificación de velocidad infinitamente alta.

La Figura 4a,b compara la TKE total durante un ciclo cardíaco simulado para diferentes configuraciones de resolución espacial, promedio de tiempo y SNR. La figura 4c,d visualiza el efecto de la resolución espacial y el promedio de tiempo en la cuantificación de la TKE total integrada en el ciclo cardíaco. Las resoluciones espaciales isotrópicas entre \(1.5\) y \(2\;\text{mm}\) y el promedio de tiempo de \(5\;\text{ms}\) conducen a una sobreestimación del TKE total hasta en un 26 % para \({\mathrm{ROI}}_{1}\) (Fig. 4c) y 70 % para \({\mathrm{ROI}}_{2}\) (Fig. 4d), respectivamente.

Impacto de la SNR y la resolución espaciotemporal en la energía cinética turbulenta resuelta en el tiempo para una estenosis excéntrica del 75% y flujo pulsátil. TKE total resuelto en el tiempo y tasa de flujo \(\left(Q\right)\) durante un ciclo cardíaco simulado para tamaños de vóxel variables \(\left(L\right)\), promedio de tiempo \(\left(\Delta t \right)\) y, correspondientemente, las relaciones señal-ruido \(\left(SNR\right)\) para \(RO{I}_{1}\) (a) y \(RO{I}_ {2}\) (b) (ver Fig. 3). Errores en TKE total integrados durante el ciclo cardíaco \(RO{I}_{1}\) (c) y \(RO{I}_{2}\) (d). La codificación instantánea (\(\Delta t=0\;\text{ms}\)) se refiere a un experimento hipotético de PC-MRI sin ruido con un ancho de banda de codificación de velocidad infinitamente alta.

La Figura 5 compara la magnitud de la velocidad y los mapas de TKE en la sístole máxima y el TKE máximo para CFD y PC-MRI sintética. Los valores de TKE artificialmente altos son visibles en las paredes y en las regiones de flujo con gradientes de alta velocidad.

Velocidad específica del paciente y mapas de TKE para diversos grados de estenosis (cortes de cabeza de pie de la aorta alineados con el chorro de entrada). (a) Magnitud de la velocidad en la sístole máxima y (b) energía cinética turbulenta en el TKE total máximo para dos resoluciones y la CFD de referencia correspondiente. Para (a) y (b), de izquierda a derecha, se muestran el flujo de entrada saludable y los grados de estenosis simulada del 50 %, 75 % y 90 %. Tenga en cuenta la diferencia en la escala de la barra de colores para la velocidad y la TKE según el grado de estenosis. Un video que muestra todos los pasos de tiempo está disponible en el material complementario en línea.

La Figura 6a muestra la evolución de la TKE para varios grados de estenosis durante el ciclo cardíaco. La TKE máxima ocurre después de la sístole máxima con un retraso \(\delta\) que depende del grado de estenosis. Para grados de estenosis del 50%, 75% y 90% el retraso \(\delta\) es de 32, 53 y 90 ms. Para la estenosis aórtica de leve a grave, la TKE total máxima varía de \(7\) a \(70\;\text{mJ}\). La figura 6b resume las estadísticas máximas de TKE.

Variaciones de la energía cinética turbulenta en función del grado de estenosis durante el ciclo cardíaco y en el pico de la TKE total. (a) Comparación de la TKE total medida para dos resoluciones de PC-MRI y la CFD de referencia durante el ciclo cardíaco para un flujo de entrada saludable y grados de estenosis aórtica simulada de 50 %, 75 % y 90 %. Tenga en cuenta el retraso temporal entre el caudal máximo y el TKE máximo representado por la curva TKE máxima ajustada. (b) Media \(\mu\) y desviación estándar \(\sigma\) de TKE pico de vóxel para las dos resoluciones de PC-MRI para flujo saludable y estenosis del 50%, 75% y 90%.

La desviación media y estándar de TKE en la aorta ascendente para grados de estenosis de 50, 75 y 90 % están sobreestimadas en 37,9, 8,6 y 8,6 % y 13,5, 5,0 y 13,3 %, respectivamente, para un tamaño de vóxel de \(1,5\;\ texto{mm}\). De manera similar, la sobreestimación es 55.2, 18.2 y 16.7% y 23.1, 12.5 y 23.8% para un tamaño de vóxel de \(2.5\;\text{mm}\) (Fig. 6b). Una resolución espacial más alta da como resultado valores atípicos con un TKE más grande.

Los conjuntos de datos específicos de pacientes presentados en este trabajo requirieron en promedio 60 horas de reloj de pared usando 48 núcleos para obtener la solución CFD, cada marco de tiempo fue de alrededor de 260 MB.

En este estudio, se presentó un marco para la síntesis de datos de resonancia magnética de flujo 4D multipunto con resolución temporal de flujo turbulento en geometrías aórticas móviles específicas del paciente. Se investigó el impacto de la resolución espacial, el promedio de tiempo y la SNR para flujos constantes y pulsátiles en geometrías idealizadas para un presupuesto de tiempo de exploración hipotético fijo.

La comparación cualitativa de los mapas de velocidad y TKE en la Fig. 2a, b-d confirmó que las mediciones de turbulencia son más sensibles a la SNR y la resolución espacial en comparación con las mediciones de velocidad y que el ROI utilizado para calcular el TKE total debe seleccionarse cuidadosamente. En la Fig. 2c, d, la resolución espacial limitada y la SNR baja contribuyen a la sobreestimación de TKE debido a las contribuciones del ruido y los gradientes de velocidad espacial de acuerdo con estudios previos35,36. Las variaciones en el TKE total para diferentes promedios de tiempo en la Fig. 2c, d se deben a las diferencias de SNR, ya que el promedio de tiempo no tiene influencia para los flujos constantes.

Las contribuciones de los gradientes de velocidad temporal aumentan aún más la sobreestimación artificial de TKE en flujos pulsátiles, como se demuestra en la Fig. 3a. La turbulencia solo aparece después de la sístole máxima en la verdad del suelo, lo que sugiere que la producción de TKE se inicia con la desaceleración del flujo possistólico (Fig. 4a).

Los gradientes espaciales y temporales comprometen la velocidad medida y los valores de TKE en vóxeles debido a los efectos de volumen parcial, que son visibles en las paredes de la aorta, donde están presentes valores de TKE artificialmente altos. En particular, hemos demostrado que, en la sístole máxima, el RST medido es puramente artificial y no representa turbulencia (Fig. 3a). Además, hemos observado que la TKE máxima se produce con un retraso en comparación con la sístole máxima, lo que sugiere que es posible que sea necesario reconsiderar la cuantificación de la TKE en la sístole máxima, tal como se propone en la literatura33.

Para resoluciones espaciales de 1,5 y 2,5 mm y un promedio de tiempo de 5 ms, la TKE total máxima aguas abajo de una estenosis del 75 % se sobreestima en un 15 y un 24 %, respectivamente (Fig. 6a). Se observaron sobreestimaciones similares (18 y 25 %) usando la geometría idealizada con flujo pulsátil, lo que sugiere que las observaciones en las Figs. 2, 3 y 4 se pueden extrapolar a geometrías y flujos más realistas. Una resolución espacial más alta crea valores atípicos con valores TKE más grandes debido a niveles más bajos de SNR. Para una resolución espacial isotrópica de IRM de flujo 4D típica de \(2,5\;\text{mm}\) y un grado de estenosis > 75 %, la TKE en vóxeles se sobrestima sistemáticamente en la aorta ascendente, lo que sugiere que la sobreestimación de la TKE en la IRM de flujo 4D podría ser predecible para regímenes de alta turbulencia.

En el presente estudio, el flujo neto fue idéntico para los diferentes grados de estenosis simuladas. Dado que la presión a lo largo de la aorta depende del grado de estenosis, se esperan variaciones en el área de la sección transversal del vaso, que no fueron modeladas en nuestro trabajo. Se justifica el trabajo futuro para integrar los desplazamientos de la pared resultantes de la interacción del flujo y el cumplimiento de la pared para llegar a velocidades de onda de pulso realistas. Los enfoques de interacción fluido-estructura completa, o los modelos de orden reducido aplicados a la respuesta elástica y viscoelástica del tejido podrían traducirse de nuestros trabajos anteriores37,38,39,40. Además, la variabilidad anatómica podría aumentarse utilizando modelos anatómicos basados ​​en reconstrucciones de bajo rango41.

Otra limitación del presente estudio se relaciona con el uso de un enfoque simplificado para generar señales PC-MRI, asumiendo una codificación y lectura ideales y, por lo tanto, descuidando el impacto de los esquemas de codificación en los valores medidos de velocidad y turbulencia. No se incluyeron los artefactos de desplazamiento inducidos por el flujo y las variaciones de ciclo a ciclo se condensaron en cantidades promediadas por ciclo. Estas suposiciones se hicieron para reducir el costo computacional en comparación con un modelado más preciso de los procesos de generación de imágenes31. El trabajo reciente de Dillinger et al.42 demuestra que la implementación de gradientes de codificación realistas en un solucionador Euleriano-Lagrangiano de Bloch da como resultado una subestimación sistemática de los componentes de turbulencia de alta frecuencia. Por lo tanto, la cuantificación de la turbulencia in vivo está sujeta a sobreestimación debido a efectos de volumen parcial por un lado y subestimación debido a gradientes de codificación de velocidad de banda limitada por otro lado.

El estudio también carece de comparación entre los conjuntos de datos de resonancia magnética de flujo 4D in vivo y sintético. Sin embargo, debido a la complejidad de los patrones de flujo en la aorta y las suposiciones utilizadas en la CFD específica del paciente, solo se podría lograr una comparación cualitativa de los patrones de flujo26,43,44. Aunque esta es una limitación general para las simulaciones específicas del paciente, no afecta directamente nuestro flujo de trabajo propuesto, ya que nuestro objetivo es generar flujos realistas en la aorta en lugar de intentar duplicar la hemodinámica específica del paciente en cada detalle.

Para concluir, el marco de síntesis que se presenta aquí permite la generación de conjuntos emparejados de datos de IRM de flujo 4D y verdad del terreno realistas específicos del paciente para atender el entrenamiento de algoritmos de aprendizaje profundo para la reconstrucción de imágenes15 y la inferencia21 en el futuro. Aunque este trabajo se centró en la velocidad y la TKE en los flujos aórticos postestenóticos, la CFD de verdad del terreno contiene información sobre la caída de presión, las tensiones de cizallamiento de la pared y la velocidad de la onda del pulso, lo que abre la puerta a la posibilidad de analizar otros biomarcadores hemodinámicos importantes en trabajos futuros. Además, la naturaleza específica del paciente de este trabajo sugiere que, si se dispone de conjuntos de datos adecuados, la tubería podría usarse para generar conjuntos de datos de flujo 4D sintéticos para otras patologías valvulares o aórticas, como insuficiencia aórtica (AR), válvula aórtica bicúspide (BAV ) y aorta ascendente dilatada.

Un tubo estenótico excéntrico con paredes fijas y una severidad de estenosis del 75%45,46 fue modelado como geometría idealizada. Esta geometría ha sido ampliamente estudiada en la literatura34,47,48 y tiene una descripción analítica con la estenosis modelada como una función coseno desplazada en una dirección por una excentricidad del 5% del diámetro. La garganta de la estenosis se colocó a una distancia de 3 diámetros de la entrada, y el cilindro se extendió 20 diámetros aguas abajo. Se generó una malla de mariposa hexaédrica estructurada con 2,7 M de celdas utilizando la utilidad blockMesh de OpenFoam49.

Se obtuvieron geometrías aórticas realistas a partir de datos de resonancia magnética in vivo. Los sujetos fueron estudiados con consentimiento informado por escrito bajo la aprobación del comité de ética del Cantón de Zúrich, Suiza, y de acuerdo con las directrices institucionales. Los experimentos de formación de imágenes se realizaron en un sistema MR de 1,5 T (Philips Healthcare, Best, Países Bajos) utilizando una matriz de recepción de 32 canales. Se adquirieron cortes de precesión libre de estado estacionario equilibrado de cine de alta resolución (\(1\times 1\times 5\;\text{mm}^{3}\)) ortogonalmente a la línea central de la aorta con una resolución temporal de 40 fotogramas/ ciclo cardiaco en una contención de la respiración. Un total de 9 cortes se distribuyeron uniformemente a lo largo de la línea central aórtica, cubriendo el arco aórtico y la aorta descendente con el primer corte colocado en la raíz aórtica. Se extrajeron los límites de la luz y se extrapoló la superficie 3D correspondiente a partir de contornos 2D segmentados (Fig. S1 complementaria). Se extirparon las arterias braquiocefálica, carótida común izquierda y subclavia izquierda, ya que su impacto en las características del flujo en la aorta ascendente no es significativo50. Luego se generó una malla de mariposa hexaédrica estructurada utilizando la utilidad blockMesh de OpenFoam49 sobre la anatomía al final de la diástole, que se consideró como la fase inicial del ciclo cardíaco (Fig. 1a). Se encontró que un tamaño de malla de 2,2 M celdas con alturas de celda media y máxima en la región de interés de \(0,37\;\text{mm}\) y \(0,6\;\text{mm}\) era suficiente para simule con precisión los campos de velocidad y turbulencia en las aortas con entradas patológicas51,52,53.

Se utilizaron perfiles de Hagen-Poiseuille completamente desarrollados como condiciones de contorno de entrada para las geometrías idealizadas. El número medio de Reynolds de entrada \((Re)\) se fijó en 1000 para escenarios estacionarios y pulsátiles. Para el caso pulsátil, la forma de onda de velocidad se extrajo de los datos in vivo adquiridos en la raíz aórtica en un sujeto sano con un pico de entrada \(Re\) de 4000, típico para flujos fisiológicos54.

El movimiento de la pared aórtica para la simulación específica del paciente se extrajo para todas las fases cardíacas y se utilizó como condición límite para la simulación CFD. Los perfiles de velocidad de entrada resueltos en el tiempo para las simulaciones específicas del paciente se extrajeron de imágenes de eco de gradiente estropeadas de resonancia magnética de PC 2D resueltas en el tiempo (\(1.5\times 1.5\times 8 \;\text{mm}^{3}\), 40 fotogramas/ciclo cardíaco). Las entradas estenóticas patológicas se generaron proyectando las velocidades de entrada sanas en secciones transversales reducidas (50, 75 y 90 %) de la entrada del modelo geométrico mientras se mantenía constante el caudal (Fig. S2 complementaria).

El flujo sanguíneo en la aorta se calculó utilizando las ecuaciones tridimensionales, inestables e incompresibles de Navier-Stokes (NS) en dominios móviles. La sangre se supuso newtoniana e incompresible con densidad \(\rho =1060 \;\text{kg}/\text{m}^{3}\) y viscosidad cinemática \(\mu =3.5{e}^{-3} \;\text{Pa}\,\text{s}\)55. En nuestro trabajo, las ecuaciones NS se resolvieron utilizando un modelo de simulación de remolinos grandes (LES) en el marco arbitrario Lagrangiano-Euleriano (ALE) tal como se implementó en OpenFOAM® v180649. El esquema de subcuadrícula seleccionado fue el modelo de escala de subcuadrícula (SGS) de viscosidad de remolino local de adaptación a la pared (WALE)51,52 y se utilizó la función de pared de Spalding56. Se utilizaron diferencias centrales de segundo orden y esquemas de Euler hacia atrás para la discretización espacial y temporal. Se utilizó un paso de tiempo adaptativo para reducir los tiempos de simulación; en el pico de producción turbulenta el paso de tiempo osciló entre 25 y 100 μs según el grado de estenosis7,34 (fig. 1b). Las simulaciones se ejecutaron en un clúster de alto rendimiento del Centro Nacional de Supercomputación de Suiza (CSCS). En promedio, se requirieron 6 horas de reloj de pared por ciclo cardíaco usando 48 núcleos (300 horas de CPU) para una simulación de estenosis aórtica moderada.

La matriz de covarianza \(Cov({\varvec{u}})\) de \(N\) medidas de un vector de velocidad variable en el tiempo \({\varvec{u}}=({{\varvec{u}}} _{1},{{\varvec{u}}}_{2},\ldots,{{\varvec{u}}}_{{\varvec{N}}})\in {\mathbb{R} }^{3\veces N}\) se define como:

donde \(\bar{\blacksquare}\) es el operador promedio, \({{\varvec{u}}}^{\boldsymbol{^{\prime}}}={\varvec{u}}-\overline {{\varvec{u}} }\) son las fluctuaciones de velocidad sobre la velocidad media \(\overline{{\varvec{u}} }\) , \({{\varvec{u}}}^{\boldsymbol {{\prime}}}{{{\varvec{u}}}^{\boldsymbol{{\prime}}}}^{{\varvec{T}}}={{\varvec{u}}}^ {\boldsymbol{{\prime}}} \otimes {\boldsymbol{ }{\varvec{u}}}^{\boldsymbol{{\prime}}}\) define un producto externo, y \({\varvec{ R}}\in {\mathbb{R}}^{3\times 3}\) es el tensor de tensión de Reynolds. En el caso del flujo pulsátil, las \(N\) medidas \(\left({{\varvec{u}}}_{1},{{\varvec{u}}}_{2},\dots , {{\varvec{u}}}_{{\varvec{N}}}\right)\) se adquieren al mismo tiempo \({t}_{0}\) del ciclo, sobre \(N\ ) ciclos. Debido a la codificación de banda limitada y los tiempos de lectura finitos en MRI, las mediciones de flujo no son instantáneas, sino que incluyen información de flujo durante duraciones finitas. Para modelar esta condición, se realizan mediciones de \(\overline{{\varvec{u}} }\) y \({\varvec{R}}\) en una ventana temporal \(\Delta t\) alrededor de \( {t}_{0}\), donde \(\Delta t\) corresponde a la duración promedio temporal modelada de la adquisición.

La señal de MR \({S}^{*}\), suponiendo una distribución de velocidad intra-vóxel gaussiana (IVSD) de varianza \({\sigma }_{{k}_{v}}\) lee (Fig. 1d ):

donde \({{\varvec{k}}}_{{\varvec{v}},{\varvec{i}}}={{k}_{v,i}{\overrightarrow{{\varvec{e }}}}_{i}=\left[{k}_{vx},{k}_{vy},{k}_{vz}\right]}_{i}\in {\mathbb{R }}^{1\times 3}\) representa la sensibilidad del flujo a lo largo de la dirección \({i}{\mathrm{th}}\) con la frecuencia de velocidad de codificación \({k}_{v,i}=\pi / [\mathrm{VEN}{\mathrm{C}]}_{i}.\) \(\eta \propto \mathrm{SNR}\) es un ruido gaussiano complejo con media cero y desviación estándar \({\sigma } _{\eta}={\left|{\overline{S} }_{ROI}\right|\cdot \left(\mathrm{SNR}\right)}^{-1}\) con \({\ overline{S} }_{ROI}\) siendo la señal media libre de ruido en la región de interés, definida como el dominio fluido completo para todas las simulaciones. \({S}_{0}\) es la señal de referencia normalizada sin codificación de velocidad que en este trabajo se modela como:

donde \({\overline{{\varvec{u}}} }_{{\varvec{\Delta}}}\) es el campo de velocidad en la resolución de señal de RM seleccionada. El término \({\sigma }_{{k}_{v},i}^{2}{\left|{{\varvec{k}}}_{{\varvec{v}},{\varvec {i}}}\right|}^{2}\) se puede expresar como \({{\rho }^{-1}{\varvec{k}}}_{{\varvec{v}},{ \varvec{i}}}{{\varvec{R}}}_{{\varvec{\Delta}}}^{{\varvec{t}}}{{{\varvec{k}}}_{{ \varvec{v}},{\varvec{i}}}}^{\mathrm{T}}\) donde \({{\varvec{R}}}_{{\varvec{\Delta}}}^ {{\varvec{t}}}\) es el tensor de tensión de Reynolds en la resolución de RM seleccionada \({\Delta }_{\mathrm{L}}\). Tanto \({{\varvec{R}}}_{{\varvec{\Delta}}}^{{\varvec{t}}}\) como \({\overline{{\varvec{u}}} }_{{\varvec{\Delta}}}\) se obtienen proyectando primero los valores calculados de las simulaciones CFD en una cuadrícula regular \(({n}_{x}\times {n}_{y}\times {n}_{z})\) con tamaño de vóxel isotrópico \(L=0.65\;\text{mm}\). Posteriormente, los campos se reducen a la resolución de MR prescrita, \({\Delta }_{\mathrm{L}}\), mediante apodización con una función de transferencia modular gaussiana truncada (MTF) 3D \(\omega\) con desviación estándar \({\sigma }_{G}=\sqrt{8\mathrm{ln}2}L/{\Delta }_{\mathrm{L}}\). La ventana de truncamiento es un cuadro con ancho \(w\propto L/{\Delta }_{\mathrm{L}}\), tal que la MTF gaussiana se trunca en una amplitud de 0,5 a lo largo de cada dirección cartesiana principal. El RST submuestreado \({{\varvec{R}}}_{{\varvec{\Delta}}}^{{\varvec{t}}}\) y la velocidad \({\overline{{\varvec{u }}} }_{{\varvec{\Delta}}}\) se definen entonces como (Fig. 1c.1 y c.2):

donde \(\mathcal{F}\) es el operador de Fourier y \(\circ\) es el operador de apodización. El ruido sintético se definió para las geometrías idealizadas (Figs. 2, 3 y 4) como una función del volumen de vóxel \(V\) y el promedio temporal de la señal \(\Delta t\) (análogo al tiempo de repetición \(TR\ ) asumiendo que la señal se adquiere continuamente durante este tiempo) como \(\mathrm{SNR}=\alpha V\sqrt{\Delta t}\), donde \(\alpha =1.68\) es un factor de escala diseñado para obtener \ (SNR=30\) para \(V=2\times 2\times 2 \;\text{mm}^{3}\) y \(\Delta t=5\;\text{ms}\).

El RST se puede determinar codificando a lo largo de seis direcciones no colineales y resolviendo un sistema de ecuaciones lineales. Para seis mediciones a lo largo de seis direcciones de codificación de velocidad diferentes \(\left\{i \right| i\in {\mathbb{Z}},1\le i\le 6\}\), \({\sigma }_{ {k}_{v},i}\) se obtiene de la relación entre \({S}^{*}\left({{\varvec{k}}}_{{\varvec{v}},{ \varvec{i}}}\right)\) y \({S}^{*}\left(0\right)\) como:

donde \({{\varvec{R}}}^{\boldsymbol{*}}\) es el RST estimado. Reescribiendo la Ec. (6), se obtiene el siguiente sistema de ecuaciones lineales:

donde \({{\varvec{\sigma}}}_{{{\varvec{k}}}_{{\varvec{v}}}}\) \(\in {\mathbb{R}}^{ 6\times 1}\) es el vector IVSD, \({{\varvec{H}}}_{{\varvec{i}}}\left({{\varvec{k}}}_{{\varvec {v}},{\varvec{i}}},\rho \right)\) es la fila \({i}{\mathrm{th}}\) de \({\varvec{H}}\left ({{\varvec{k}}}_{{\varvec{v}}},\rho \right)\) \(\in {\mathbb{R}}^{6\times 6}\), una matriz de transformación que depende de \({{\varvec{k}}}_{{\varvec{v}}}\in {\mathbb{R}}^{6\times 3}\) y \(\rho\ ), y \({{\varvec{r}}}^{\boldsymbol{*}}\) \(\in {\mathbb{R}}^{6\times 1}\) es la representación vectorial de la tensor RST simétrico \({{\varvec{R}}}^{\boldsymbol{*}}\). La matriz de codificación \({{\varvec{k}}}_{{\varvec{v}}}\) se diseñó para la codificación ortogonal35,57 en este estudio, pero se puede modificar para cualquier otro esquema de codificación. Los elementos del RST se pueden calcular en forma de vóxel usando el pseudoinverso (Fig. 1f):

El vector RST simétrico \({{\varvec{r}}}^{\boldsymbol{*}}\) se puede reformular en su representación tensorial \({{\varvec{R}}}^{\boldsymbol{*} }\in {\mathbb{R}}^{3\times 3}\). Los elementos a lo largo de la diagonal representan variaciones de fluctuación de velocidad, mientras que los elementos fuera de la diagonal representan covarianzas. La energía cinética turbulenta en [J/m3] se define entonces como:

donde \(\mathrm{Tr}\left({{\varvec{R}}}^{\boldsymbol{*}}\right)\) es la traza del RST. TKE total en [mJ] se refiere a la integración volumétrica de TKE en una región de interés.

Los esquemas de codificación redundantes proporcionan información adicional para la estimación de las velocidades medias. Las velocidades codificadas en las seis direcciones están definidas por \({\mathop{\varvec{\nu}}\limits^{\smile}}=\mathrm{arg}\left({S}^{*}\left( {{\varvec{k}}}_{{\varvec{v}},{\varvec{i}}}\right)\right)\in {\mathbb{R}}^{6\times 1}\ ) y se puede escribir como:

donde \({{\varvec{K}}}_{{\varvec{i}}}\left({{\varvec{k}}}_{{\varvec{v}},{\varvec{i} }}\right)\) es la fila \({i}{\mathrm{th}}\) de \({\varvec{K}}\left({{\varvec{k}}}_{{\ varvec{v}}}\right)\in {\mathbb{R}}^{6\times 3}\), el tensor de codificación normalizado y \({{\varvec{u}}}^{\boldsymbol{* }}\in {\mathbb{R}}^{3\times 1}\) es el vector de velocidad cartesiano. La pseudo-inversa (Fig. 1f) proporciona una solución a este sistema sobredeterminado de ecuaciones lineales:

A partir del vector de velocidad cartesiano \({{\varvec{u}}}^{\boldsymbol{*}}\), la energía cinética (EC) en [J/m3] se define como:

KE total en [mJ] se refiere a la integración volumétrica de KE en una región de interés.

La estimación de la turbulencia muestra una alta sensibilidad dentro de un rango limitado de valores IVSD dictados por la elección de la codificación de velocidad (VENC) y, respectivamente, la fuerza de codificación \({k}_{v}=\pi /\mathrm{VENC}\). Esto sugiere que las adquisiciones de VENC individuales están limitadas en su capacidad para sondear la rica variedad de IVSD esperados en los flujos aórticos patológicos12. Para mitigar este efecto, se utilizó un enfoque multipunto para sondear los campos de velocidad y turbulencia utilizando codificación ortogonal con tres intensidades de codificación diferentes35 (Tabla complementaria S1). Para cada dirección de codificación, las adquisiciones en diferentes intensidades de codificación se combinaron mediante el desdoblamiento multipunto bayesiano12 para generar un conjunto de velocidades direccionales \({\mahop{\nu}\limits^{\smile}}_{i}\) y IVSD \ ({\sigma }_{{k}_{v} \cdot i}\) que luego se convirtieron a velocidades y RST usando las ecuaciones. (8 y 11).

Nuestro código Python para la síntesis de resonancia magnética de flujo 4D y la reconstrucción bayesiana está disponible públicamente (https://gitlab.ethz.ch/ibt-cmr-public/4dflowmrilysis), acompañado de datos de demostración correspondientes a la geometría idealizada con flujo pulsátil que se presenta en la Fig. 3b).

Dweck, MR, Boon, NA y Newby, DE Estenosis aórtica calcificada. Mermelada. Col. Cardiol. 60, 1854–1863 (2012).

Artículo PubMed Google Académico

Thoenes, M. et al. Detección de pacientes para la detección temprana de estenosis aórtica (EA): revisión de la práctica actual y perspectivas futuras. J. Thorac. Dis. 10, 5584–5594 (2018).

Artículo PubMed PubMed Central Google Académico

Saitta, S. et al. Evaluación de la evaluación de la presión no invasiva basada en resonancia magnética de flujo 4D en coartación aórtica. J. Biomech. 94, 13–21 (2019).

Artículo PubMed Google Académico

Feneis, JF et al. Cuantificación de la insuficiencia mitral y tricuspídea mediante resonancia magnética de flujo 4D: reproducibilidad y consistencia en relación con la resonancia magnética convencional. J. magn. resonancia Imágenes 48, 1147–1158 (2018).

Artículo PubMed PubMed Central Google Académico

Garcia, J., Barker, AJ & Markl, M. El papel de las imágenes de los patrones de flujo mediante resonancia magnética de flujo 4D en la estenosis aórtica. JACC Cardiovascular. Imágenes 12, 252–266 (2019).

Artículo PubMed Google Académico

Dyverfeldt, P., Hope, MD, Tseng, EE y Saloner, D. Medición de resonancia magnética de la energía cinética turbulenta para la estimación de la pérdida de presión irreversible en la estenosis aórtica. JACC Cardiovascular. Imágenes 6, 64–71 (2013).

Artículo PubMed PubMed Central Google Académico

Ha, H. et al. Estimación de la caída de presión irreversible a través de una estenosis mediante la cuantificación de la producción de turbulencias utilizando 4D Flow MRI. ciencia Rep. 7, 1–14 (2017).

Artículo ANUNCIOS Google Académico

Marlevi, D. et al. Estimación no invasiva de la presión relativa en flujo turbulento utilizando trabajo-energía virtual. Medicina. Anal de imagen. 60, 101627 (2020).

Artículo PubMed Google Académico

Binter, C. et al. La energía cinética turbulenta evaluada mediante imágenes de resonancia magnética de flujo cuatridimensional multipunto proporciona información adicional relativa a la ecocardiografía para determinar la gravedad de la estenosis aórtica. Circ. Cardiovasc. Imágenes 10, e005486 (2017).

Artículo PubMed Google Académico

Zhuang, B., Sirajuddin, A., Zhao, S. & Lu, M. El papel de la resonancia magnética de flujo 4D para aplicaciones clínicas en enfermedades cardiovasculares: estado actual y perspectivas futuras. cuant. Imagenología Med. Cirugía 11, 4193–4210 (2021).

Artículo PubMed PubMed Central Google Académico

Markl, M., Frydrychowicz, A., Kozerke, S., Hope, M. y Wieben, O. RM de flujo 4D. J. magn. resonancia Imágenes 36, 1015–1036 (2012).

Artículo PubMed Google Académico

Binter, C., Knobloch, V., Manka, R., Sigfridsson, A. y Kozerke, S. Codificación de velocidad multipunto bayesiana para mapeo de turbulencia y flujo concurrente. Magn. resonancia Medicina. 69, 1337-1345 (2013).

Artículo PubMed Google Académico

Ma, LE et al. Resonancia magnética de flujo aórtico 4D en 2 minutos con detección comprimida, reordenamiento del espacio k adaptativo controlado por respiración y reconstrucción en línea. Magn. resonancia Medicina. 81, 3675–3690 (2019).

Artículo PubMed PubMed Central Google Académico

Wiesemann, S. et al. Impacto del tipo de secuencia y la intensidad del campo (1,5, 3 y 7T) en los parámetros aórticos hemodinámicos de resonancia magnética de flujo 4D en voluntarios sanos. Magn. resonancia Medicina. 85, 721–733 (2021).

Artículo PubMed Google Académico

Vishnevskiy, V., Walheim, J. & Kozerke, S. Red variacional profunda para la reconstrucción rápida de resonancia magnética de flujo 4D. Nat. Mach. Intel. 2, 228–235 (2020).

Artículo Google Académico

Lundervold, AS & Lundervold, A. Una descripción general del aprendizaje profundo en imágenes médicas centrándose en la resonancia magnética. Z.Med. física 29, 102–127 (2019).

Artículo PubMed Google Académico

Leiner, T. et al. Machine learning en resonancia magnética cardiovascular: conceptos básicos y aplicaciones. J. Cardiovasc. Magn. resonancia 21, 61 (2019).

Artículo PubMed PubMed Central Google Académico

Berhane, H. et al. Segmentación aórtica 3D totalmente automatizada de resonancia magnética de flujo 4D para análisis hemodinámico mediante aprendizaje profundo. Magn. resonancia Medicina. 84, 2204–2218 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Bratt, A. et al. Segmentación derivada del aprendizaje automático de la resonancia magnética cardiovascular codificada por velocidad de fase para la cuantificación del flujo aórtico totalmente automatizada. J. Cardiovasc. Magn. resonancia 21, 1 (2019).

Artículo PubMed PubMed Central Google Académico

Papas fritas, JA et al. Clasificación débilmente supervisada de malformaciones de la válvula aórtica utilizando secuencias de resonancia magnética cardíaca no etiquetadas. Nat. común 10, 3111 (2019).

Artículo ADS PubMed PubMed Central Google Scholar

Ferdian, E. et al. 4DFlowNet: IRM de flujo 4D de superresolución que utiliza aprendizaje profundo y dinámica de fluidos computacional. Frente. física 8, (2020).

Ravi, D. et al. Aprendizaje profundo para la informática de la salud. IEEE J. Biomédica. Sanar. Informar. 21, 4–21 (2017).

Artículo Google Académico

Shin, H.-C. et al. Síntesis de imágenes médicas para el aumento y la anonimización de datos mediante redes antagónicas generativas, 1–11 (2018) https://doi.org/10.1007/978-3-030-00536-8_1.

Duchateau, N., Sermesant, M., Delingette, H. & Ayache, N. Generación basada en modelos de grandes bases de datos de imágenes cardíacas: síntesis de secuencias patológicas de cine MR de casos reales sanos. Trans. IEEE. Medicina. Imágenes 37, 755–766 (2018).

Artículo PubMed Google Académico

Leuprecht, A., Perktold, K., Kozerke, S. & Boesiger, P. Estudio combinado de CFD y MRI del flujo sanguíneo en un modelo de aorta ascendente humana. Biorreología 39, 425–429 (2002).

PubMed MATEMÁTICAS Google Académico

Miyazaki, S. et al. Validación de métodos de simulación numérica en arco aórtico mediante resonancia magnética 4D Flow. Vasos del corazón 32, 1032–1044 (2017).

Artículo PubMed Google Académico

Romarowski, RM, Lefieux, A., Morganti, S., Veneziani, A. y Auricchio, F. Modelado CFD específico del paciente en la aorta torácica con condiciones de contorno basadas en PC-MRI: un enfoque Windkessel de tres elementos por mínimos cuadrados . En t. J. Número. Método. biomedicina Ing. 34, 1–21 (2018).

Artículo Google Académico

Bakhshinejad, A. et al. Fusión de la dinámica de fluidos computacional y 4D Flow MRI utilizando la descomposición ortogonal adecuada y la regresión de crestas. J. Biomech. 58, 162–173 (2017).

Artículo PubMed PubMed Central Google Académico

Toger, J. et al. Imágenes de flujo sanguíneo mediante la combinación óptima de dinámica de fluidos computacional con datos de flujo 4D. Magn. resonancia Medicina. 84, 2231–2245 (2020).

Artículo PubMed Google Académico

Petersson, S., Dyverfeldt, P., Gårdhagen, R., Karlsson, M. & Ebbers, T. Simulación de resonancia magnética de contraste de fase de flujo turbulento. Magn. Razón. Con. 64, 1039–1046 (2010).

Artículo PubMed Google Académico

Puiseux, T., Sewonu, A., Moreno, R., Mendez, S. & Nicoud, F. Simulación numérica de imágenes de resonancia magnética de contraste de fase 3D resueltas en el tiempo. PLoS ONE 16, e0248816 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Steinman, DA, Ethier, CR & Rutt, BK Análisis combinado de artefactos de desplazamiento espacial y de velocidad en mediciones de contraste de fase de flujos complejos. J. magn. resonancia Imágenes 7, 339–346 (1997).

Artículo CAS PubMed Google Académico

Ha, H. et al. Estimación de la energía cinética turbulenta mediante resonancia magnética de contraste de fase 4D: efecto de los parámetros de exploración y el tamaño del vaso objetivo. Magn. resonancia Imágenes 34, 715–723 (2016).

Artículo PubMed Google Académico

Ha, H. et al. Evaluación del estrés viscoso turbulento utilizando ICOSA 4D Flow MRI para la predicción del daño sanguíneo hemodinámico. ciencia Rep. 6, 1–14 (2016).

Artículo Google Académico

Walheim, J., Dillinger, H., Gotschy, A. & Kozerke, S. Resonancia magnética de tensor de flujo 5D para mapear de manera eficiente las tensiones de Reynolds del flujo sanguíneo aórtico in vivo. ciencia Rep. 9, 1–12 (2019).

Artículo ANUNCIOS Google Académico

Binter, C., Gülan, U., Holzner, M. y Kozerke, S. Sobre la precisión de la cuantificación de pérdidas viscosas y turbulentas en el flujo aórtico estenótico mediante resonancia magnética de contraste de fase. Magn. resonancia Medicina. 76, 191–196 (2016).

Artículo PubMed Google Académico

Buoso, S. & Palacios, R. Aerodinámica bajo demanda en membranas accionadas integralmente con control de retroalimentación. AIAA J. 55, 377–388 (2017).

Artículo ANUNCIOS Google Académico

Buoso, S., Dickinson, BT & Palacios, R. Alas de membrana accionadas integralmente inspiradas en murciélagos con detección de vanguardia. Bioinspir. Biomim. 13, 016013 (2017).

Artículo ADS PubMed Google Scholar

Buoso, S. & Palacios, R. Modelado electroaeromecánico de alas de membrana actuadas. J. Estructura de fluidos. 58, 188–202 (2015).

Artículo ANUNCIOS Google Académico

Buoso, S. & Palacios, R. Efectos viscoelásticos en la aeromecánica de alas accionadas de membrana elastomérica. J. Estructura de fluidos. 63, 40–56 (2016).

Artículo ANUNCIOS Google Académico

Buoso, S., Joyce, T. y Kozerke, S. Personalización de modelos biofísicos del corazón del ventrículo izquierdo mediante redes neuronales informadas por la física paramétrica. Medicina. Anal de imagen. 71, 102066 (2021).

Artículo PubMed Google Académico

Dillinger, H., McGrath, C., Guenthner, C. y Kozerke, S. Fundamentos de las imágenes de espectro de flujo turbulento. Magn. resonancia Medicina. https://doi.org/10.1002/mrm.29001 (2021).

Artículo PubMed PubMed Central Google Académico

Nannini, G. et al. Evaluación de la hemodinámica aórtica antes y después de la reconstrucción con preservación de la válvula: un modelo FSI 4D basado en el flujo específico del paciente. computar Biol. Medicina. 135, 104581 (2021).

Artículo PubMed Google Académico

Roldán-Alzate, A. et al. Estudio hemodinámico del TCPC mediante RM 4D Flow in vivo e in vitro y simulación numérica. J. Biomech. 48, 1325–1330 (2015).

Artículo PubMed PubMed Central Google Académico

Varghese, SS, Frankel, SH & Fischer, PF Simulación numérica directa de flujos estenóticos. Parte 1. Flujo constante. J. Mecánica de fluidos. 582, 253–280 (2007).

Artículo ADS MathSciNet MATH Google Scholar

Varghese, SS, Frankel, SH & Fischer, PF Simulación numérica directa de flujos estenóticos. Parte 2. Flujo pulsátil. J. Mecánica de fluidos. 582, 281–318 (2007).

Artículo ADS MathSciNet MATH Google Scholar

Tan, FPP, Wood, NB, Tabor, G. & Xu, XY Comparación de les de flujo de transición constante en un modelo de arteria axisimétrica estenosada idealizado con un modelo de transición RANS. J. Biomech. Ing. 133, 1–12 (2011).

Artículo Google Académico

Varghese, SS, Frankel, SH & Fischer, PF Modelado de transición a turbulencia en flujos estenóticos excéntricos. J. Biomech. Ing. 130, 1–7 (2008).

Artículo Google Académico

Fundación OpenFOAM Inc. OpenFOAM v1806. https://www.openfoam.com/ (2018).

Liu, X. et al. Un estudio numérico sobre el flujo de sangre y el transporte de LDL en la aorta humana: El significado fisiológico del flujo helicoidal en el arco aórtico. Soy. J. Physiol. Circo del corazón. Fisiol. 297, 163–170 (2009).

Artículo ANUNCIOS Google Académico

Andersson, M., Lantz, J., Ebbers, T. y Karlsson, M. Evaluación cuantitativa de la turbulencia y la excentricidad del flujo en una coartación aórtica: impacto de las intervenciones virtuales. Cardiovasc. Ing. Tecnología 6, 281–293 (2015).

Artículo PubMed Google Académico

Manchester, EL et al. Análisis de los efectos de la turbulencia en una aorta específica de un paciente con estenosis de la válvula aórtica. Cardiovasc. Ing. Tecnología 12, 438–453 (2021).

Artículo PubMed PubMed Central Google Académico

Pirola, S. et al. Estudio computacional de la hemodinámica aórtica para pacientes con una válvula aórtica anormal: La importancia del flujo secundario en la entrada de la aorta ascendente. APL Bioing. 2, 026101 (2018).

Artículo CAS PubMed PubMed Central Google Scholar

Stalder, AF y col. Evaluación de las inestabilidades del flujo en la aorta sana mediante resonancia magnética sensible al flujo. J. magn. resonancia Imágenes 33, 839–846 (2011).

Artículo PubMed Google Académico

Buoso, S. et al. Modelado de orden reducido del flujo sanguíneo para la evaluación funcional no invasiva de la enfermedad arterial coronaria. Biomecánica. Modelo. Mecanobiol. 18, 1867–1881 (2019).

Artículo PubMed Google Académico

Spalding, DB Una fórmula única para la "ley del muro". Aplicación J. mecánico Trans. ASME 28, 455–458 (1960).

Artículo MATEMÁTICAS Google Académico

Hasan, KM, Parker, DL y Alexander, AL Comparación de esquemas de codificación de gradiente para resonancia magnética de tensor de difusión. J. magn. resonancia Imágenes 13, 769–780 (2001).

Artículo CAS PubMed Google Académico

Descargar referencias

Este trabajo fue apoyado por fondos de la Swiss National Science Foundation (SNSF), subvención CR23I3_166485. Se reconoce al Centro Nacional de Supercomputación de Suiza (CSCS) por proporcionar recursos computacionales.

Instituto de Ingeniería Biomédica, Universidad y ETH Zurich, Zurich, Suiza

Pietro Dirix, Stefano Buoso, Eva S. Peper y Sebastian Kozerke

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

PD, SB y SK diseñaron el estudio y discutieron los resultados; PD y SB desarrollaron el marco de simulación; EP adquirió los escaneos in vivo; Todos los autores participaron en la revisión del manuscrito y leyeron y aprobaron el manuscrito final.

Correspondencia a Pietro Dirix.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Vídeo complementario 1.

Vídeo complementario 2.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Dirix, P., Buoso, S., Peper, ES et al. Síntesis de datos de IRM de flujo 4D multipunto específicos del paciente del flujo aórtico turbulento aguas abajo de las válvulas estenóticas. Informe científico 12, 16004 (2022). https://doi.org/10.1038/s41598-022-20121-x

Descargar cita

Recibido: 23 junio 2022

Aceptado: 08 septiembre 2022

Publicado: 26 septiembre 2022

DOI: https://doi.org/10.1038/s41598-022-20121-x

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.