Blog

Sep 21, 2023

Synthèse du patient

Rapports scientifiques volume 12,

Rapports scientifiques volume 12, Numéro d'article : 16004 (2022) Citer cet article

1228 accès

1 Citations

1 Altmétrique

Détails des métriques

Nous proposons de synthétiser des ensembles de données d'IRM de flux 4D spécifiques au patient d'un flux turbulent associés à des données de flux de vérité au sol pour soutenir la formation des méthodes d'inférence. Le flux sanguin turbulent est calculé sur la base des équations de Navier-Stokes avec des domaines mobiles en utilisant des conditions aux limites réalistes pour les formes aortiques, les déplacements des parois et les vitesses d'entrée obtenues à partir des données des patients. À partir du flux simulé, des données synthétiques d'IRM de flux 4D multipoints sont générées avec des résolutions spatio-temporelles définies par l'utilisateur et reconstruites avec une approche bayésienne pour calculer des cartes de vitesse et de turbulence variant dans le temps. Pour la synthèse des données IRM, un budget de temps de balayage hypothétique fixe est supposé et, par conséquent, les modifications de la résolution spatiale et de la moyenne temporelle entraînent une mise à l'échelle correspondante des rapports signal sur bruit (SNR). Dans ce travail, nous nous sommes concentrés sur le flux sténosé aortique et la quantification de l'énergie cinétique turbulente (TKE). Nos résultats montrent que pour des résolutions spatiales de 1,5 et 2,5 mm et une moyenne temporelle de 5 ms rencontrées en IRM en flux 4D dans la pratique, l'énergie cinétique turbulente totale maximale en aval d'une sténose de 50, 75 et 90 % est surestimée jusqu'à 23, 15 et 14 % (1,5 mm) et 38, 24 et 23 % (2,5 mm), démontrant l'importance de la vérité terrain et Données d'IRM en flux 4D pour évaluer l'exactitude et la précision de l'inférence d'écoulement turbulent à l'aide d'examens IRM en flux 4D.

La sténose aortique (SA) est une affection courante associée à une morbidité et une mortalité élevées1,2. La détection et le traitement précoces de la SA sont associés à des taux de mortalité plus faibles, mais la classification correcte de la gravité de la maladie reste un défi2. Étant donné que les pathologies cardiovasculaires sont généralement associées à des schémas de flux anormaux3,4,5 et à des pertes de pression irréversibles6,7,8,9,10, l'analyse des champs de flux aortique est considérée comme un élément important pour la stratification des risques et la planification personnalisée des interventions cliniques.

La résonance magnétique cardiovasculaire (CMR), et en particulier l'IRM à contraste de phase (PC), a permis de mesurer les schémas de débit volumétrique résolus dans le temps (IRM en flux 4D)11 dans la recherche et en milieu clinique. Malgré les progrès récents dans la conception de séquences12,13,14 et les méthodes de reconstruction d'image15, les données sont limitées par la résolution spatio-temporelle et les artefacts. Par conséquent, le développement de modèles robustes et réalistes pour l'analyse des ensembles de données d'IRM en flux 4D est une étape fondamentale pour permettre de prédire l'exactitude et la précision de ces mesures dans la recherche et la routine clinique.

Les méthodes d'apprentissage en profondeur (DL) sont particulièrement adaptées pour découvrir des modèles complexes dans de grands ensembles de données16,17, ce qui en fait des candidats idéaux pour déduire les paramètres de flux et les modèles contenus dans des examens IRM de flux 4D hautement dimensionnels et complexes. Des travaux récents sur la reconstruction d'images15, la segmentation18,19, la classification20 et la super-résolution de flux21 ont démontré le potentiel des algorithmes DL. Berhane et al.18 et Bratt et al.19 ont utilisé des algorithmes de segmentation entièrement automatisés formés sur des ensembles de données d'IRM en flux ciné 2D et 4D étiquetés manuellement pour accélérer les mesures de débit et de diamètre dans l'aorte. Cependant, la rareté des ensembles de données de formation étiquetés de haute qualité22 entrave efficacement la mise en œuvre d'approches d'inférence basées sur DL pour l'IRM de flux 4D. Fries et al.20 ont allégé le fardeau d'obtenir des ensembles de données étiquetés manuellement en développant un modèle DL faiblement supervisé pour la classification des malformations de la valve aortique sur la base d'un petit nombre d'analyses annotées manuellement. D'autres travaux ont démontré la viabilité d'augmenter les ensembles de données cliniques à l'aide d'images synthétiques23,24, car la formation des machines d'inférence est considérablement compromise par le nombre limité et les distributions potentiellement biaisées de données de vérité terrain et d'imagerie appariées. En général, cependant, l'incorporation d'ensembles de données étiquetés manuellement ainsi que les incertitudes inhérentes aux mesures IRM conduisent à des données de « vérité terrain » biaisées et imparfaites. Cela suggère que l'exactitude et la précision intrinsèques des méthodes développées à l'aide de tels ensembles de données de formation ne peuvent pas être évaluées et que seules des mesures approximatives peuvent être dérivées à l'aide d'expériences in situ et in vitro5.

L'écoulement de liquide peut être obtenu en simulant l'hémodynamique dans des formes aortiques réalistes25,26,27. Le signal MR correspondant est dérivé en simulant le processus d'acquisition en utilisant les données simulées comme entrée, créant efficacement des paires de vérité terrain et d'images MR fiables21,28,29. Dans Ferdian et al.21, des champs d'écoulement synthétiques sous-échantillonnés ont été dérivés de données générées par la dynamique des fluides computationnelle (CFD) et utilisés pour former un algorithme de super-résolution capable d'estimer des caractéristiques d'écoulement à haute résolution à partir de données à basse résolution. L'inférence était limitée aux champs de vitesse et la turbulence n'était pas incorporée. Une approche plus réaliste consiste à utiliser les données de CFD pour calculer les trajectoires de points matériels individuels tandis que leur aimantation à valeurs complexes et le signal IRM correspondant peuvent être évalués en résolvant les équations de Bloch dans le cadre de référence lagrangien30,31. Une telle méthode peut être utilisée pour évaluer des séquences IRM spécifiques tout en tenant compte de manière inhérente des artefacts de déplacement et de déphasage induits par le flux32. Cependant, afin d'estimer avec précision les signaux IRM pour les écoulements turbulents, un grand nombre de points matériels doivent être suivis, ce qui rend ces simulations coûteuses en calcul. Alternativement, des images IRM synthétiques peuvent être obtenues à l'aide d'une équation modèle pour le signal, qui inclut directement les données de vitesse et de turbulence ponctuelles de CFD, réduisant considérablement le coût de calcul33,34.

La présence de régimes de flux transitoires ou turbulents en aval des sténoses aortiques5 suggère que les simulations incluant la modélisation de la turbulence sont une étape importante vers une modélisation précise des flux aortiques pathologiques. Cependant, à notre connaissance, la synthèse des données d'IRM en flux 4D à l'aide de simulations d'écoulement turbulent dans des formes aortiques mobiles réalistes et d'encodage du signal de l'amplitude de la vitesse, de la phase et de l'écart type intra-voxel (IVSD) n'a pas été réalisée jusqu'à présent.

Dans ce travail, nous proposons un cadre pour synthétiser des ensembles de données d'IRM de flux 4D de flux turbulent dans l'aorte avec des parois mobiles. Les champs de vitesse et de turbulence de vérité au sol, calculés avec CFD, sont entrés pour générer des signaux MR multipoints à une résolution réaliste, suivis d'une reconstruction d'image bayésienne pour produire des cartes de vitesse et de turbulence. La méthode est utilisée avec un flux constant et pulsatile dans des géométries sténosées idéalisées pour étudier l'impact de l'interaction du rapport signal sur bruit (SNR), de la résolution spatiale et de la moyenne temporelle sur la précision de mesure et la précision de l'énergie cinétique turbulente (TKE). Successivement, des données d'IRM de flux aortique 4D spécifiques au patient sont générées avec différents degrés de sténose aortique pour signaler les erreurs par rapport à la vérité terrain pour un SNR et des résolutions réalistes.

La figure 1 illustre le pipeline global pour la génération de données synthétiques d'IRM de flux 4D. L'IRM ciné 2D et les données PC-IRM 2D résolues dans le temps sont utilisées pour extraire les géométries aortiques mobiles transitoires et les profils de vitesse d'entrée correspondants (Fig. 1a). Une approche CFD de simulation de grandes turbulences (LES) avec des frontières mobiles est utilisée pour simuler un écoulement turbulent (Fig. 1b). Par la suite, les signaux IRM multipoints sont synthétisés à l'aide de modèles de signaux dédiés (Fig. 1c, d) suivis d'une reconstruction à l'aide d'une approche bayésienne (Fig. 1e). Enfin, les données de vitesse et d'écart type intra-voxel sont projetées sur des coordonnées cartésiennes pour produire la vitesse, le tenseur de contrainte de Reynolds (RST) et les cartes TKE (Fig. 1f). Dans ce travail, des formes idéalisées et réalistes sont utilisées. Les premiers permettent de définir des cas de contrôle pour étudier l'effet de l'interaction du SNR, de la résolution et de la moyenne temporelle pour un budget de temps d'analyse donné, tandis que les seconds illustrent l'utilité de la méthode pour des études spécifiques au patient.

Pipeline pour la génération d'ensembles de données synthétiques d'IRM à flux pulsatile moyen et turbulent 4D spécifiques au patient. (a) Segmentation spécifique au patient et génération de maillage. (b) Simulation CFD aux grandes échelles pour obtenir la vitesse moyenne \(\overline{u }\) et le tenseur de cisaillement de Reynolds \(R\). (c) Projection à bande limitée de la vitesse (\({\overline{u} }_{\Delta }\)) et du tenseur de contrainte de Reynolds (\({R}_{\Delta }\)) dans le domaine des fréquences spatiales (k-space) lors de la transformée de Fourier \(\mathcal{F}\). (d) Modèle de signal pour générer un signal IRM, S, pour un vecteur de codage de vitesse donné, \({{\varvec{k}}}_{{\varvec{v}}}\), densité de fluide, \(\rho\) et bruit gaussien blanc à valeur complexe, \(\eta\). (e) Reconstruction bayésienne des vitesses moyennes de voxel, \(\nu\), et des variances et covariances intra-voxel, \({\sigma }^{2},\) et (f) leur projection sur des coordonnées cartésiennes en utilisant une approche de solution des moindres carrés pour obtenir le vecteur de vitesse moyenne \(U\) et le tenseur de contrainte de Reynolds \(R\).

Sur la figure 2, l'effet de la résolution spatiale et de la moyenne temporelle sur la vitesse et la quantification TKE pour un écoulement constant est visualisé. Il convient de noter qu'un budget de temps de balayage hypothétique fixe est supposé dans toutes les expériences de synthèse IRM et donc \(\mathrm{SNR}\propto V\sqrt{\Delta t}\), où \(V\) désigne le volume de voxel et \(\Delta t\) la moyenne temporelle. Pour des tailles de voxel isotropes comprises entre 1 et 2,5 mm et un codage instantané hypothétique, l'énergie cinétique totale (KE) est sous-estimée jusqu'à 8 % tandis que la TKE totale est surestimée jusqu'à 24 % dans \({\mathrm{ROI}}_{1}\) (enveloppe de la région turbulente, Fig. 2c) et de 13 à 65 % pour \({\mathrm{ROI}}_{ 2}\) (ensemble de la géométrie, Fig. 2d). Pour des valeurs SNR comprises entre 30 et 4, la contribution du bruit au TKE total varie de 14 à 94 % pour \({\mathrm{ROI}}_{1}\).

Impact du SNR et de la résolution spatio-temporelle sur la vitesse et l'énergie cinétique turbulente pour une sténose excentrique de 75 % et un flux stable. L'amplitude de la vitesse \(\left(U\right)\) (a) et l'énergie cinétique turbulente \(\left(TKE\right)\) (b) pour différentes tailles de voxel, la moyenne temporelle et, en conséquence, les rapports signal sur bruit (SNR) sont indiqués. Le pourcentage d'erreur dans le TKE total en fonction de la résolution spatiale, de la moyenne temporelle et du SNR est indiqué en (c) et (d) pour \(RO{I}_{1}\) (enveloppe de la région turbulente) et \(RO{I}_{2}\) (géométrie entière), respectivement. Le codage instantané (Inst.) fait référence à une expérience PC-IRM hypothétique sans bruit avec une bande passante de codage à vitesse infiniment élevée.

La figure 3 montre l'effet de la résolution spatiale et de la moyenne temporelle sur la quantification TKE pour le flux pulsatile. Pour des tailles de voxels isotropes comprises entre 1 et \(2,5\;\text{mm}\), le KE total au pic de la systole est sous-estimé jusqu'à 10 % avec un codage instantané hypothétique et jusqu'à 22 % lorsque la moyenne temporelle de \(20\;\text{ms}\) est supposée. Un délai entre le pic de systole et le TKE total maximum est observé dans les données simulées. La figure 3a montre que les gradients temporels et spatiaux contribuent artificiellement jusqu'à 100 % du TKE mesuré. Cet effet est également visible dans une moindre mesure au pic de TKE sur la figure 3b, où jusqu'à 40 % de la TKE totale mesurée est erronée. Pour un codage instantané avec des tailles de voxel isotropes comprises entre 1 et \(2,5\;\text{mm}\), la TKE totale est surestimée jusqu'à 15 % et 31 % pour \({\mathrm{ROI}}_{1}\) (Fig. 3c) et \({\mathrm{ROI}}_{2}\) (Fig. 3d), respectivement. Avec une résolution de \(2,5\;\text{mm}\) et une moyenne temporelle de \(20\;\text{ms}\), la TKE totale est surestimée jusqu'à 38 % pour \({\mathrm{ROI}}_{1}\) et 58 % pour \({\mathrm{ROI}}_{2}\).

Impact du SNR et de la résolution spatio-temporelle sur l'énergie cinétique turbulente pour une sténose excentrique de 75 % et un flux pulsatile. L'énergie cinétique turbulente au pic de systole (a) et au pic total de TKE (b) est indiquée. Les erreurs en pourcentage du TKE total de pointe sont comparées en (c) et (d) pour \(RO{I}_{1}\) (enveloppe de la région turbulente) et \(RO{I}_{2}\) (géométrie entière). Le codage instantané (Inst.) fait référence à une expérience PC-IRM hypothétique sans bruit avec une bande passante de codage à vitesse infiniment élevée.

La figure 4a, b compare le TKE total au cours d'un cycle cardiaque simulé pour différents paramètres de résolution spatiale, de moyenne temporelle et de SNR. La figure 4c, d visualise l'effet de la résolution spatiale et de la moyenne temporelle sur la quantification du TKE total intégré au cours du cycle cardiaque. Des résolutions spatiales isotropes entre \(1,5\) et \(2\;\text{mm}\) et une moyenne temporelle de \(5\;\text{ms}\) conduisent à une surestimation du TKE total jusqu'à 26 % pour \({\mathrm{ROI}}_{1}\) (Fig. 4c) et 70 % pour \({\mathrm{ROI}}_{2}\) (Fig. 4d), respectivement.

Impact du SNR et de la résolution spatio-temporelle sur l'énergie cinétique turbulente résolue dans le temps pour une sténose excentrique de 75 % et un flux pulsatile. TKE total résolu dans le temps et débit \(\left(Q\right)\) pendant un cycle cardiaque simulé pour différentes tailles de voxels \(\left(L\right)\), moyenne temporelle \(\left(\Delta t\right)\) et, en conséquence, rapports signal sur bruit \(\left(SNR\right)\) pour \(RO{I}_{1}\) (a) et \(RO{I}_{2}\) (b) (voir figure 3). Erreurs de TKE totales intégrées au cours du cycle cardiaque \(RO{I}_{1}\) (c) et \(RO{I}_{2}\) (d). L'encodage instantané (\(\Delta t=0\;\text{ms}\)) fait référence à une hypothétique expérience PC-IRM sans bruit avec une bande passante d'encodage à vitesse infiniment élevée.

La figure 5 compare l'amplitude de la vitesse et les cartes TKE au pic systole et au pic TKE pour CFD et PC-MRI synthétique. Des valeurs TKE artificiellement élevées sont visibles sur les parois et dans les régions d'écoulement à gradients de vitesse élevés.

Cartes de vitesse et TKE spécifiques au patient pour différents degrés de sténose (tranches pied-tête de l'aorte alignées avec le jet d'entrée). ( a ) Magnitude de la vitesse au pic de systole et ( b ) énergie cinétique turbulente au pic total de TKE pour deux résolutions et le CFD de référence correspondant. Pour (a) et (b), de gauche à droite, le débit d'entrée sain et les degrés de sténose simulés de 50 %, 75 % et 90 % sont indiqués. Notez la différence d'échelle de la barre de couleur pour la vitesse et le TKE en fonction du degré de sténose. Une vidéo montrant tous les pas de temps est disponible dans le matériel supplémentaire en ligne.

La figure 6a montre l'évolution de TKE pour différents degrés de sténose au cours du cycle cardiaque. Le pic TKE survient après le pic systole avec un délai \(\delta\) qui dépend du degré de sténose. Pour des degrés de sténose de 50 %, 75 % et 90 %, le délai \(\delta\) est de 32, 53 et 90 ms. Pour les sténoses aortiques légères à sévères, le TKE total maximal varie de \(7\) à \(70\;\text{mJ}\). La figure 6b résume les statistiques maximales de TKE.

Variations de l'énergie cinétique turbulente en fonction du degré de sténose au cours du cycle cardiaque et au pic de TKE total. ( a ) Comparaison du TKE total mesuré pour deux résolutions de PC-MRI et du CFD de référence pendant le cycle cardiaque pour un débit d'entrée sain et des degrés de sténose aortique simulés de 50%, 75% et 90%. Notez le décalage temporel entre le débit de pointe et le TKE de pointe représenté par la courbe de TKE de pointe ajustée. ( b ) Moyenne \ (\ mu \) et écart type \ (\ sigma \) du pic TKE par voxel pour les deux résolutions de PC-MRI pour un flux sain et des sténoses à 50%, 75% et 90%.

La moyenne et l'écart type de TKE dans l'aorte ascendante pour des degrés de sténose de 50, 75 et 90 % sont surestimés de 37,9, 8,6 et 8,6 % et de 13,5, 5,0 et 13,3 %, respectivement, pour une taille de voxel de \(1,5\;\text{mm}\). De même, la surestimation est de 55,2, 18,2 et 16,7 % et de 23,1, 12,5 et 23,8 % pour une taille de voxel de \(2,5\;\text{mm}\) (Fig. 6b). Une résolution spatiale plus élevée entraîne des valeurs aberrantes avec un TKE plus grand.

Les ensembles de données spécifiques aux patients présentés dans ce travail ont nécessité en moyenne 60 heures d'utilisation de 48 cœurs pour obtenir la solution CFD, chaque période étant d'environ 260 Mo.

Dans cette étude, un cadre pour la synthèse de données d'IRM de flux 4D multipoints résolues en temps de flux turbulent dans des géométries aortiques mobiles spécifiques au patient a été présenté. L'impact de la résolution spatiale, de la moyenne temporelle et du SNR a été étudié pour les écoulements stables et pulsatiles dans des géométries idéalisées pour un budget de temps de balayage hypothétique fixe.

La comparaison qualitative des cartes de vitesse et de TKE sur les Fig. 2a, b – d a confirmé que les mesures de turbulence sont plus sensibles au SNR et à la résolution spatiale par rapport aux mesures de vitesse et que le retour sur investissement utilisé pour calculer le TKE total doit être sélectionné avec soin. Sur la figure 2c, d, une résolution spatiale limitée et un faible SNR contribuent tous deux à la surestimation de TKE en raison des contributions du bruit et des gradients de vitesse spatiale conformément aux études précédentes35,36. Les variations du TKE total pour différentes moyennes temporelles sur les Fig. 2c, d sont dues aux différences de SNR, car la moyenne temporelle n'a aucune influence sur les flux constants.

Les contributions des gradients de vitesse temporelle augmentent encore la surestimation artificielle de TKE dans les écoulements pulsatiles, comme le montre la figure 3a. La turbulence n'apparaît qu'après le pic de systole dans la vérité terrain, ce qui suggère que la production de TKE est déclenchée par la décélération du flux post-systolique (Fig. 4a).

Les gradients spatiaux et temporels compromettent la vitesse mesurée et les valeurs de TKE dans les voxels en raison d'effets de volume partiels, qui sont visibles sur les parois de l'aorte, où des valeurs de TKE artificiellement élevées sont présentes. En particulier, nous avons démontré qu'au pic de systole, la RST mesurée est purement artificielle et ne représente pas la turbulence (Fig. 3a). De plus, nous avons observé que le pic de TKE se produit avec un retard par rapport au pic de systole, ce qui suggère que la quantification de TKE au pic de systole telle que proposée dans la littérature pourrait devoir être reconsidérée33.

Pour des résolutions spatiales de 1,5 et 2,5 mm et une moyenne temporelle de 5 ms, le TKE total maximal en aval d'une sténose de 75 % est surestimé de 15 et 24 %, respectivement (Fig. 6a). Des surestimations similaires (18 et 25 %) ont été observées en utilisant la géométrie idéalisée avec un écoulement pulsatile, ce qui suggère que les observations des Fig. 2, 3 et 4 peuvent être extrapolés à des géométries et des écoulements plus réalistes. Une résolution spatiale plus élevée crée des valeurs aberrantes avec des valeurs TKE plus grandes en raison de niveaux SNR plus faibles. Pour une résolution spatiale isotrope typique d'IRM en flux 4D de \(2,5\;\text{mm}\) et un degré de sténose> 75 %, le TKE par voxel est systématiquement surestimé dans l'aorte ascendante, ce qui suggère que la surestimation du TKE en IRM en flux 4D pourrait être prévisible pour les régimes de turbulence élevée.

Dans la présente étude, le débit net était identique pour les différents degrés de sténoses simulées. Étant donné que la pression le long de l'aorte dépend du degré de sténose, des variations de la section transversale du vaisseau sont attendues, qui n'ont pas été modélisées dans notre travail. Des travaux futurs sont justifiés pour intégrer les déplacements de paroi résultant de l'interaction de l'écoulement et de la conformité de la paroi pour arriver à des vitesses d'onde de pouls réalistes. Des approches complètes d'interaction fluide-structure, ou des modèles d'ordre réduit appliqués à la réponse élastique et viscoélastique du tissu pourraient être traduits de nos travaux précédents37,38,39,40. De plus, la variabilité anatomique pourrait être augmentée en utilisant des modèles anatomiques basés sur des reconstructions de bas rang41.

Une autre limitation de la présente étude concerne l'utilisation d'une approche simplifiée pour générer des signaux PC-MRI, en supposant un codage et une lecture idéaux et, par conséquent, en négligeant l'impact des schémas de codage sur les valeurs mesurées de la vitesse et de la turbulence. Les artefacts de déplacement induits par le flux n'ont pas été inclus et les variations d'un cycle à l'autre ont été condensées en quantités moyennées par cycle. Ces hypothèses ont été faites pour réduire le coût de calcul par rapport à une modélisation plus précise des processus d'imagerie31. Des travaux récents de Dillinger et al.42 démontrent que la mise en œuvre de gradients de codage réalistes dans un solveur Eulérien-Lagrangien de Bloch entraîne une sous-estimation systématique des composantes haute fréquence de la turbulence. Par conséquent, la quantification de la turbulence in vivo est sujette à une surestimation due à des effets de volume partiels d'une part et à une sous-estimation due à des gradients de codage de vitesse à bande limitée d'autre part.

L'étude manque également de comparaison entre les ensembles de données d'IRM en flux 4D in vivo et synthétiques. Cependant, en raison de la complexité des modèles de flux dans l'aorte et des hypothèses utilisées dans la CFD spécifique au patient, seule une comparaison qualitative des modèles de flux serait réalisable26,43,44. Bien qu'il s'agisse d'une limitation générale pour les simulations spécifiques au patient, cela n'affecte pas directement notre flux de travail proposé car notre objectif est de générer des flux réalistes dans l'aorte plutôt que d'essayer de dupliquer l'hémodynamique spécifique au patient dans les moindres détails.

Pour conclure, le cadre de synthèse présenté ici permet la génération d'ensembles appariés de données de vérité terrain réalistes spécifiques au patient et de données d'IRM en flux 4D pour répondre à la formation d'algorithmes d'apprentissage en profondeur pour la reconstruction d'images15 et l'inférence21 à l'avenir. Bien que ce travail se soit concentré sur la vitesse et le TKE dans les flux aortiques post-sténotiques, la vérité terrain CFD contient des informations sur la chute de pression, les contraintes de cisaillement des parois et la vitesse de l'onde de pouls, ouvrant la porte à la possibilité d'analyser d'autres biomarqueurs hémodynamiques importants dans les travaux futurs. De plus, la nature spécifique au patient de ce travail suggère que, si des ensembles de données adéquats sont disponibles, le pipeline pourrait être utilisé pour générer des ensembles de données de flux 4D synthétiques pour d'autres pathologies valvulaires ou aortiques, telles que la régurgitation aortique (AR), la valve aortique bicuspide (BAV) et l'aorte ascendante dilatée.

Un tube sténosé excentrique avec des parois fixes et une sévérité de la sténose de 75 %45,46 a été modélisé comme une géométrie idéalisée. Cette géométrie a été largement étudiée dans la littérature34,47,48 et a une description analytique avec la sténose modélisée comme une fonction cosinus décalée dans une direction par une excentricité de 5% du diamètre. La gorge de sténose était positionnée à une distance de 3 diamètres de l'entrée et le cylindre s'étendait sur 20 diamètres en aval. Un maillage papillon hexaédrique structuré avec 2,7 M de cellules a été généré à l'aide de l'utilitaire blockMesh d'OpenFoam49.

Des géométries aortiques réalistes ont été obtenues à partir de données d'IRM in vivo. Les sujets ont été étudiés après consentement éclairé écrit sous l'approbation du comité d'éthique du canton de Zurich, Suisse, et selon les directives institutionnelles. Des expériences d'imagerie ont été réalisées sur un système 1,5 T MR (Philips Healthcare, Best, Pays-Bas) à l'aide d'un réseau de réception à 32 canaux. Des tranches de précession libre à l'état stable et équilibrées ciné haute résolution (\(1\fois 1\fois 5\;\text{mm}^{3}\)) ont été acquises orthogonalement à la ligne médiane de l'aorte avec une résolution temporelle de 40 images/cycle cardiaque en apnée. Un total de 9 tranches ont été réparties uniformément le long de la ligne médiane aortique, couvrant l'arc aortique et l'aorte descendante avec la première tranche positionnée à la racine aortique. Les limites de la lumière ont été extraites et la surface 3D correspondante extrapolée à partir de contours 2D segmentés (Fig. S1 supplémentaire). Les artères brachiocéphalique, carotide commune gauche et sous-clavière gauche ont été retirées, car leur impact sur les caractéristiques de flux dans l'aorte ascendante n'est pas significatif50. Un maillage papillon hexaédrique structuré a ensuite été généré à l'aide de l'utilitaire blockMesh d'OpenFoam49 sur l'anatomie en fin de diastole, qui était considérée comme la phase initiale du cycle cardiaque (Fig. 1a). Une taille de maille de 2,2 M de cellules avec des hauteurs de cellules moyennes et maximales dans la région d'intérêt de \(0,37\;\text{mm}\) et \(0,6\;\text{mm}\) s'est avérée suffisante pour simuler avec précision les champs de vitesse et de turbulence dans les aortes avec des afflux pathologiques51,52,53.

Des profils de Hagen-Poiseuille entièrement développés ont été utilisés comme conditions aux limites d'entrée pour les géométries idéalisées. Le nombre moyen de Reynolds à l'entrée \((Re)\) a été fixé à 1 000 pour les scénarios stationnaire et pulsatile. Pour le cas pulsatile, la forme d'onde de vitesse a été extraite de données in vivo acquises à la racine aortique chez un sujet sain avec un pic d'entrée \(Re\) de 4000, typique des flux physiologiques54.

Le mouvement de la paroi aortique pour la simulation spécifique au patient a été extrait pour toutes les phases cardiaques et a été utilisé comme condition limite pour la simulation CFD. Les profils de vitesse d'entrée résolus dans le temps pour les simulations spécifiques au patient ont été extraits de l'imagerie d'écho de gradient gâchée par IRM PC 2D résolue dans le temps (\(1,5\times 1,5\times 8 \;\text{mm}^{3}\), 40 images/cycle cardiaque). Des entrées sténosées pathologiques ont été générées en projetant les vitesses d'entrée saines sur des sections transversales réduites (50, 75 et 90%) de l'entrée du modèle géométrique tout en maintenant le débit constant (Fig. S2 supplémentaire).

Le débit sanguin dans l'aorte a été calculé à l'aide des équations tridimensionnelles, instables et incompressibles de Navier-Stokes (NS) dans les domaines mobiles. Le sang était supposé newtonien et incompressible avec une densité \(\rho =1060 \;\text{kg}/\text{m}^{3}\) et une viscosité cinématique \(\mu =3,5{e}^{-3} \; \text{Pa} \,\text{s}\)55. Dans notre travail, les équations NS ont été résolues à l'aide d'un modèle de simulation de grandes turbulences (LES) dans le cadre arbitraire lagrangien-eulérien (ALE) tel qu'implémenté dans OpenFOAM® v180649. Le schéma de sous-grille sélectionné était le modèle d'échelle de sous-grille (SGS) s'adaptant aux parois de la viscosité locale des Foucaults (WALE)51,52 et la fonction de paroi de Spalding a été utilisée56. Des différences centrales de second ordre et des schémas d'Euler rétrogrades ont été utilisés pour la discrétisation spatiale et temporelle. Un pas de temps adaptatif a été utilisé pour réduire les temps de simulation ; au pic de production turbulente, le pas de temps variait entre 25 et 100 μs selon le degré de sténose7,34 (Fig. 1b). Des simulations ont été effectuées sur un cluster haute performance du Centre national suisse de calcul intensif (CSCS). En moyenne, 6 heures d'horloge murale par cycle cardiaque ont été nécessaires en utilisant 48 cœurs (300 heures CPU) pour une simulation de sténose aortique modérée.

La matrice de covariance \(Cov({\varvec{u}})\) de \(N\) mesures d'un vecteur de vitesse variable dans le temps \({\varvec{u}}=({{\varvec{u}}}_{1},{{\varvec{u}}}_{2},\ldots ,{{\varvec{u}}}_{{\varvec{N}}})\in {\mathbb{R}}^ {3\fois N}\) est défini comme :

où \(\bar{\blacksquare}\) est l'opérateur de moyenne, \({{\varvec{u}}}^{\boldsymbol{^{\prime}}}={\varvec{u}}-\overline{{\varvec{u}} }\) sont les fluctuations de vitesse sur la vitesse moyenne \(\overline{{\varvec{u}} }\) , \({{\varvec{u}}}^{\boldsymbol {{\prime}}}{{{\varvec{u}}}^{\boldsymbol{{\prime}}}}^{{\varvec{T}}}={{\varvec{u}}}^{\boldsymbol{{\prime}}} \otimes {\boldsymbol{ }{\varvec{u}}}^{\boldsymbol{{\prime}}}\) définit un produit externe, et \({\varvec{ R}}\in {\mathbb{R}}^{3\times 3}\) est le tenseur des contraintes de Reynolds. Dans le cas d'un écoulement pulsatile, les \(N\) mesures \(\left({{\varvec{u}}}_{1},{{\varvec{u}}}_{2},\dots ,{{\varvec{u}}}_{{\varvec{N}}}\right)\) sont acquises au même instant \({t}_{0}\) du cycle, sur \(N\) cycles. En raison du codage à bande limitée et des temps de lecture finis en IRM, les mesures de débit ne sont pas des instantanés instantanés, mais incluent des informations de débit sur des durées finies. Pour modéliser cette condition, les mesures de \(\overline{{\varvec{u}} }\) et \({\varvec{R}}\) sont effectuées dans une fenêtre temporelle \(\Delta t\) autour de \({t}_{0}\), où \(\Delta t\) correspond à la durée modélisée de moyenne temporelle de l'acquisition.

Le signal MR \({S}^{*}\), en supposant une distribution de vitesse intra-voxel gaussienne (IVSD) de variance \({\sigma}_{{k}_{v}}\) se lit (Fig. 1d) :

où \({{\varvec{k}}}_{{\varvec{v}},{\varvec{i}}}={{k}_{v,i}{\overrightarrow{{\varvec{e}}}}_{i}=\left[{k}_{vx},{k}_{vy},{k}_{vz}\right]}_{i}\in {\mathbb{R}}^{1\times 3}\) représente la sensibilité de l'écoulement le long de la direction \({i}{\mathrm{th}}\) avec la fréquence de vitesse d'encodage \({k}_{v,i}=\pi /[\mathrm{VEN}{\mathrm{C}]}_{i}.\) \(\eta \propto \mathrm{SNR}\) est un bruit gaussien complexe avec une moyenne nulle et un écart type \({\sigma }_{\eta }={\left|{\overline {S} }_{ROI}\right|\cdot \left(\mathrm{SNR}\right)}^{-1}\) avec \({\overline{S} }_{ROI}\) étant le signal moyen sans bruit dans la région d'intérêt, défini comme le domaine fluide complet pour toutes les simulations. \({S}_{0}\) est le signal de référence normalisé sans codage de vitesse qui, dans ce travail, est modélisé comme :

où \({\overline{{\varvec{u}}} }_{{\varvec{\Delta}}}\) est le champ de vitesse à la résolution de signal MR sélectionnée. Le terme \({\sigma }_{{k}_{v},i}^{2}{\left|{{\varvec{k}}}_{{\varvec{v}},{\varvec{i}}}\right|}^{2}\) peut être exprimé par \({{\rho }^{-1}{\varvec{k}}}_{{\varvec{v}},{\varvec{i}}}{{ \varvec{R}}}_{{\varvec{\Delta}}}^{{\varvec{t}}}{{{\varvec{k}}}_{{\varvec{v}},{\varvec{i}}}}^{\mathrm{T}}\) où \({{\varvec{R}}}_{{\varvec{\Delta}}}^{{\varvec{t}}} \) est le tenseur de contrainte de Reynolds à la résolution MR sélectionnée \({\Delta }_{\mathrm{L}}\). \({{\varvec{R}}}_{{\varvec{\Delta}}}^{{\varvec{t}}}\) et \({\overline{{\varvec{u}}} }_{{\varvec{\Delta}}}\) sont obtenus en projetant d'abord les valeurs calculées à partir des simulations CFD sur une grille régulière \(({n}_{x}\times {n}_{y}\times {n}_{z})\) avec une taille de voxel isotrope \(L=0,65\;\text{mm}\). Les champs sont ensuite sous-échantillonnés à la résolution MR prescrite, \({\Delta }_{\mathrm{L}}\), par apodisation avec une fonction de transfert modulaire gaussienne 3D tronquée (MTF) \(\omega\) avec écart type \({\sigma }_{G}=\sqrt{8\mathrm{ln}2}L/{\Delta }_{\mathrm{L}}\). La fenêtre de troncature est une boîte de largeur \(w\propto L/{\Delta }_{\mathrm{L}}\), telle que la MTF gaussienne est tronquée à une amplitude de 0,5 le long de chaque direction cartésienne principale. Le RST sous-échantillonné \({{\varvec{R}}}_{{\varvec{\Delta}}}^{{\varvec{t}}}\) et la vitesse \({\overline{{\varvec{u}}} }_{{\varvec{\Delta}}}\) sont alors définis comme (Fig. 1c.1 et c.2) :

où \(\mathcal{F}\) est l'opérateur de Fourier et \(\circ\) est l'opérateur d'apodisation. Le bruit synthétique a été défini pour les géométries idéalisées (Figs. 2, 3 et 4) en fonction du volume de voxel \(V\) et de la moyenne temporelle du signal \(\Delta t\) (analogue au temps de répétition \(TR\) en supposant que le signal est acquis en continu pendant ce temps) comme \(\mathrm{SNR}=\alpha V\sqrt{\Delta t}\), où \(\alpha =1,68\) est un scal facteur de calcul conçu pour obtenir \(SNR=30\) pour \(V=2\times 2\times 2 \;\text{mm}^{3}\) et \(\Delta t=5\;\text{ms}\).

Le RST peut être déterminé en codant le long de six directions non colinéaires et en résolvant un système d'équations linéaires. Pour six mesures le long de six directions de codage de vitesse différentes \(\left\{i \right| i\in {\mathbb{Z}},1\le i\le 6\}\), \({\sigma }_{{k}_{v},i}\) est obtenu à partir du rapport entre \({S}^{*}\left({{\varvec{k}}}_{{\varvec{v}},{\varvec{i}}}\right)\ ) et \({S}^{*}\left(0\right)\) comme :

où \({{\varvec{R}}}^{\boldsymbol{*}}\) est le RST estimé. En réécrivant l'Eq. (6), le système d'équations linéaires suivant est obtenu :

où \({{\varvec{\sigma}}}_{{{\varvec{k}}}_{{\varvec{v}}}}\) \(\in {\mathbb{R}}^{6\times 1}\) est le vecteur IVSD, \({{\varvec{H}}}_{{\varvec{i}}}\left({{\varvec{k}}}_{{\varvec{v }},{\varvec{i}}},\rho \right)\) est la ligne \({i}{\mathrm{th}}\) de \({\varvec{H}}\left({{\varvec{k}}}_{{\varvec{v}}},\rho \right)\) \(\in {\mathbb{R}}^{6\times 6}\), une matrice de transformation qui dépend de \({{\var vec{k}}}_{{\varvec{v}}}\in {\mathbb{R}}^{6\times 3}\) et \(\rho\), et \({{\varvec{r}}}^{\boldsymbol{*}}\) \(\in {\mathbb{R}}^{6\times 1}\) est la représentation vectorielle du tenseur RST symétrique \({{\varvec{R }}}^{\boldsymbol{*}}\). La matrice de codage \({{\varvec{k}}}_{{\varvec{v}}}\) a été conçue pour le codage orthogonal35,57 dans cette étude, mais peut être modifiée pour tout autre schéma de codage. Les éléments du RST peuvent être calculés par voxel en utilisant la pseudoinverse (Fig. 1f):

Le vecteur RST symétrique \({{\varvec{r}}}^{\boldsymbol{*}}\) peut être refondu dans sa représentation tensorielle \({{\varvec{R}}}^{\boldsymbol{*}}\in {\mathbb{R}}^{3\times 3}\). Les éléments le long de la diagonale représentent les variances de fluctuation de vitesse tandis que les éléments hors diagonale représentent les covariances. L'énergie cinétique turbulente en [J/m3] est alors définie comme :

où \(\mathrm{Tr}\left({{\varvec{R}}}^{\boldsymbol{*}}\right)\) est la trace du RST. Le TKE total en [mJ] fait référence à l'intégration volumétrique du TKE dans une région d'intérêt.

Les schémas de codage redondants fournissent des informations supplémentaires pour l'estimation des vitesses moyennes. Les vitesses codées dans les six directions sont définies par \({\mathop{\varvec{\nu}}\limits^{\smile}}=\mathrm{arg}\left({S}^{*}\left({{\varvec{k}}}_{{\varvec{v}},{\varvec{i}}\right)\right)\in {\mathbb{R}}^{6\times 1}\ ) et peut s'écrire :

où \({{\varvec{K}}}_{{\varvec{i}}}\left({{\varvec{k}}}_{{\varvec{v}},{\varvec{i}}}\right)\) est la ligne \({i}{\mathrm{th}}\) de \({\varvec{K}}\left({{\varvec{k}}}_{{\varvec{v}} }\right)\in {\mathbb{R}}^{6\times 3}\), le tenseur d'encodage normalisé et \({{\varvec{u}}}^{\boldsymbol{*}}\in {\mathbb{R}}^{3\times 1}\) est le vecteur vitesse cartésien. Une solution à ce système surdéterminé d'équations linéaires est fournie par la pseudo-inverse (Fig. 1f):

À partir du vecteur vitesse cartésien \({{\varvec{u}}}^{\boldsymbol{*}}\), l'énergie cinétique (KE) en [J/m3] est définie comme :

KE total en [mJ] fait référence à l'intégration volumétrique de KE dans une région d'intérêt.

L'estimation de la turbulence montre une sensibilité élevée dans une plage limitée de valeurs IVSD dictées par le choix du codage de vitesse (VENC) et, respectivement, la force de codage \({k}_{v}=\pi /\mathrm{VENC}\). Cela suggère que les acquisitions VENC uniques sont limitées dans leur capacité à sonder la riche variété d'IVSD attendue dans les flux aortiques pathologiques12. Pour atténuer cet effet, une approche multipoint a été utilisée pour sonder les champs de vitesse et de turbulence à l'aide d'un codage orthogonal avec trois forces de codage différentes35 (tableau supplémentaire S1). Pour chaque direction d'encodage, les acquisitions à différentes forces d'encodage ont été combinées à l'aide du dépliage multipoint bayésien12 pour générer un ensemble de vitesses directionnelles \({\mathop{\nu}\limits^{\smile}}_{i}\) et IVSD \({\sigma }_{{k}_{v} \cdot i}\) qui ont ensuite été converties en vitesses et RST à l'aide des équations. (8 et 11).

Notre code Python pour la synthèse d'IRM en flux 4D et la reconstruction bayésienne est accessible au public (https://gitlab.ethz.ch/ibt-cmr-public/4dflowmrisynthesis), accompagné de données de démonstration correspondant à la géométrie idéalisée avec flux pulsatile présenté à la Fig. 3b).

Dweck, MR, Boon, NA et Newby, DE Sténose aortique calcifiante. Confiture. Coll. Cardol. 60, 1854–1863 (2012).

Article PubMed Google Scholar

Thoenes, M. et al. Dépistage des patients pour la détection précoce de la sténose aortique (SA)—Revue de la pratique actuelle et perspectives futures. J. Thorac. Dis. 10, 5584–5594 (2018).

Article PubMed PubMed Central Google Scholar

Saitta, S. et al. Évaluation de l'évaluation de la pression non invasive basée sur l'IRM en flux 4D dans les sténoses aortiques. J. Biomech. 94, 13-21 (2019).

Article PubMed Google Scholar

Feneis, JF et al. Quantification par IRM de flux 4D des régurgitations mitrale et tricuspide : reproductibilité et cohérence par rapport à l'IRM conventionnelle. J. Magn. Réson. Imagerie 48, 1147–1158 (2018).

Article PubMed PubMed Central Google Scholar

Garcia, J., Barker, AJ & Markl, M. Le rôle de l'imagerie des modèles de flux par IRM de flux 4D dans la sténose aortique. JACC Cardiovasc. Imagerie 12, 252–266 (2019).

Article PubMed Google Scholar

Dyverfeldt, P., Hope, MD, Tseng, EE & Saloner, D. Mesure par résonance magnétique de l'énergie cinétique turbulente pour l'estimation de la perte de pression irréversible dans la sténose aortique. JACC Cardiovasc. Imagerie 6, 64–71 (2013).

Article PubMed PubMed Central Google Scholar

Ha, H. et al. Estimation de la chute de pression irréversible à travers une sténose en quantifiant la production de turbulences à l'aide de l'IRM 4D Flow. Sci. Rep. 7, 1–14 (2017).

Annonces d'article Google Scholar

Marlevi, D. et al. Estimation non invasive de la pression relative dans un écoulement turbulent à l'aide d'énergie de travail virtuelle. Méd. Image anale. 60, 101627 (2020).

Article PubMed Google Scholar

Binter, C. et al. L'énergie cinétique turbulente évaluée par l'imagerie par résonance magnétique multipoint à flux quadridimensionnel fournit des informations supplémentaires par rapport à l'échocardiographie pour la détermination de la sévérité de la sténose aortique. Circ. Cardiovasculaire. Imagerie 10, e005486 (2017).

Article PubMed Google Scholar

Zhuang, B., Sirajuddin, A., Zhao, S. & Lu, M. Le rôle de l'IRM à flux 4D pour les applications cliniques dans les maladies cardiovasculaires : situation actuelle et perspectives futures. Quant. Imagerie Med. Surg. 11, 4193–4210 (2021).

Article PubMed PubMed Central Google Scholar

Markl, M., Frydrychowicz, A., Kozerke, S., Hope, M. et Wieben, O. IRM à flux 4D. J. Magn. Réson. Imagerie 36, 1015–1036 (2012).

Article PubMed Google Scholar

Binter, C., Knobloch, V., Manka, R., Sigfridsson, A. & Kozerke, S. Codage de vitesse multipoint bayésien pour la cartographie simultanée des flux et des turbulences. Magn. Réson. Méd. 69, 1337-1345 (2013).

Article PubMed Google Scholar

Ma, LE et al. IRM de flux 4D aortique en 2 minutes à l'aide de la détection compressée, de la réorganisation adaptative de l'espace k contrôlée par la respiration et de la reconstruction en ligne. Magn. Réson. Méd. 81, 3675–3690 (2019).

Article PubMed PubMed Central Google Scholar

Wiesemann, S. et al. Impact du type de séquence et de l'intensité du champ (1,5, 3 et 7T) sur les paramètres aortiques hémodynamiques de l'IRM en flux 4D chez des volontaires sains. Magn. Réson. Méd. 85, 721–733 (2021).

Article PubMed Google Scholar

Vishnevskiy, V., Walheim, J. et Kozerke, S. Réseau variationnel profond pour la reconstruction rapide par IRM à flux 4D. Nat. Mach. Renseignement. 2, 228-235 (2020).

Article Google Scholar

Lundervold, AS & Lundervold, A. Un aperçu de l'apprentissage approfondi en imagerie médicale axé sur l'IRM. Z. Méd. Phys. 29, 102-127 (2019).

Article PubMed Google Scholar

Leiner, T. et al. Apprentissage automatique en résonance magnétique cardiovasculaire : concepts de base et applications. J. Cardiovasc. Magn. Réson. 21, 61 (2019).

Article PubMed PubMed Central Google Scholar

Berhane, H. et al. Segmentation aortique 3D entièrement automatisée de l'IRM de flux 4D pour l'analyse hémodynamique à l'aide de l'apprentissage en profondeur. Magn. Réson. Méd. 84, 2204-2218 (2020).

Article CAS PubMed PubMed Central Google Scholar

Bratt, A. et al. Segmentation dérivée de l'apprentissage automatique de la résonance magnétique cardiovasculaire codée par vitesse de phase pour une quantification entièrement automatisée du flux aortique. J. Cardiovasc. Magn. Réson. 21, 1 (2019).

Article PubMed PubMed Central Google Scholar

Fries, JA et al. Classification faiblement supervisée des malformations valvulaires aortiques à l'aide de séquences IRM cardiaques non étiquetées. Nat. Commun. 10, 3111 (2019).

Article ADS PubMed PubMed Central Google Scholar

Ferdian, E. et al. 4DFlowNet : IRM de flux 4D à super résolution utilisant l'apprentissage en profondeur et la dynamique des fluides computationnelle. Devant. Phys. 8, (2020).

Ravi, D. et al. Apprentissage profond pour l'informatique de la santé. IEEE J. Biomed. Guérir. Informer. 21, 4–21 (2017).

Article Google Scholar

Shin, H.-C. et coll. Synthèse d'images médicales pour l'augmentation et l'anonymisation des données à l'aide de réseaux antagonistes génératifs, 1–11 (2018) https://doi.org/10.1007/978-3-030-00536-8_1.

Duchateau, N., Sermesant, M., Delingette, H. & Ayache, N. Génération basée sur un modèle de grandes bases de données d'images cardiaques : synthèse de séquences ciné IRM pathologiques à partir de cas sains réels. IEEE Trans. Méd. Imagerie 37, 755–766 (2018).

Article PubMed Google Scholar

Leuprecht, A., Perktold, K., Kozerke, S. et Boesiger, P. Étude combinée CFD et IRM du flux sanguin dans un modèle d'aorte ascendante humaine. Biorhéologie 39, 425–429 (2002).

PubMed MATHGoogle Scholar

Miyazaki, S. et al. Validation de méthodes de simulation numérique dans la crosse aortique à l'aide de l'IRM 4D Flow. Vaisseaux cardiaques 32, 1032–1044 (2017).

Article PubMed Google Scholar

Romarowski, RM, Lefieux, A., Morganti, S., Veneziani, A. & Auricchio, F. Modélisation CFD spécifique au patient dans l'aorte thoracique avec des conditions aux limites basées sur PC-IRM : une approche Windkessel à trois éléments des moindres carrés. Int. J. Numer. Méthode. Biomédical. Ing. 34, 1–21 (2018).

Article Google Scholar

Bakhshinejad, A. et al. Fusion de la dynamique des fluides computationnelle et de l'IRM en flux 4D à l'aide d'une décomposition orthogonale et d'une régression de crête appropriées. J. Biomech. 58, 162-173 (2017).

Article PubMed PubMed Central Google Scholar

Toger, J. et al. Imagerie du flux sanguin par correspondance optimale de la dynamique des fluides computationnelle avec les données de flux 4D. Magn. Réson. Méd. 84, 2231-2245 (2020).

Article PubMed Google Scholar

Petersson, S., Dyverfeldt, P., Gårdhagen, R., Karlsson, M. & Ebbers, T. Simulation d'IRM à contraste de phase d'écoulement turbulent. Magn. Raison. Avec. 64, 1039-1046 (2010).

Article PubMed Google Scholar

Puiseux, T., Sewonu, A., Moreno, R., Mendez, S. & Nicoud, F. Simulation numérique de l'imagerie par résonance magnétique 3D à contraste de phase résolue en temps. PLoS ONE 16, e0248816 (2021).

Article CAS PubMed PubMed Central Google Scholar

Steinman, DA, Ethier, CR & Rutt, BK Analyse combinée des artefacts de déplacement spatial et de vitesse dans les mesures de contraste de phase des écoulements complexes. J. Magn. Réson. Imagerie 7, 339–346 (1997).

Article CAS PubMed Google Scholar

Ha, H. et al. Estimation de l'énergie cinétique turbulente à l'aide de l'IRM à contraste de phase 4D : effet des paramètres de balayage et de la taille du vaisseau cible. Magn. Réson. Imagerie 34, 715–723 (2016).

Article PubMed Google Scholar

Ha, H. et al. Évaluation du stress visqueux turbulent à l'aide de l'IRM ICOSA 4D Flow pour la prédiction des lésions sanguines hémodynamiques. Sci. Rep. 6, 1–14 (2016).

Article Google Scholar

Walheim, J., Dillinger, H., Gotschy, A. & Kozerke, S. IRM du tenseur de flux 5D pour cartographier efficacement les contraintes de Reynolds du flux sanguin aortique in vivo. Sci. Rep. 9, 1–12 (2019).

Annonces d'article Google Scholar

Binter, C., Gülan, U., Holzner, M. et Kozerke, S. Sur la précision de la quantification des pertes visqueuses et turbulentes dans le flux aortique sténosé à l'aide d'une IRM à contraste de phase. Magn. Réson. Méd. 76, 191-196 (2016).

Article PubMed Google Scholar

Buoso, S. & Palacios, R. Aérodynamique à la demande dans des membranes actionnées intégralement avec contrôle de rétroaction. AIAA J. 55, 377–388 (2017).

Annonces d'article Google Scholar

Buoso, S., Dickinson, BT & Palacios, R. Ailes à membrane actionnées intégralement inspirées des chauves-souris avec détection de pointe. Bioinspir. Biomi. 13, 016013 (2017).

Article ADS PubMed Google Scholar

Buoso, S. & Palacios, R. Modélisation électro-aéromécanique des ailes à membrane actionnées. J. Structure des fluides. 58, 188-202 (2015).

Annonces d'article Google Scholar

Buoso, S. & Palacios, R. Effets viscoélastiques dans l'aéromécanique des ailes à membrane élastomère actionnées. J. Structure des fluides. 63, 40–56 (2016).

Annonces d'article Google Scholar

Buoso, S., Joyce, T. & Kozerke, S. Personnalisation des modèles biophysiques ventriculaires gauches du cœur à l'aide de réseaux de neurones paramétriques informés par la physique. Méd. Image anale. 71, 102066 (2021).

Article PubMed Google Scholar

Dillinger, H., McGrath, C., Guenthner, C. & Kozerke, S. Fondamentaux de l'imagerie du spectre d'écoulement turbulent. Magn. Réson. Méd. https://doi.org/10.1002/mrm.29001 (2021).

Article PubMed PubMed Central Google Scholar

Nannini, G. et al. Évaluation de l'hémodynamique aortique avant et après la reconstruction épargnant la valve : un modèle FSI basé sur le flux 4D spécifique au patient. Calcul. Biol. Méd. 135, 104581 (2021).

Article PubMed Google Scholar

Roldan-Alzate, A. et al. Etude hémodynamique du TCPC par IRM en flux 4D in vivo et in vitro et simulation numérique. J. Biomech. 48, 1325-1330 (2015).

Article PubMed PubMed Central Google Scholar

Varghese, SS, Frankel, SH & Fischer, PF Simulation numérique directe des écoulements sténosés. Partie 1. Flux régulier. J. Fluid Mech. 582, 253-280 (2007).

Article ADS MathSciNet MATH Google Scholar

Varghese, SS, Frankel, SH & Fischer, PF Simulation numérique directe des écoulements sténosés. Partie 2. Flux pulsatile. J. Fluid Mech. 582, 281–318 (2007).

Article ADS MathSciNet MATH Google Scholar

Tan, FPP, Wood, NB, Tabor, G. & Xu, XY Comparaison des fichiers de flux de transition stable dans un modèle d'artère axisymétrique sténosée idéalisé avec un modèle de transition RANS. J. Biomech. Ing. 133, 1–12 (2011).

Article Google Scholar

Varghese, SS, Frankel, SH & Fischer, PF Modélisation de la transition vers la turbulence dans les flux sténotiques excentriques. J. Biomech. Ing. 130, 1–7 (2008).

Article Google Scholar

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

Liu, X. et al. Une étude numérique sur le flux sanguin et le transport des LDL dans l'aorte humaine : la signification physiologique du flux hélicoïdal dans la crosse aortique. Suis. J. Physiol. Coeur Circ. Physiol. 297, 163-170 (2009).

Annonces d'article Google Scholar

Andersson, M., Lantz, J., Ebbers, T. & Karlsson, M. Évaluation quantitative de la turbulence et de l'excentricité du flux dans une coarctation aortique : impact des interventions virtuelles. Cardiovasculaire. Ing. Technol. 6, 281–293 (2015).

Article PubMed Google Scholar

Manchester, EL et al. Analyse des effets de turbulence dans une aorte spécifique au patient avec une sténose de la valve aortique. Cardiovasculaire. Ing. Technol. 12, 438–453 (2021).

Article PubMed PubMed Central Google Scholar

Pirola, S. et al. Étude computationnelle de l'hémodynamique aortique chez les patients présentant une valve aortique anormale : l'importance du flux secondaire à l'entrée de l'aorte ascendante. APL Bioeng. 2, 026101 (2018).

Article CAS PubMed PubMed Central Google Scholar

Stalder, AF et al. Évaluation des instabilités de flux dans l'aorte saine à l'aide d'une IRM sensible au flux. J. Magn. Réson. Imagerie 33, 839–846 (2011).

Article PubMed Google Scholar

Buoso, S. et al. Modélisation d'ordre réduit du flux sanguin pour l'évaluation fonctionnelle non invasive de la maladie coronarienne. Bioméch. Modèle. Mécanobiol. 18, 1867–1881 (2019).

Article PubMed Google Scholar

Spalding, DB Une seule formule pour la "loi du mur". J. Appl. Méca. Trans. ASME 28, 455–458 (1960).

Article MATH Google Scholar

Hasan, KM, Parker, DL & Alexander, AL Comparaison des schémas de codage de gradient pour l'IRM à tenseur de diffusion. J. Magn. Réson. Imagerie 13, 769–780 (2001).

Article CAS PubMed Google Scholar

Télécharger les références

Ce travail a été soutenu par un financement du Fonds national suisse de la recherche scientifique (FNS), subvention CR23I3_166485. Le Centre national suisse de calcul intensif (CSCS) est reconnu pour fournir des ressources de calcul.

Institut de génie biomédical, Université et ETH Zurich, Zurich, Suisse

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

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

PD, SB et SK ont conçu l'étude et discuté des résultats ; PD et SB ont développé le cadre de simulation ; EP a acquis les scans in vivo ; Tous les auteurs ont participé à la révision du manuscrit et ont lu et approuvé le manuscrit final.

Correspondance à Pietro Dirix.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Vidéo supplémentaire 1.

Vidéo supplémentaire 2.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Dirix, P., Buoso, S., Peper, ES et al. Synthèse de données d'IRM de flux 4D multipoint spécifiques au patient du flux aortique turbulent en aval des valves sténosées. Sci Rep 12, 16004 (2022). https://doi.org/10.1038/s41598-022-20121-x

Télécharger la citation

Reçu : 23 juin 2022

Accepté : 08 septembre 2022

Publié: 26 septembre 2022

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

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.