تقویت زمینه های سرعت MRI جریان مغزی 4D با استفاده از یادگیری ماشین و داده های شبیه سازی دینامیک سیال محاسباتی

معیارهای جریان خون به دست آمده با کنتراست فاز جریان چهار بعدی (4D) (PC) تصویربرداری رزونانس مغناطیسی (MRI) می تواند در تجزیه و تحلیل بالینی و تجربی مغزی از اهمیت بالایی برخوردار باشد. با این حال ، محدودیت ها در هر دو تحلیل کمی و کیفی می تواند ناشی از خطاهای ذاتی MRI PC باشد. یکی از روش هایی که در ایجاد زمینه های کم نظیر و مبتنی بر فیزیک ، دینامیک سیال محاسباتی (CFD) برتری دارد. تقویت داده های MRI جریان 4D مغزی با شبکه های عصبی آگاه CFD ممکن است روشی برای تولید زمینه های جریان فیزیولوژیکی بسیار دقیق فراهم کند. در این مطالعه اولیه ، ابزار بالقوه چنین روشی با استفاده از داده های CFD خاص بیمار با وضوح بالا برای آموزش یک شبکه عصبی حلقوی و سپس استفاده از شبکه آموزش دیده برای تقویت زمینه های سرعت MRI در مجموعه داده های رگ خونی مغزی نشان داده شد. از طریق آزمایش بر روی تصاویر شبیه سازی شده ، داده های فانتوم و داده های جریان 4D مغزی از 20 بیمار ، شبکه آموزش دیده با موفقیت تصاویر جریان ، کاهش خطای سرعت را کاهش داده و اندازه گیری و تجسم سرعت دیوار نزدیک را افزایش می دهد. چنین تقویت تصویر می تواند تجزیه و تحلیل MRI PC مغزی و کمی کیفی و بالینی را بهبود بخشد.

معرفی

معیارهای همودینامیکی می توانند از نظر تشخیص بیماری مغزی و برنامه ریزی درمانی 1،2،3،4،5،6،7 از اهمیت زیادی برخوردار باشند. چنین معیارهایی را می توان با انواع تصویربرداری پزشکی و روشهای محاسباتی بدست آورد. یکی از روشی که به عنوان یک تکنیک قدرتمند و درون بدن ظاهر شده است ، اندازه گیری مستقیم سرعت خون با تصویربرداری رزونانس مغناطیسی چهار بعدی (جریان 4D) (MRI) است که یک شکل سه بعدی و با زمان حل شده از فاز استکنتراست (PC) MRI 8،9. از جریان 4D می توان برای تجسم غیر تهاجمی و کمیت جریان خون در سیستم های پیچیده مغزی استفاده کرد. با این حال ، تجزیه و تحلیل جریان با MRI محدودیت هایی دارد که به عنوان یک روش تجزیه و تحلیل مستقل استفاده می شود. به عنوان مثال ، محدودیت وضوح جریان می تواند ناشی از محدودیت های زمان اسکن بیمار و از نواقص ناشی از دستکاری یک میدان مغناطیسی باشد (سر و صدای تصویر ، کاهش intravoxel ، جریانهای گرداب ، میدان مغناطیسی غیر خطی و غیره). یکی دیگر از روشهای تجزیه و تحلیل جریان خون مغزی که به طور گسترده ای در دسترس است ، که ممکن است به برخی از این محدودیت ها کمک کند ، دینامیک سیالات محاسباتی (CFD) 10،11،12 است. CFD روشی است که از معادلات حاکم بر جریان سیال برای محاسبه یک میدان سرعت از داده های هندسی ورودی و شرایط جریان استفاده می کند. از آنجا که CFD از نظر محاسباتی مبتنی بر است ، با توجه به منابع محاسباتی مناسب ، تقریباً هیچ محدودیتی برای وضوح جریان آن وجود ندارد. علاوه بر این ، شرایط مدل محاسباتی را می توان برای مطابقت با تغییرات فیزیولوژیکی یا جراحی مورد علاقه دستکاری کرد. با این حال ، CFD مستقل نیز به دلیل وابستگی زیاد به شرایط ورودی خاص بیمار (شرایط مرزی) و نیاز آن به تأیید و اعتبار مناسب می تواند محدود باشد. بنابراین ، روشی که از بهترین های MRI و CFD استفاده می کند ممکن است با استفاده از مزایای یک روش برای پر کردن شکافهای ذاتی دیگری ، تجزیه و تحلیل جریان مغزی را افزایش دهد.

تعدادی از مطالعات با هدف استفاده از نقاط قوت هم افزایی MRI PC و شبیه سازی محاسباتی برای پرداختن به محدودیت های توصیف جریان فعلی در انواع سرزمین های عروقی انجام شده است. به عنوان مثال ، از شبیه سازی های رایانه ای برای ایجاد زمینه های سرعت بدون واگرایی از MRI PC ، برای تجزیه و تحلیل تأثیر وضوح سرعت MRI جریان 4D بر تعیین میزان اتلاف چسبناک ، برای ارزیابی صحت استرس برشی دیواره MRI و بهبود وضوح سرعت MRI PC استفاده شده است. و عملکرد نویز با تکنیک های نوآورانه مبتنی بر CFD و تکنیک های بهینه سازی میدان سرعت 13،14،15،16،17. بسیاری از مطالعات همچنین از داده های MRI PC برای بهبود ارتباط شبیه سازی محاسباتی با ادغام داده های MRI PC به عنوان شرایط مرزی و حتی تنظیم CFD توسط MRI 3D 18،19،20،21،22 استفاده کرده اند. علاوه بر این ، داده های CFD و MRI PC اغلب برای حرکت به سمت اعتبار سنجی توصیف جریان کمی و کیفی 23 مقایسه می شوند. با تکیه بر این پیشرفت ها ، یک روش مبتنی بر فیزیک جریان قوی تر که امکان تصحیح گذشته نگر MRI PC را فراهم می کند می تواند برای تجزیه و تحلیل جریان قلبی عروقی تجربی و بالینی با MRI بسیار مفید باشد. با این حال ، مجموعه داده های بزرگ تولید شده توسط هر یک از این روشهای حل شده و سه بعدی ، و تعداد مجموعه داده های مورد نیاز برای ایجاد یک پایه دانش گسترده رژیم های جریان خاص بیمار ، باعث شده است که چنین روشی را به چالش بکشد.

علاوه بر تحولات اخیر در تصویربرداری پزشکی ، یادگیری ماشین نقش اساسی در پیشرفت تجزیه و تحلیل قلبی عروقی 24 داشته است. یادگیری ماشین و روشهای مرتبط با شبکه عصبی می تواند برای یادگیری ویژگی های ورودی داده ها و سپس استفاده از ویژگی ها برای تولید خروجی مفید استفاده شود. استفاده از یادگیری ماشین به MRI قلبی عروقی منجر به پیشرفت های بسیاری شده است ، از جمله بهبود تقسیم تصویر ، خواندن و تفسیر ردیابی ECG ، توصیف تصویر بهبود یافته ، تشخیص و اندازه گیری ویژگی های آناتومیکی و پاتولوژیک سریعتر ، و پیش آگهی سریعتر بیماری قلبی عروقی و درمان 24،25 ، 24،25 ،26،27،28،29. روشهای یادگیری ماشین آگاهی از فیزیک نیز اخیراً برای بهبود پیش بینی فشار قلبی عروقی 30 استفاده شده است. اخیراً ، تکنیک های یادگیری ماشین برای بهبود وضوح تخمین های 4D جریان در آئورت با استفاده از CFD از سه هندسه آئورت 31 تهیه شده است. با این حال ، استفاده از روشهای یادگیری ماشین برای بهبود زمینه های سرعت MRI کنتراست فاز در خارج از این مطالعات اخیر محدود شده است ، با وجود پتانسیل آن برای بهبود کمیت جریان مغزی عروقی. بنابراین ، هدف از این کار ایجاد یک الگوی یادگیری ماشین قوی است که اطلاعاتی را از 4D جریان MRI و CFD با استفاده از یادگیری تحت نظارت ، برای ارائه زمینه های جریان با وضوح بالا ، فیزیک و خاص بیمار در آناتومی مغزی ایجاد می کند.

مواد و روش ها

در بخش های زیر روند فیوز کردن داده های MRI جریان CFD و 4D با آموزش شبکه عصبی نظارت شده شرح داده شده است. مروری بر این فرایند در شکل 1 نشان داده شده است. این مطالعه سازگار با HIPAA توسط دانشگاه ویسکانسین-مدیسون ، هیئت بررسی نهادی علوم بهداشت تأیید شده است. تمام داده های موضوع انسانی با رضایت کتبی آگاهانه بدست آمد.

بررسی اجمالی روش. از داده های دینامیک سیال محاسباتی (CFD) برای آموزش یک شبکه عصبی استفاده شد. سپس از خروجی شبکه برای برآورد وضوح بالا ، میدان های جریان سر و صدای کم از داده های استاندارد MRI جریان 4D استفاده شد.

تولید مدل محاسباتی

برای تولید تعداد زیادی از مجموعه داده های میدانی سرعت واقع گرایانه که می توان یک شبکه عصبی را آموزش داد ، شبیه سازی دینامیک سیال محاسباتی بر روی مدلهای جریان عروقی تهیه شد. پنج هندسه مسیر جریان آنوریسم مغزی خاص بیمار از یک بانک داده از تصاویر آنژیوگرافی با وضوح دیجیتال با وضوح بالا با وضوح بالا (شکل 2A) به دست آمد. این هندسه ها سپس به طور طبیعی به مسیر جریان رگ برش داده می شدند تا مرزهای ورودی و خروجی را بسازند و برای از بین بردن هرگونه مصنوعات از دیوارها صاف شوند. برای افزایش میزان هندسه های جریان موجود برای شبیه سازی CFD ، هر یک از 5 مدل اصلی خاص بیمار به صورت دستی اصلاح شد تا 5 تکرار اضافی ایجاد شود. این منجر به 25 مسیر جریان حاصل از داده های خاص بیمار شد. اصلاح دستی این مدلها شامل تغییرات زاویه ورودی عروق ، افزایش یا کاهش قطر و تغییر اندازه و شکل آنوریسم (شکل 2B) در 3-MATIC (MOTERISE ، LEUVEN ، بلژیک) است. سرانجام ، برای معرفی تنوع اضافی در نوع مسیر جریان عروق ، 5 مدل مسیر جریان کاملاً مصنوعی در SolidWorks (سیستم های DESSAULT) طراحی شدند. همانطور که در شکل 2a نشان داده شده است ، این هندسه های ایده آل شامل کیسه های آنوریسم نیستند. در کل ، 30 هندسه کشتی برای شبیه سازی CFD تهیه شد.

شبیه سازی دینامیک سیالات محاسباتی (CFD) بر روی (الف) 5 مدل رگ خونی ایده آل ، 5 مدل رگ خونی خاص بیمار و (ب) 20 مدل اضافی که به صورت دستی از مدل های مشتق از بیمار اصلاح شده اند ، انجام شد. ج) شش مجموعه از شرایط ورود منحصر به فرد با هر هندسه برای ایجاد 180 شبیه سازی کل CFD استفاده شد.(د) به عنوان مثال نتایج CFD از مدل های نماینده.

شبیه سازی دینامیک سیالات محاسباتی

30 هندسه مسیر جریان عروقی به طور جداگانه به استودیوی Converge (Convergent Science ، Madison ، WI) وارد شد تا موارد CFD را تنظیم کند. برای انجام این کار ، یک شبکه هگزه محاسباتی برای اولین بار برای هر مدل هندسه ایجاد شد ، با سلولهای برش که در دیوارهای کشتی مورد استفاده قرار می گیرد تا سطوح خمیده را در خود جای دهد. یک مطالعه پالایش شبکه برای تعیین اندازه سلول شبکه مناسب برای دستیابی به یک محلول مستقل از شبکه انجام شد. این منجر به طول تقریبی جانبی سلول به نسبت قطر رگ کمتر از 0. 05 شد. دیوارهای سفت و سخت برای این شبیه سازی ها فرض شد و شرایط بدون لغزش در مرزها تحمیل شد. مشخصات جریان متغیر زمان در مرز ورودی تنظیم شد و مقادیر فشار در هر خروجی تنظیم شد. خواص خون برای مایع کار شبیه سازی (چگالی = 1060 کیلوگرم در متر 3 ؛ ویسکوزیته = 0. 004 نانومتر در متر 2) ورودی بود. اعداد رینولد از حدود 100-800 در محل های مختلف هندسی و پروفایل های جریان متغیر متغیر بود. شبیه سازی حجم محدود در یک شبکه ثابت (بدون پالایش مش تطبیقی) و در یک مرحله متغیر زمان (مرحله زمانی سازگار با راه حل شبیه سازی) اجرا شد. فشار ضمنی با تقسیم الگوریتم اپراتورها (PISO) برای حل معادلات حاکم بر جریان سیال در نرم افزار CFD Converge (Science Convergent ، Madison ، WI) استفاده شد. از درون یابی Rhie-Chow برای حفظ متغیرهای جمع شده استفاده شد و یک طرح بالادست یکنواخت برای قوانین حفاظت (MUSCL) برای ارائه دقت مکانی مرتبه دوم برای شرایط همرفت استفاده شد. مراحل زمانی با پارامترهای CFL پراکنده و همرفت محدود بود. نتایج محلول در هر 0. 02 ثانیه زمان شبیه سازی صادر شد. شبیه سازی ها برای هر هندسه شش بار تکرار شد ، با شش پروفایل جریان ورودی مختلف ، همانطور که در شکل 2C نشان داده شده است. این منجر به استفاده از 180 زمینه با سرعت متغیر متغیر زمان برای آموزش شبکه عصبی شد. هر شبیه سازی بسته به در دسترس بودن منابع در یک مرکز محاسبات با توان محلی بالا ، بین 2 تا 12 ساعت طول کشید. مثال نتایج میدان جریان CFD در شکل 2D نشان داده شده است.

تهیه داده ها

داده های سرعت CFD برای ایجاد جفت های متشکل از زمینه های جریان با وضوح بالا با و بدون فساد پردازش شد و خطاهای معرفی شده از فرآیند اندازه گیری MRI را نشان می دهد. برای این کار ، داده های CFD ابتدا به یک شبکه یکنواخت دکارتی تبدیل شد. این تبدیل مرزهای خارج از جریان و جریان را در فضای آزاد قرار داده و در نتیجه زمینه های جریان غیرواقعی در این مناطق ایجاد می شود. اثرات لبه مرزی غیرواقعی در طول آموزش ، همانطور که در زیر شرح داده شده است ، در نظر گرفته شد. سلولهای برش از شبکه CFD نیز در تبدیل داده ها با وزن دادن به مقادیر سرعت هر سلول توسط حجم سلول به حساب می آمدند. کاربرد این رفع سرعت واقع بینانه در حاشیه داده های شبیه سازی شده MR مبتنی بر CFD را تضمین می کند.

پس از تبدیل داده های با وضوح بالا به نمایندگی دکارتی ، داده های MRI شبیه سازی شده برای استفاده در آموزش شبکه تولید شد. تصاویر MR با استفاده از مدلی شبیه سازی شدند که عملیات پیچیده و فساد داده ها را از نمونه گیری K-Space ، نویز ، تغییرات بزرگی سیگنال و بافت پس زمینه استاتیک به خود اختصاص می داد. قبل از هرگونه عملیات بلوک برای آموزش ، تمام شبیه سازی MRI بر روی حجم کامل دکارتی انجام شد. شبیه سازی ها در زمان واقعی در طول آموزش انجام می شد ، با یک شبیه سازی جدید که هر بار از CASED استفاده می شد انجام می شد. ابتدا ، میدان سرعت در فضای سه بعدی با استفاده از چرخش تصادفی و درون یابی های مکعب-اسپلین چرخانده شد. سپس یک سیگنال بزرگی پس زمینه مصنوعی با تولید تصادفی به طور تصادفی اندازه K-Space در یک شبکه 5 × 5 5 5 با استفاده از یک توزیع عادی استاندارد ایجاد شد. این شبکه ها فوریه به فضای تصویر تبدیل شده و برای ایجاد سیگنال پس زمینه متفاوت با لبه های با وضوح بالا متناسب با مرزهای بافت ، آستانه نرم شده اند. سرانجام ، این سیگنال پس زمینه با ماسک کشتی به طور اضافی ترکیب شد ، با نسبت پس زمینه به رگ از 0 تا 2. در مرحله بعد ، سیگنال پیچیده از سیگنال بزرگی پس زمینه و داده های سرعت با استفاده از مدل استاندارد PC-MRI با یک تصادفی ایجاد شدانتخاب شده v_خطاز 0. 1 تا 0. 9 از سرعت اوج. سرانجام ، داده های پیچیده فوریه تبدیل شد ، با مجتمع افزودنی ، سر و صدای گاوسی سفید متناسب با SNR از 10 تا 10،000 ، خراب شد ، و به 0. 25 وضوح مکانی اصلی آن برداشته شد و فوریه به عقب تبدیل شد.

شبکه و آموزش

از زمینه های جریان شبیه سازی شده برای آموزش یک شبکه عصبی حلقوی (CNN) استفاده شد (به شکل 1 مراجعه کنید). معماری و مدل ها بر اساس معماری باقیمانده بلوک شبیه به روشهای مورد استفاده در رویکردهای فوق العاده با وضوح فوق العاده 32،33،35،36،38،39،40،41،42 ساخته شده است. پس از شبیه سازی کسب MRI ، بلوک 32 32 32 32 32 به طور تصادفی از میدان سرعت استخراج شدند. برای شناسایی لبه ها و بخش های دارای مصنوعات به دلیل مجدداً ، بخش هایی از داده ها با جمع آوری جریان ها در داخل و خارج از یک بلوک تعیین شده از داده ها برای حفاظت انبوه بررسی شدند. اگر بلوک منبع یا سینک غیر صفر داشت ، از آن استفاده نمی شد و یک بلوک جدید انتخاب شده به طور تصادفی انتخاب می شد. از طریق این فرآیند ، هر لبه ای که به دلیل حجم جزئی ورودی ها و رسانه ها در داده های CFD ، تداوم (حفاظت از جرم) را برآورده نمی کند ، حذف شد. آموزش با اندازه دسته ای از 8 انجام شد ، با 32 بلوک انتخاب شده به طور تصادفی قبل از انجام شبیه سازی MRI جدید استفاده شد. بر اساس بلوک ، تقویت با استفاده از تلنگر تصادفی از تصویر سرعت و سرعت آن انجام شد. تمرینات از عملکرد حداقل از دست دادن مربعات با وزن کمتری استفاده کرد تا رابطه معکوس بین بزرگی و سر و صدای سرعت را به خود اختصاص دهد. تمام پردازش ها در پایتون با Pytorch برای عملیات یادگیری ماشین (منبع باز ، https://github.com/pytorch/pytorch) و Sigpy برای تقویت داده ها (منبع باز ، https://github.com/mikgroup/sigpy) انجام شد. آموزش در Titan RTX انجام شد. از تقسیم 80/20 برای آموزش و اعتبار سنجی با آزمایش انجام شده بر روی داده های تازه خریداری شده که در این آموزش دخیل نیستند استفاده شد.

ارزیابی

مورد آزمایش فانتوم در آزمایشگاه با وضوح بالا MRI جریان 4D

برای ارزیابی شبکه ، تصویربرداری MR با وضوح بالا 4D بر روی یک فانتوم رگ خونی خاص فیزیکی و بیمار انجام شد (به شکل مکمل 2 مراجعه کنید). ابتدا ، یک مدل عروق مغزی با چاپ سه بعدی یک هسته عروق قابل حل ایجاد شد و هسته را در سیلیکون نوری شفاف ریخت و سپس هسته عروق را از بلوک سیلیکون درمان شده حل کرد ، همانطور که در کار گذشته 43 توضیح داده شده است. این مدل در یک حلقه جریان قلبی عروقی مطابق با سیستم جریان پالس (PD-1100 ، آزمایشگاه BDC ، گندم ریج ، CO) ادغام شد. سپس این مدل در بستر یک سیستم تصویربرداری 3 T MR (Signa Premier ، GE Healthcare ، Waukesha ، WI) قرار گرفت ، جایی که داده های MRI جریان 4D با وضوح بالا با PC-VIPR 9 به دست آمد. پارامترهای تصویربرداری شامل وضوح مکانی ایزوتروپیک 0. 41 میلی متر ، میدان دید 256 میلی متر ، زمان تکرار 9 میلی ثانیه ، رمزگذاری سرعت 100 سانتی متر در ثانیه و زمان اسکن 24 دقیقه است. داده های جریان 4D در 20 فریم زمانی در چرخه پمپ جریان بازسازی شدند. جبران فاز برای شرایط Maxwell و جریانهای گرداب به طور خودکار در هنگام بازسازی اصلاح شد. تصحیح جریان ادی با استفاده از اتصالات چند جمله ای مرتبه 2 از بافت پس زمینه تقسیم شده بر اساس آستانه یک آنژیوگرام انجام شد. آنژیوگرام با سرعت سرعت از داده های سرعت و بزرگی نهایی برای هر 20 فریم زمانی محاسبه شد. داده های اسکن 24 دقیقه ای نیز به جمع آوری 12- و 6 دقیقه زیر نمونه برداری شد و برای هر نمونه برداری بازسازی شد. CNN آموزش دیده در زمینه های سرعت 6- ، 12- و 24 دقیقه اعمال شد. زمینه های سرعت 6- و 12 دقیقه پس از آموزش با اسکن 24 دقیقه ای به عنوان استاندارد با وضوح بالا مقایسه شد. مقایسه در تمام اسکن های فانتوم پس از آموزش (6- تا 24 دقیقه) انجام شد. تجزیه و تحلیل کمی در ImageJ (مؤسسات ملی بهداشت) و MATLAB (Mathworks ، Natick ، MA) انجام شد و تجزیه و تحلیل کیفی در Ensight (CEI ، Apex ، NC) انجام شد. تصاویر از هر مجموعه داده پیشرفته قبل و بعد از CNN با استفاده از یک متریک خطای میانگین مربع (RMSE) به شرح زیر مقایسه شد:

جایی که ( hat_ ) متریک سرعت مشاهده شده از تصویر اول است ، (v_ ) معیار سرعت تصویر مقایسه است و n تعداد نقاط داده است.

ارزیابی ذهنی در مورد داده های MRI جریان 4D خاص موضوع

برای ارائه ارزیابی در داخل بدن ، عملکرد شبکه در داده های MRI با میانگین 4D در زمان مغزی از 20 بیمار مورد بررسی قرار گرفت. تصاویر ناشناس از اسکن جریان خون مغزی با استفاده از PC-VIPR بدست آمد. پارامترهای تصویربرداری شامل وضوح مکانی ایزوتروپیک 0. 6 میلی متر ، کدگذاری سرعت 100 سانتی متر در ثانیه و زمان اسکن 7 دقیقه و 32 ثانیه است. شبکه آموزش دیده برای تصاویر بازسازی شده اعمال شد و نویز و وضوح مکانی بین برنامه قبل و بعد از شبکه مقایسه شد. آنژیوگرام های PC-MR نیز بین مجموعه داده های موضوع اصلی و مجموعه داده های شبکه پس از کار مقایسه شدند. برای تجزیه و تحلیل کمیت جریان ، مرزهای کشتی به صورت دستی از هر مورد جریان بیمار تقسیم می شوند ، و معیارهای جریان هر دو مجموعه داده اصلی (از پیش آموزش) و پیشرفته (پس از آموزش) در Ensight اندازه گیری شد (CEI ، APEX ، NC ، ایالات متحده)و Matlab (Mathworks ، Natick ، MA). معیارهای جریان مورد علاقه شامل استرس برشی دیواری ، انرژی جنبشی جریان خون ، حداکثر سرعت در هواپیماهای بریده شده در شریان کاروتید داخلی (ICA) و شریان کاروتید میانه (MCA) ، جریان در هواپیماهای ICA و MCA ، گرداب در هواپیماهای ICAو MCA ، و توزیع مکانی سرعت در هواپیماهای ICA و MCA. بردارهای سرعت و خطوط جریان نیز در مناطق منتخب عروق بیمار برای تسهیل مقایسه های کیفی ترسیم شدند. مقایسه آماری کمی با آزمون t زوجی دانش آموز (05/0 = α ، دو دم) ، همبستگی خطی و تجزیه و تحلیل آلتمن بلاند پس از بررسی عادی بودن تقریبی داده های مبتنی بر سرعت انجام شد.

CFD مورد "آزمایش"

اگرچه دقت فیزیولوژیکی شبیه سازی های CFD خاص بیمار با دقت در شرایط مرزی محدود می شود ، اما زمینه های سرعت واقعی و تخمین زده شده توسط CFD می توانند به خوبی مشخص شوند زیرا اگر وضوح بالا و مبنای آن در فیزیک باشد. بنابراین ، برای تجزیه و تحلیل تفاوت بین یک قسمت سرعت "حقیقت" CFD و شبکه "تخمین زده شده" یک مورد "تخمین زده شده" یک مورد CFD اضافی ساخته شده و از طریق شبکه اجرا می شود. برای این مورد CFD ، یک مدل عروقی جدید مبتنی بر DSA (متفاوت از هندسه های مورد استفاده برای آموزش) تقسیم و برای CFD تنظیم شد و یک میدان جریان با استفاده از همان پارامترهای تنظیم CFD که برای مجموعه داده های آموزش استفاده می شود ، شبیه سازی شد. میدان جریان به قالب تصویر تبدیل شده و از طریق شبکه قبلاً آموزش دیده اجرا می شود. میدان سرعت میانگین خطای مربع با و بدون CNN مقایسه شد.

نتایج

این شبکه بیش از 5 روز بدون هیچ نشانه ای از بیش از حد آموزش داده شد ، احتمالاً به دلیل تقویت تهاجمی. اعتبار سنجی و نتایج مورد آزمایش در شکل های تکمیلی ترسیم شده است. 3 و 4. استفاده از شبکه عصبی آموزش دیده در داده های آزمایش CFD کاهش قابل توجهی در نویز تصویر ایجاد کرد (شکل 3). هنگامی که شبکه آموزش دیده به یک میدان سرعت فاسد اعمال شد ، سر و صدای پس زمینه 64 ٪ کاهش یافت. علاوه بر این ، خطای سرعت از 20 ٪ در میدان سرعت خراب به 8 ٪ در زمینه سرعت پس از آموزش کاهش یافته است که زمینه اصلی سرعت CFD به عنوان حقیقت زمین گرفته شد.

خروجی شبکه عصبی آموزش داده شده داده های خراب شده را خراب می کند. در این مثال ، (الف) داده های CFD تمیز (ب) با استفاده از کسب MRI شبیه سازی شده خراب شد و (ج) با شبکه عصبی آموزش دیده بهبود یافت.

خروجی آزمایش فانتوم فیزیکی. روش MRI جریان 4D با وضوح بالا (24 دقیقه) بر روی فانتوم رگ خونی انجام شد. پس از آن ، داده ها به اسکن های 12 و 6 دقیقه ای نمونه برداری شدند. شبکه عصبی آموزش دیده برای هر سه مجموعه داده (پیشرفته) اعمال شد. داده ها برای اولین بار با داده های اسکن جریان خام 24 دقیقه 4D با یک متریک خطای میانگین مربع (RMSE) (مشخص شده توسط ^) مقایسه شد. سپس داده ها با داده های "پیشرفته" که با شبکه آموزش دیده تمیز شده بودند (RMSE مشخص شده توسط *) مقایسه شد.

استفاده از شبکه آموزش دیده به داده های فانتوم فیزیکی تجربی نیز کاهش قابل توجهی در نویز پس زمینه ایجاد کرد (شکل 4). هنگامی که با وضوح بالا 24 دقیقه 4D جریان جریان MRI به عنوان مجموعه داده های مرجع گرفته شد ، RMSE در داده های اسکن زیر نمونه 12 دقیقه ای از 2. 55 به 1. 49 کاهش یافت و از 4. 06 به 1. 64 در زیر 6 دقیقهاسکن نمونههنگامی که از اسکن پیشرفته (پس از آموزش) 24 دقیقه ای به عنوان مرجع استفاده شد ، مجموعه داده های اسکن پیشرفته 12 دقیقه و 6 دقیقه ای به ترتیب RMSE 0. 16 و 0. 24 تولید کرد. زمینه های جریان متغیر از موارد اصلی و پیشرفته فانتوم را می توان در فیلم های تکمیلی 1 مشاهده کرد.

همانطور که با مورد تست CFD و مورد مدل آزمایشی ، استفاده از شبکه عصبی آموزش دیده باعث بهبود تصویر در 20 مجموعه داده MRI جریان 4D بیمار می شود. همانطور که در شکل 5 نشان داده شده است ، تصاویر با سرعت CNN دارای نویز کمتری و وضوح مکانی ظاهری بالاتر از تصاویر سرعت خام بودند. علاوه بر این ، همانطور که در شکل 5 مشاهده می شود ، PC-MRA با پیشرفت CNN دارای ترسیم مرز کشتی بیشتری بود. بر این اساس ، بردار سرعت و بازنمایی ساده نیز در تصاویر تمیز شده با CNN ، به ویژه در نزدیکی دیواره های کشتی بهبود یافته است (شکل 5 ، 6 و 7). هنگامی که سرعت هواپیمای اصلی (از قبل آموزش دیده) و پیشرفته (پس از آموزش) ICA و MCA در مقابل یکدیگر ترسیم شدند (شکل 8) ، یک همبستگی قوی مشاهده می شود. نقاط سرعت که خارج از روند همبستگی قوی قرار داشتند ، در نزدیکی دیوارهای کشتی قرار داشتند ، زیرا این نقاط بیشتر تحت تأثیر تقویت شبکه قرار داشتند. همانطور که در جدول تکمیلی 1 نشان داده شده است ، مقایسه نتایج کمی نشان داد که استرس برشی دیواره (اصلی = 0. 28 ± 0. 28 95 ٪ CI PA ؛ افزایش یافته = 0. 29 ± 2. 25 95 ٪ CI PA ؛ P< 0.001) and kinetic energy (Original = 1.29E−04 ± 1.96E−04 95%CI mJ; Enhanced = 1.18E−04 ± 1.96E−04 95%CI; p < 0.001) were significantly lower in the machine leaing enhanced data than it was in the original pre-trained data. Maximum ICA velocity in both the left ( p = 0.001) and right ( p = 0.001) brain, ICA flow in the left brain ( p = 0.018), and MCA flow in both the left ( p < 0.001) and right ( p = 0.029) brain were all significantly lower in the enhanced flow data than they were in the original data [data in supplemental table 1]. MCA vorticity in the left brain was significantly higher in the enhanced flow data ( p = 0.003). There were no significant differences in the rest of the flow metrics that were analyzed.

نتایج MRI جریان مغزی بیمار.(الف) تصاویر با سرعت خام MRI 4D مغزی قبل و بعد از کاربرد شبکه آموزش دیده.(ب) تصاویر آنژیوگرام کنتراست فاز قبل و بعد از برنامه آموزش شبکه.(ج) کانتورهای سرعت دیواره نزدیک نمایش داده شده در بخش های مغزی عروقی قبل و بعد از کاربرد شبکه.(د) توطئه های استرس برشی دیواری بر روی دیواره آنوریسم مغزی. فلش توجه داشته باشید مناطق کلیدی بهبود تصویر.

بردارهای سرعت در هواپیماهای منتخب آناتومی عروق مغزی بیمار.(الف) شیب و شیب های نزدیک به وکتور دیواره با تقویت ML بهبود می یابد ، همانطور که در یک هواپیمای عرضی از طریق شریان کاروتید داخلی (B) انتقال شیب سرعت نرم تر در داده های تقویت شده ML از آنوریسم مغزی مشاهده می شود و مشاهده می شود. ساختار عروق اطراف آن (C) نوسانات سرعت غیرواقعی در طول تقویت ML برداشته می شود ، همانطور که در رگ والدین اطراف آنوریسم مغزی مشاهده می شود (D) در نزدیکی توصیف سرعت دیواره در یک بخش ICA پرشکوه تمیز می شود ، که تأثیر زیادی بر کمیت نزدیک داردمعیارهای جریان ، مانند استرس برشی دیواری.

خطوط سرعت در سراسر آناتومی عروق مغزی بیمار را انتخاب می کند.(الف) نمای گسترده ای از خطوط از طریق ICA و چپ و چپ ICA و MCA تفاوت عمده ای در طول یا کیفیت خط بین زمینه های جریان اصلی و پیشرفته نشان نمی دهد ، اما با توجه به خم کشتی ICA در (B) بزرگنمایی شده استمیدان جریان اصلی تمایل به نقطه و خاتمه دادن به خارج از دیواره کشتی دارد ، در حالی که خطوط در میدان جریان پیشرفته تمایل دارند که در مسیر جریان عادی بمانند.(ج) خطوط در آنوریسم ICA (D) در آنوریسم MCA پخش می شود.

مقادیر سرعت از هر وکسل در تقاطع هواپیماهای قرار داده شده در ICA و MCA برای 20 مورد قبل و بعد از تقویت شده بیمار مغزی 4D جریان MRI ترسیم شد.(الف) مکان های هواپیمای نماینده ICA و MCA که بر روی ماسک مغزی عروقی نشان داده شده است. اصلی (SD برای استاندارد) و پیشرفته (میلی لیتر برای دستگاه آموخته شده) سرعت جریان 4D از 20 مورد برای هر دو سرعت (B) ICA z و سرعت (C) MCA X-Direction در ارتباط بود. توطئه های Bland Altman از همین مقادیر سرعت یکسان برای داده های (D) ICA و (E) MCA Planar ترسیم شد. توجه داشته باشید که داده های خارج از محدوده "عادی" نشان دهنده داده های سرعت نزدیک دیواره است ، که از طریق تقویت شیب سرعت دیوار نزدیک از طریق آموزش اصلاح شده است. پیشرفت های سرعت نزدیک دیوار تأثیر زیادی بر کمیت تنش برشی دیواره داشت.

بحث

تقویت داده های MRI جریان 4D با شبکه های آموزشی آگاهانه CFD می تواند زمینه های جریان فیزیولوژیکی پیشرفته ای ایجاد کند. در این کار اولیه ، ابزار بالقوه چنین روشی با استفاده از داده های CFD خاص بیمار با وضوح بالا برای آموزش یک شبکه عصبی و سپس استفاده از شبکه آموزش دیده برای تقویت زمینه های سرعت مغزی ناشی از MRI نشان داده شد. از طریق آزمایش بر روی تصاویر شبیه سازی شده ، داده های فانتوم و داده های موضوع انسانی در داخل بدن ، شبکه آموزش دیده با موفقیت تصاویر جریان را از بین می برد و خطای سرعت ، به ویژه دیوارهای کشتی را کاهش می دهد. چنین پیشرفت تصویر این پتانسیل را دارد که به طور قابل توجهی آنالیز MRI کیفی و کمی بالینی و کمی از جریان MRI از جریان مغزی را بهبود بخشد.

PC MRI ثابت شده است که ابزاری بسیار مفید برای تجزیه و تحلیل جریان قلبی عروقی 8،21،44 است. با ارائه روشی برای ارزیابی جریان خون متغیر در دو یا سه بعد ، MRI PC تجسم ارزشمندی از جریان خون پیچیده را فراهم می کند که در غیر این صورت برای پزشکان و محققان در دسترس نیست. با این حال ، هنگام استفاده از MRI PC به عنوان یک ابزار تحلیلی ، مهم است که اطمینان حاصل شود که نتایج تولید شده نماینده جریان واقعی فیزیک و فیزیولوژیکی است. کار زیادی در این زمینه انجام شده است که منجر به پیشرفت در وضوح تصویر و کاهش خطای تصویر می شود ، اگرچه دستیابی به داده ها و بهبود بازسازی. و اگرچه انجام این پیشرفت ها در روش های MRI PC بسیار مهم است ، ممکن است توصیف جریان با MRI از طریق سایر ابزارها و تکنیک های مکمل نیز بهبود یابد. در این کار نشان داده شد که هر دو یادگیری ماشین و تکنیک های شبیه سازی محاسباتی می توانند برای بهبود داده های MRI PC استفاده شوند. استفاده از روشهای CFD مجموعه ای از داده های مبتنی بر فیزیک بنیادی را ایجاد کرده است که می توان یک شبکه عصبی را نیز آموزش داد ، علاوه بر یک استاندارد با وضوح بالا که داده های MRI با وضوح پایین تر می توانند مقایسه شوند. علاوه بر این ، استفاده از تکنیک های یادگیری ماشین امکان استفاده از زمان و کارآیی از مجموعه داده های بزرگ و پیچیده را فراهم می کند.

در آموزش شبکه ، از داده های CFD با وضوح بالا "حقیقت زمین" به عنوان یک استاندارد مقایسه برای خروجی شبکه استفاده شد. از طریق این آزمایش نشان داده شد که داده های سرعت خراب دستی می توانند تا حد زیادی از طریق استفاده از یک شبکه عصبی آموزش داده شده CFD-Data اصلاح شوند. یعنی ، شبکه مطمئناً می تواند یاد بگیرد که تا حدی فساد را حذف کند ، اگرچه با زمان آموزش قابل توجهی. و اگرچه این آزمایش در کاربرد MRI PC محدود بود زیرا فقط مستلزم داده های فاسد نشده است که قبلاً به صورت دستی خراب شده بودند ، اما بررسی خوبی برای نحوه تطبیق شبکه در مرحله تکراری توسعه شبکه ارائه می داد. علاوه بر این ، داده های CFD با وضوح بالا یک متریک حقیقت زمینی را ارائه می دهند که در غیر این صورت با تصاویر موضوعی داخل بدن در دسترس نیست.

در آزمایش اول شبکه ، شامل MRI جریان 4D با وضوح بالا بر روی فانتوم مبتنی بر آناتومیک ، این شبکه همچنین در کاهش نویز تصویر و کاهش خطای RMS سرعت موفق بود. در این حالت ، اسکن MRI جریان 24 دقیقه ای با وضوح بالا ، که برای استفاده بالینی بسیار طولانی است ، یک استاندارد مرجع را ارائه می دهد. مقایسه با این اسکن با وضوح بالا نه تنها کاربرد تقویت تصویر را که شبکه عصبی آموزش دیده ارائه می دهد ، نشان می دهد ، بلکه پتانسیل بزرگی را برای کاهش خطای آینده نسبت به پروتکل های 4 تا 12 دقیقه با استفاده بالینی نشان می دهد. چنین مطالعات فانتوم علاوه بر مطالعات اعتبار سنجی با تکنیک های تجربی استاندارد طلا ، برای توسعه آینده این کار ادامه خواهد یافت.< SPAN> در آزمایش شبکه اول ، شامل MRI جریان 4D با وضوح بالا بر روی فانتوم مبتنی بر آناتومیکی ، این شبکه همچنین در کاهش نویز تصویر و کاهش خطای RMS سرعت موفق بود. در این حالت ، اسکن MRI جریان 24 دقیقه ای با وضوح بالا ، که برای استفاده بالینی بسیار طولانی است ، یک استاندارد مرجع را ارائه می دهد. مقایسه با این اسکن با وضوح بالا نه تنها کاربرد تقویت تصویر را که شبکه عصبی آموزش دیده ارائه می دهد ، نشان می دهد ، بلکه پتانسیل بزرگی را برای کاهش خطای آینده نسبت به پروتکل های 4 تا 12 دقیقه با استفاده بالینی نشان می دهد. چنین مطالعات فانتوم علاوه بر مطالعات اعتبار سنجی با تکنیک های تجربی استاندارد طلا ، برای توسعه آینده این کار ادامه خواهد یافت. در اولین آزمایش شبکه ، شامل MRI جریان 4D با وضوح بالا بر روی فانتوم مبتنی بر آناتومیک ، این شبکه نیز در آن موفق بودکاهش نویز تصویر و کاهش خطای RMS سرعت. در این حالت ، اسکن MRI جریان 24 دقیقه ای با وضوح بالا ، که برای استفاده بالینی بسیار طولانی است ، یک استاندارد مرجع را ارائه می دهد. مقایسه با این اسکن با وضوح بالا نه تنها کاربرد تقویت تصویر را که شبکه عصبی آموزش دیده ارائه می دهد ، نشان می دهد ، بلکه پتانسیل بزرگی را برای کاهش خطای آینده نسبت به پروتکل های 4 تا 12 دقیقه با استفاده بالینی نشان می دهد. چنین مطالعات فانتوم علاوه بر مطالعات اعتبار سنجی با تکنیک های تجربی استاندارد طلا ، برای توسعه آینده این کار ادامه خواهد یافت.

علاوه بر توسعه تجسم MRI PC برای تجزیه و تحلیل جریان قلبی عروقی ، تلاش های بسیاری برای بهبود قابلیت های کمی MRI PC انجام شده است. به خوبی شناخته شده است که خطاها در تخمین سرعت MRI PC می توانند تأثیر زیادی در معیارهای تجزیه و تحلیل کمی داشته باشند که از طریق پردازش 14،45،46،47 محاسبه می شوند. به طور خاص ، خطاهای سر و صدا ، محدودیت در دستیابی به دامنه سرعت (تنظیمات رمزگذاری سرعت) و خطای سرعت نزدیک دیواره می تواند بر کمیت معیارهایی مانند اتلاف انرژی جریان ، گرداب ، توزیع جریان ، استاز ، کاهش فشار و استرس برشی دیواری تأثیر منفی بگذارد. در میان دیگران 47،48،49،50،51. نتایج آزمایش شبکه نهایی در داده های MRI جریان 4D بیمار ، ابزار بالقوه این روش پیشنهادی را در به حداقل رساندن این خطاها نشان داد. از طریق استفاده از شبکه آموزش دیده در تصاویر جریان مغزی ، کاهش قابل توجهی در نویز و افزایش ظاهری در وضوح جریان مکانی مشاهده شد. شاید مهمتر از همه ، تجزیه و تحلیل بردار سرعت نشان داد که افزایش سرعت نزدیک دیواره ، که معیارهایی را تحت تأثیر قرار می دهد که بر اساس شیب سرعت دیواره نزدیک مانند استرس برشی دیواری است. تقریباً در هر مورد ، زمینه های سرعت پس از افزایش سرعت نزدیک به دیوار پایین تر از مورد اصلی و غیر پیشرفته بودند. این مطابق با یک مطالعه آزمایشی قبلی است که نشان می دهد MRI جریان 4D استاندارد ممکن است سرعت را در مناطق خاصی از آناتومی عروق مغزی ، مانند آنوریسم 52 ، بیش از حد ارزیابی کند. بررسی دقیق نتایج کیفی این مطالعه همچنین از این مفهوم پشتیبانی می کند. مروری بر توطئه های بردار سرعت نشان می دهد که مجموعه داده های اصلی (قبل از افزایش) مناطقی از انتقال سرعت ناگهانی و "نقاط مهم" در نزدیکی مرز کشتی را نشان می دهد. در مقابل ، مجموعه داده های پیشرفته ML یک شیب سرعت جسمی واقع گرایانه تر نشان می دهد که به صفر در نزدیکی مرز کشتی نزدیک می شود. بهبود مشخصات سرعت را می توان در توطئه های کمی از سرعت های مسطح پیشرفته در مقابل سرعت اصلی مسطح مشاهده کرد. توجه داشته باشید که نقاط داده ای که از محدوده "عادی" در رابطه با همبستگی و توطئه های آلتمن خارج شده بودند ، اغلب نماینده سرعت نزدیک دیواره بودند. تصحیح این نقاط به طور خاص تأثیر زیادی در کمیت تنش برشی دیواره داشت. چنین اندازه گیری می تواند به ویژه برای تجزیه و تحلیل و برنامه ریزی درمانی عروق مغزی پاتولوژیک ، مانند مورد آنوریسم های مغزی ، مهم باشد. از اهمیت اضافی ،

معیارهای گرداب و انرژی جنبشی برای تغییر در داده های پس از آموزش مشاهده شد. ما فرض می کنیم که بخش عمده ای از گرداب و تغییر انرژی جنبشی نتیجه ای از سطح سر و صدای پایین تر و بهبود پروفایل سرعت دیوار نزدیک در تصاویر پس از آموزش است. سرانجام ، با کاوش در آینده ، شبکه آموزش دیده CFD مستقل از تأثیر رمزگذاری سرعت است ، بنابراین ممکن است برای اصلاح مناطقی از سرعت کم یا زیاد که به طور کامل با تصویربرداری درون بدن مشخص نشده است ، استفاده شود.