Deep learning-based cardiovascular modelling

dc.contributor.advisorGoubergrits, Leonid
dc.contributor.authorYevtushenko, Pavlo
dc.contributor.grantorTechnische Universität Berlin
dc.contributor.refereePaschereit, Oliver
dc.contributor.refereeGoubergrits, Leonid
dc.date.accepted2023-06-19
dc.date.accessioned2023-08-24T10:02:44Z
dc.date.available2023-08-24T10:02:44Z
dc.date.issued2023
dc.description.abstractFluid dynamics play a vital role in understanding and treating a variety of cardiovascular diseases. Using high resolution medical-imaging data as well as modern flow simulation software, patient-specific blood flow in the heart and/or the vascular system can be calculated. From this data, clinically relevant parameters can be derived to supplement diagnosis and treatment. However, a widespread application of blood flow modelling in clinical practice remains unachieved despite numerous works detailing its potential to improve the diagnosis and treatment of various cardiovascular diseases. One obstacle for a clinical translation lies in the high computational demand of the blood flow modelling process, which is predominantly based on computational fluid dynamics (CFD). CFD simulations however require a considerable amount of computational power and runtime to provide accurate results. Applying these methods in clinical practice appears therefore unfeasible, since the required computational resources are rarely found in common healthcare facilities. As a possible solution to these practicability concerns, this work presents two artificial neural networks (ANN) which derive clinically relevant hemodynamic parameters from patient-specific geometry data. Compared to CFD, ANNs require little computational power and deliver results within seconds, thus potentially being more suited for a widespread clinical application. The ANN-based modelling approach presented in this work focuses on two physically related cardiovascular diseases, namely coarctation of aorta (CoA) and aortic valve disease (AVD). In both diseases,an energy loss occurs due to a pathological constriction of available flow cross-section area within the aorta, potentially causing heart-failure if left untreated. As has been shown in previous studies, modelling patient-specific pressure within the pathological region can be of substantial benefit for diagnostics and treatment outcome. The ANN-based modelling approach presented here provides this information by calculating patient-specific pressure in the aorta, which is already a key parameter in clinical decision making, and wall-shear-stress (WSS) on the aortic wall. To assess the feasibility of this ANN-based modelling, the ANN-based computations were compared with CFD simulations for 37 (CoA) and 23 (AVD) test cases. Good agreement between both methods was found, however, several cases showed a substantial discrepancy. All in all, ANN-based modelling appears to be a feasible alternative to costly numerical methods, although further improvements are necessary for a clinical application.en
dc.description.abstractIm Bereich der kardiovaskulären Medizin trägt das Gebiet der Strömungsmechanik maßgeblich zum Verständnis und zur Therapie verschiedenster Herz-Kreislauf Erkrankungen bei. Mithilfe hochauflösender medizinischer Bildgebung und modernen Strömungssimulationsverfahren ist es sogar möglich, bei einem bestimmten Patienten die Strömung im Herzen und/oder im Gefäßsystem zu berechnen. Dadurch lassen sich wiederum klinisch relevante Informationen ableiten, die der Therapieplanung und Durchführung zugutekommen. Allerdings bleibt eine großflächige Anwendung solcher patientenspezifischer Modellierungsverfahren bisher aus, obwohl mehrere Forschungsgruppen das Potential solcher Verfahren, die klinische Diagnostik und Therapie zu verbessern, an verschiedensten Beispielen zeigen konnten. Ein Hindernis bei der Translation solcher Methoden in die Klinik ist der vergleichsweise hohe rechentechnische Aufwand. Bisher basieren fast alle Ansätze zur Modellierung patientenspezifischer Blutströmung auf numerischen Simulationsverfahren, welche hohe Anforderungen bezüglich Rechenleistung und Laufzeit stellen. Ein Einsatz solcher Methoden mit den an einem Krankenhaus üblicherweise real verfügbaren Mitteln ist daher schwierig bis unmöglich. Als mögliche Lösung für dieses Problem stellt diese Arbeit zwei künstliche neuronale Netze (engl. „artifical neural network“, kurz ANN) vor, welche klinisch relevante strömungsmechanische Parameter aus patientenspezifischen Geometriedaten berechnen. ANNs haben dabei den Vorteil, kaum nennenswerte Rechenleistung zu brauchen und Ergebnisse in wenigen Sekunden zu liefern. Das hier entwickelte Berechnungsverfahren konzentriert sich dabei auf zwei strömungsmechanisch verwandte Herzkreislauf-Erkrankungen, nämlich Aortenisthmusstenosen (ISTA) und Aortenstenosen (AS). Bei beiden Erkrankungen entsteht ein Energieverlust aufgrund einer pathologischen Engstelle in der Aorta, welcher auf lange Sicht zu schwerer Herzinsuffizienz führen kann. Informationen über die Druckverhältnisse im betroffenen Bereich können, wie in vorherigen Arbeiten gezeigt wurde, einen substanziellen Mehrwert für die Behandlung solcher Patienten erbringen. Die hier vorgestellten ANNs berechnen dazu den patientenspezifischen Druck in der Aorta, welcher bereits jetzt nach klinischen Richtlinien zur Behandlungsentscheidung herangezogen wird, sowie die Wandschubspannungen auf der Aortenwand. Um die Nutzbarkeit der ANNs für den klinischen Gebrauch einschätzen zu können, wurden ANN-basierte Ergebnisse mit numerischen Simulationen für 37 ISTA- und 23 AS-Testfälle verglichen. Es fand sich eine gute Übereinstimmung bei der Vorhersage des Drucks und der Wandschubspannung, allerdings waren in einigen Einzelfällen hohe Abweichungen zwischen beiden Simulationsmethoden zu beobachten. Insgesamt konnte gezeigt werden, dass eine ANN-basierte Berechnung eine vielversprechende Alternative zu aufwendigen numerischen Simulationen sind, jedoch bedarf es noch einiger Verbesserungen für eine klinische Anwendung.de
dc.description.sponsorshipBMBF, 13GW0208B, ArtiCardio
dc.identifier.urihttps://depositonce.tu-berlin.de/handle/11303/19482
dc.identifier.urihttps://doi.org/10.14279/depositonce-18280
dc.language.isode
dc.language.isoen
dc.rights.urihttp://rightsstatements.org/vocab/InC/1.0/
dc.subject.ddc600 Technik, Medizin, angewandte Wissenschaften::610 Medizin und Gesundheit::610 Medizin und Gesundheit
dc.subject.ddc000 Informatik, Informationswissenschaft, allgemeine Werke::000 Informatik, Wissen, Systeme::005 Computerprogrammierung, Programme, Daten
dc.subject.ddc500 Naturwissenschaften und Mathematik::510 Mathematik::516 Geometrie
dc.subject.ddc500 Naturwissenschaften und Mathematik::510 Mathematik::519 Wahrscheinlichkeiten, angewandte Mathematik
dc.subject.otherdeep learningen
dc.subject.othercomputational fluid dynamicsen
dc.subject.otheraortic valve diseaseen
dc.subject.othercoarctation of aortaen
dc.subject.otherimage based modellingen
dc.titleDeep learning-based cardiovascular modellingen
dc.title.translatedDeep Learning-basierte kardiovaskuläre Modellierungde
dc.typeDoctoral Thesis
dc.type.versionacceptedVersion
dcterms.rightsHolder.referenceDeposit-Lizenz (Erstveröffentlichung)
tub.accessrights.dnbdomain
tub.affiliationFak. 5 Verkehrs- und Maschinensysteme::Inst. Strömungsmechanik und Technische Akustik (ISTA)::N/A (Not Applicable)
tub.publisher.universityorinstitutionTechnische Universität Berlin

Files

Original bundle
Now showing 1 - 1 of 1
Loading…
Thumbnail Image
Name:
yevtushenko_pavlo.pdf
Size:
16.14 MB
Format:
Adobe Portable Document Format
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
4.23 KB
Format:
Item-specific license agreed upon to submission
Description:

Collections