CONVERGENCE - unitbv.roaut.unitbv.ro/CONVERGENCE/Convergence-Newsletter-1.pdf · 2018. 1. 31. · CONVERGENCE - unitbv.ro ... 1

CONVERGENCE :: Frictionless Energy Efficient Convergent Wearables for Healthcare and Lifestyle Applications

Newsletter

Numărul 1

Ianuarie 2018

http://aut.unitbv.ro/CONVERGENCE/

CONVERGENCE

Frictionless Energy Efficient Convergent

Wearables for Healthcare and Lifestyle

Applications

Newsletter Numărul 1

Ianuarie 2018

Activitățile s-au concentrat asupra modelului arterial al coarctației aortice. Coarctația

este o afecțiune congenitală care presupune stenozarea unei porțiuni a aortei toracice,

așa cum se poate observa în figura 1.1. Aplicația dezvoltată, denumită Pressure Drop

Computation in Aortic Coarctation este un instrument util pentru determinarea variației

căderilor de presiune și a debitului sangvin în porțiunea stenozată.

Fig.1.1. Coarctația aortică.

Prototipul dispune și de o interfață grafică simplă, în care utilizatorul poate introduce

datele de intrare ale pacientului și să ruleze, în mod clasic, modelul hemodinamic în

vederea calculării căderilor de presiune. Acest proces poate dura între 2 și 4 minute, în

funcție de geometria furnizată la intrare. Chiar dacă nu a făcut parte din obiectivele

1.

Introducere.

Coarctația aortică ............................................... 2

2.

Descrierea aplicației ........................................... 4

3.

Descrierea interfeței grafice .............................. 6

4.

Folosirea algoritmilor de inteligență artificială

pentru determinarea rapidă a rezultatelor ........ 8

CONVERGENCE Newsletter

Nr. 1 | Ianuarie 2018

2


acestui an și având în vedere utilitatea și importanța acestei aplicații, s-a lucrat și la o

abordare bazată pe algoritmi de inteligență artificială care vor reduce acești timpi la

durate de ordinul milisecundelor. Pentru aceasta a fost necesară generarea de date

sintetice care să servească pe post de exemple de antrenare. Rezultatele prezentate au

fost obținute cu un număr de aproximativ 2500 de astfel de seturi de date sintetice.

Cele mai bune rezultate au fost obținute cu ajutorul rețelelor neurale, corelația dintre

ieșirea reală și predicție fiind de 99.1%.

1.

Introducere - coarctația aortică

Coarctaţia aortei este un defect congenital care constă într-o

îngustare a aortei, care apare la 5 până la 8% dintre toţi pacienţii cu

afecţiunea cardiacă congenitală (v. fig. 1.1) [Ringel et al., 2012]. Nu

există certitudine referitoare la factorii care cauzează apariţia acestei

afecţiuni. Totuşi, o explicaţie general acceptată este aceea că

patologia este legată de anormalităţi în procesul dezvoltării arterelor

şi în hemodinamica punctului de ramificaţie al vasului ductus

arteriorus în timpul dezvoltării fătului. Se pare că o serie de factori au

influenţă, dintre care cel mai important este cel genetic [Völkl et al.,

2005].

O teorie cu perspective bune în ceea ce priveşte validarea ei prin

intermediul modelării computaţionale este cea postulată de Hutchins

[Hutchins, 1971]. În lucrarea respectivă se sugerează că apariţia

coarctaţiei este o consecinţă a condiţiilor neregulate de curgere a

sângelui pe parcursul dezvoltării fătului. În cazul unui făt sănătos,

debitul sângelui care curge prin aorta ascendentă este mai mare

decât debitul sângelui care curge prin ductus arteriorus. În cazul

patologic, ipoteza este că o parte din debitul prin ductus arteriorus

este redirecţionat către artera subclavie. Aceasta ar conduce la un

tensor de stres anormal de-a lungul peretelui arterial care ar facilita

apariţia îngustării.

Datorită îngustării induse de coarctaţia aortei, presiunea sângelui în

partea superioară a corpului şi în ventriculul stâng este mai mare.

Acest aspect conduce la rândul lui la apariţia hipertrofiei miocardice

pentru a se menţine la un nivel normal stresul lângă pereţii arteriali,

dar şi debitul cardiac. Dacă hipertensiunea nu este tratată, se poate

ajunge la insuficienţă cardiacă congestivă.

În cazul în care condiţia este diagnostică în timpul copilăriei sau

adoloescenţei, pacienţii nu suferă de insuficienţă cardiacă, datorită

dezvoltării unor artere colaterale coarctaţiei (v. fig. 1.1(d)). Cu toate

acestea, presiunea arterială scăzută de după îngustare, afectează

extremităţile inferioare.

Pacienţii născuţi cu coarcţie aortică necesită îngrijire medicală

continuă, care constă în vizualizarea invazivă sau non-invazivă a

aortei, terapie medicamentoasă şi, în cazul în care coarctaţia se

reformează, cateterizare invazivă sau intervenţie chirurgicală pentru

a reduce presiunea sanguină în aorta ascendentă. Pentru evaluarea

pre-operatorie a severităţii coarctaţiei şi pentru evaluarea post-

operatorie a îngustării reziduale există o serie de tehnici utilizate în

clinici. Evaluarea anatomică se bazează, de obicei, pe rezonanţă

magnetică (MRI) sau tomografie computerizată (CT), în timp ce,

evaluarea funcţională constă în măsurarea căderii de presiune (Δp)

de-a lungul coarctaţiei. Cea mai precisă evaluare a căderii de

presiunii (determinată ca diferenţa de presiune dintre valoarea

sistolică maximă din amonte de coarctaţie şi valoarea sistolică

maximă din aval de coarctaţie) este realizată invaziv prin măsurarea

presiunilor cu ajutorul unui cateter. Dacă valoarea este mai mare de

20 mmHg, atunci se consideră că îngustarea este semnificativă. Există

şi alternative mai puţin precise pentru evaluarea coarctaţiilor:

măsurarea presiunilor arteriale în cadrul extremităţilor

superioare şi inferioare (braţe şi picioare) şi realizarea

diferenţei dintre cele două valori. Această metodă are la bază

faptul că braţele sunt alimentate de artere care se bifurcă din

aortă la o locaţie aflată în amonte de coarctaţiei, iar picioarele

sunt alimentate de artere care se bifurcă din aortă la o locaţie

aflată în aval de coarctaţie;

utilizarea ecocardiografiei Doppler pentru estimare gradienţilor

maximi/medii de presiune.

Măsurătorile efectuate prin intermediul ecocardiografiei Doppler

adeseori nu sunt fezabile în cazul adolescenţilor şi adulţilor datorită

poziţiei posterioare a aortei descendente şi, de obicei,

supraestimează căderea de presiune, atât în cazul folosirii ecuaţiei

Bernoulli modificate cât şi în cazul utilizării ecuaţiei Bernoulii

simplificate [Seifert et al., 1999]. Ecuaţia Bernoulli modificată este:

21

224 vvp (1)

unde, 2v este viteza maximă la coarctaţie şi 1v este viteza maximă

înainte de coarctaţie, iar varianta simplificată este

22

2vp

(2)

Alte studii au arătat că diferenţa presiunilor arteriale între mâini şi

picioare reprezintă o estimare incorectă a gradientului de presiune

de-a lungul coarctaţiei [Hom et al., 2008], atunci când se compară cu

valoarea obţinută prin standardul clinic care constă în măsurarea

invazivă realizată cu ajutorul unui cateter.



3


În cazul în care coarctaţia este semnificativă, există mai multe opţiuni

de tratare a acesteia [Beltrán, 2012]:

anastomoză: segmentul aortic care conţin coarctaţia este

înlăturat şi cele două capete ale aortei sunt unite;

aortoplastie: dacă cele două capete ale aortei sunt prea

îndepărtate unul de celălalt pentru aplicarea primei metode,

atunci se introduce o proteză dintr-un material compliant

corespunzător;

angioplastie: este o procedură care constă în umflarea şi

deflaţia unui cateter cu balon în vederea ameliorării îngustării.

Această metodă este adeseori considerată o alternativă în cazul

reapariţiei coarctaţiei, fiind utilizată datorită caracterului minim

invaziv;

plasarea unui stent: stenturile sunt tuburi realizate dintr-o

combinaţie de plastic şi metal care sunt plasate în arterele

îngustate sau blocate. În contextul coarctaţiei aortice, această

procedură este aplicată în cazul reapariţiei coarctaţiei după

intervenţiile chirurgicale sau după angioplastie, în cazul unei

geometrii nefavorabile angioplastiei sau în cazul unui risc sporit

pentru intervenţia chirurgicală.

Coarctaţia aortică este o condiţie patologică continuă, care poate

conduce la numeroase complicaţii de-a lungul vieţii unui pacient,

chiar şi după o intervenţie de succes. Ca şi la hipertensiunea cauzată

de alte motive, pacienţii au un risc sporit în ceea ce priveşte

ateroscleroza prematură, disfuncţia ventriculară sau apariţia

anevrismelor.

Luând în considerare natura invazivă a cateterizării cardiace, precum

şi expunerea pacientului la radiaţie şi la o substanţă de contrast, o

evaluare precisă şi non-invazivă a gradientului de presiune, nu doar

că ar elimina aceste neajunsuri, dar ar reduce şi costurile evaluării

pre-operatii şi post-operatorii ale coarctaţiei.

În vederea adresării acestui aspect, au fost propuse în ultimii ani

diverse modele bazate pe dinamica fluidelor computaţională (CFD)

pentru analiza hemodinamicii geometriilor aortice idealizate sau

specifice pacienţilor, respectiv afectate sau nu de coarctaţie. Aceste

studii au analizat căderea de presiune de-a lungul coarctaţiei pe baza

unor modele rigide [Valverde et al., 2011] sau compliante [LaDisa et

al., 2011] ale aortei. De asemenea, s-au avut în vedere şi alte mărimi

semnificative din punct de vedere hemodinamic, precum intensitatea

turbulenţelor [Arzani et al., 2012] sau tensiunea de forfecare

oscilantă la perete (OSS) [Willett et al., 2010]. De asemenea, au fost

raportate rezultatele unui studiu în care s-au analizat în cazul

iepurilor modificările mecanice cauzate de coarctaţie precum şi

impactul acesteia asupra structurii vaselor de sânge [Menon et al.,

2011]. Îndreptarea atenţiei către o validare in-vivo a acestor abordări

reprezintă primul pas al procesului de translatare a tehnicilor non-

invazive către un standard clinic de evaluare a coarctaţiilor. Pentru a

se asigura fezabilitatea metodelor bazate pe CFD în cadrul clinicilor,

al doilea obstacol major este reprezentat de timpul de execuţie

necesar rulării modelelor CFD. Rezolvarea numerică a ecuaţiilor

Navier-Stokes tridimensionale pentru geometrii complexe, specifice

pacienţilor necesită, în general, mai multe ore datorită activităţilor de

preparare a datelor, de pregătire a grid-ului şi de soluţionare

numerică a modelului. Acest aspect reprezintă un impediment

important în utilizarea modelelor CFD în cadrul fluxurilor de lucru de

rutină din clinici.

Figura 1.1 Exemple de coarctaţii aortice: îngustare uşoară (A), îngustare moderată (B),

îngustare tortuoasă (C), îngustare severă cu circulaţie colaterală [Valverde et al., 2012] (D).

Pentru adresarea acestor provocări, în trecut am dezvoltat o

abordare bazată pe CFD cuplată cu o strategie de personalizare non-

invazivă a modelelor pentru evaluarea pre- şi post-operatorie a

pacienţilor cu coarctaţie [Itu et al., 2013]. Aspectele cheie ale

metodologiei dezvoltate au fost:

un model de ordin redus pentru simularea fluxului sanguin în

cadrul geometriilor arteriale specifice pacienţilor;

o metodă de estimare a parametrilor necesari impunerii unor

condiţii de frontieră personalizate la interfeţele artificiale de

intrare şi de ieşire din model şi determinării proprietăţilor

pereţilor arteriali. Această metodă se bazează pe date obţinute

exclusiv pe cale non-invazivă;

o formulare comprehensivă a căderii de presiune.

Metoda dezvoltată este complet automatizată, nu necesită proceduri

iterative de adaptare a parametrilor şi necesită în total 2-4 minute

pentru efectuarea calculelor numerice, ceea ce o face fezabilă pentru

aplicarea în cadrul unui flux clinic de rutină. Validarea iniţială a

metodei a fost realizată pe baza unui set de date cuprinzând 4

pacienţi prin comparaţie cu valorile de referinţă obţinute invaziv prin

cateterizare. Suplimentar, rezultatele au fost comparate şi cu



4


celelalte metode non-invazive de evaluarea a coarctaţiilor, şi anume

gradientul de presiune obţinut prin aplicarea ecuaţiei modificate

Bernoulli, pe baza datelor obţinute prin ecocardiografia Doppler, şi

gradientul presiunilor măsurate prin tensiometru în extremităţile

superioare şi inferioare ale corpului.

2.

Descrierea aplicației

Dezavantajul metodologiei dezvoltate în trecut și descrise în

secțiunea de mai sus este că necesită ca informație de intrare un

model anatomic detaliat, reconstruit din date de imagistică medicală.

Acest pas de reconstrucție a modelului anatomic nu este complet

automatizat, necesitând intervenția unui operator uman (doctor),

ceea ce limiteaza utilitatea abordării într-un cadru clinic.

În continuare ne vom referi pe scurt la modul în care aplicațiile

descrise se integrează în conceptul general al proiectului

Convergence, care are ca scop dezvoltarea unei platforme bazata pe

senzori purtabili eficient din punct de vedere energetic la nivel de

sistem, care exploateaza tehnici de analiza de date dezvoltate intr-o

abordare centrata pe context (in contrast cu o abordare traditionala

in care cercetarea la nivel de dispozitiv si analiza datelor se realizeaza

pe cai separate, care rareori converg). In acest proiect se aleg

dispozitive purtabile realiste pentru sisteme eficiente din punct de

vedere energetic precum cele de incheietura. In CONVERGENCE

progresul lor, ca sisteme autonome, este prevazut sa ofere solutii

unice pentru noi generatii de aplicatii de monitorizare a sanatatii si a

mediului. Pe termen lung, platforma CONVERGENCE va forma baza

unei noi generatii de interfatare om-masina. Astfel de sisteme

purtabile wireless, multifunctionale si eficiente din punct de vedere

energetic vor urmari si interactiona zilnic cu utilizatorul final prin

intermediul unor canale de feedback corespunzatoare. Ele vor

permite furnizarea unor sfaturi si a unei asistente personalizate,

promovand un stil de viata mai sanatos si o preventie mai bune, cu

mult superioara in raport cu ceea ce retelele wireless de senzori pot

furniza in ziua de azi.

Astfel activitățile Universității Transilvania în acest proiect se

concentrează pe utilizarea unor modele hemodinamice (bazate pe

dinamica fluidelor computațională sau pe inteligență artificială), care

sunt personalizate dintr-un set de măsurători inițiale și dintr-un set

de măsurători continue realizate de senzori purtabili (figura 2.1).

Simulările hemodinamice, atunci când sunt folosite împreună cu

modele anatomice personalizate extrase din imagini medicale,

furnizează informații detaliate despre structura și funcționarea

sistemului cardiovascular. În ultimii ani, aceste tehnici au fost

propuse pentru diagnosticarea, stratificarea riscurilor și planificarea

intervențiilor [Cebral et al., 2011], [Haggerty et al., 2013],

[Quarteroni et al., 2000], [Taylor et al., 2010].

La primul pas se realizează o serie de măsurători de inițializare:

acestea pot fi bazate pe imagistică medicală, precum RMN, sau pe

măsurători simple precum înălțime, greutate, BMI, etc. Aceste

măsurători sunt folosite pentru a realiza o personalizare inițială a

modelului arterial, definindu-se astfel geometria sistemică arterială.

În continuare se preiau în mod repetat, la intervale de timp relativ

scurte, măsurători pe baza senzorilor purtabili. Aceste măsurători

furnizează informații precum fecvență cardiacă, presiune arterială,

EKG, etc. Aceste măsurători sunt folosite împreună cu geometria

arterială personalizată anterior pentru a rula simulările

hemodinamice în mod automat. Mărimile de ieșire ale simulărilor

hemodinamice sunt: debitul variabil în timp, presiunea variabilă în

timp, aria secțiunii transversale variabile în timp, la toate locațiile

arborelui arterial sistemic. Pe baza acestor valori se pot extrage

mărimi de interes precum presiunea aortică centrală, severitatea

aterosclerozei periferice, severitatea coarctației, apariția

hipertensiunii, riscul de patologie cardiovasculară, etc.

Figura 2.1. Vedere de ansamblu asupra metodologiei propuse.

În acest sens s-a dezvoltat o metodologie simplificată de definire a

modelului anatomic, bazată pe un număr redus de măsurător care

pot fi extrase complet automizat din date de imagistică medicală.

Aceste măsurători sunt descrise mai jos împreună cu aplicația care a



5


fost dezvoltată în acest sens. Aplicația dispune de o interfață grafică

compusă din două tab-uri, primul dintre ele conținând câmpurile

aferente parametrilor de intrare ce descriu geometria aortei, iar al

doilea fiind destinat vizualizării rezultatelor.

Parametrii de intrare ce trebuiesc specificați înaintea rulării

modelului hemodinamic sunt:

Systolic Blood Pressure – poate lua valori întregi în intervalul

[60 mmHg, 200 mmHg];

Diastolic Blood Pressure – poate lua valori întregi în intervalul

[20 mmHg, 160 mmHg];

End-systolic Pressure – poate lua valori întregi în intervalul [20

bpm, 200 bpm];

Heart Rate – poate lua valori întregi în intervalul [30 mmHg,

200 mmHg];

Systolic Duration – poate lua valori întregi în intervalul [30 %,

70 %];

Ascending Aorta diameter – poate lua valori reale în intervalul

[0.3 cm, 6.0 cm];

Ascending Aorta End diameter – poate lua valori reale în

intervalul [0.3 cm, 6.0 cm];

Transverse Aortic Arch diameter – poate lua valori reale în


Transverse Aortic Arch End diameter – poate lua valori reale în


Coarctation of the Aorta diameter – poate lua valori reale în


Coarctation of the Aorta length – poate lua valori reale în


Post Coarctation of the Aorta diameter – poate lua valori reale

în intervalul [0.3 cm, 6.0 cm];

Descending Aorta diameter – poate lua valori reale în intervalul

[0.3 cm, 6.0 cm];

Brachiocephalic Artery diameter – poate lua valori reale în


Left Common Carotid Artery diameter – poate lua valori reale

în intervalul [0.3 cm, 6.0 cm];

Left Subclavian Artery diameter – poate lua valori reale în


Maximum Ascending Aorta diameter – poate lua valori reale în


Cardiac Output – poate lua valori reale în intervalul [0.5 l/min,

12.0 l/min];

Percentage Flow Descending Aorta – poate lua valori întregi în

intervalul [10 %, 80 %].

Fig. 2.2. Tab-ul corespunzător datelor de intrare a interfeței grafice.



6


Coeficientul de rigiditate (stiffness value) se calculează, la fiecare

modificare a parametrilor de intrare de care depinde, astfel:

24

3

scm

gstiffness (2.1)

sys

dia

diasys

A

A

PP

1

(2.2)

22.1333)( PressureBloodSystolicPsys (2.3)

22.1333)( PressureBloodDiastolicPdia (2.4)

4

)( 2diameterAortaAscendingMaximumAsys (2.5)

4

)( 2diameterAortaAscendingAdia (2.6)

Prin apăsarea butonului Run Blood Flow Computation este rulat

solverul care calculează căderile de presiune pe baza modelului

hemodinamic. După finalizarea execuției, rezultatele obținute vor

putea fi vizualizate în tab-ul al doilea, ilustrat în figura 2.3.

Aici sunt prezentate o serie de informații precum căderile de

presiune pe anumite segmente ale aortei, grafice ale acestora,

comparații între valori prescrise si valori calculate ale presiunilor,

diametrul aortei, variația debitului în timp, etc.

Fig.2.3. Tab-ul de vizualizare a rezultatelor obținute cu modelul hemodinamic.

3.

Descrierea interfeței grafice

Primul tab al interfeței grafice este organizat în 8 regiuni (vezi fig. 3.1)

după cum urmează:

Prima regiune conține o imagine explicativă a semnificației

fiecărui parametru de intrare.



7


A doua regiune este compusă din câmpurile corespunzătoare

măsurătorilor fiziologice: Systolic Blood Pressure (SBP), Diastolic

Blood Pressure (DBP), End-Systolic Pressure (ESP), Heart Rate și

Systolic Duration.

În regiunea a treia se poate vizualiza un grafic al variației

presiunii în funcție de timp, acesta actualizându-se în timp real

la modificarea oricărui parametru din regiunea a doua, de care

depinde.

Al patrulea grup este corespunzător variabilelor anatomice de

intrare: Ascending Aorta (AAo) Diameter, AAo End Diameter,

Transverse Aortic Arch (TAA) Diameter, TAA End Diameter,

Coarctation of the Aorta (CoA) Diameter, CoA Length, Post CoA

Diameter, Descending Aorta (DAo) Diameter, Brachiocephalic

Artery (BCA) Diameter, Left Common Carotid Artery (LCCA)

Diameter, Left Subclavian Artery (LSA) Diameter. Localizarea

fiecăreia dintre aceste mărimi este ilustrată în imaginea

explicativă sus-menționată.

Analog grupării a treia, regiunea a cincea prezintă un grafic a

variației razei aortei în funcție de lungimea (poziția curentă)

acesteia. Modificarea parametrilor anatomici duce la

actualizarea în timp real a graficului.

În grupul al șaselea se poate seta diametrul maxim al AAo și

sunt afișate diametrul minim al AAo și valoarea rigidității

peretelui aortic calculată cu relația 2.1. Așadar acesta conține

parametrii ce descriu elasticitatea peretelui aortic.

Regiunea a șaptea conține următoarele informații despre

debitul sangvin: Cardiac Output și Percentage Flow Descending

Aorta.

În sfârșit, grupul opt permite setarea Pre/Post Operation, iar

butonul Run Blood Flow Computation va determina lansarea în

execuție a solverului pentru modelul hemodinamic.

Tab-ul al doilea, cel de rezultate, este și el organizat în cinci regiuni

distincte (vezi fig. 3.2.):

Primul grafic ilustrează variația presiunii în timp pentru mai

multe regiuni ale aortei : AAo, TAA start, TAA end, PostCoA, și

DAo.

Al doilea grafic ilustrează o comparație a presiunii prescrisă la

intrare versus presiunea calculată, în funcție de timp.

A treia regiune cuprinde un grafic al variației debitului în

funcție de timp, atât la intrarea cât și la ieșirea din regiunea de

interes a aortei.

Al patrulea grafic vizează variația diametrului AAo în funcție de

timp.

A cincea regiune cuprinde un tabel în care se pot regăsi

următoarele informații: i) căderea de presiune (vârf la vârf)

dintre AAo și DAo, ii) căderea de presiune (vârf la vârf) dintre

TAA și DAo, iii) căderea medie de presiune dintre AAo și DAo,

iv) căderea medie de presiune dintre TAA și DAo.

Fig.3.1. Primul tab al interfeței grafice.



8


Fig.3.2. Tab-ul de rezultate a interfeței grafice.

4.

Folosirea algoritmilor de inteligență artificială

pentru determinarea rapidă a rezultatelor

Întrucât determinarea rezultatelor cu ajutorul modelului hemo-

dinamic este destul de costisitoare în ceea ce privește timpul de

execuție, în prezent se lucrează la o abordare bazată pe algoritmi de

inteligență artificială. Această abordare se bazează pe principiul

învățării supervizate, din acest motiv fiind necesar să se genereze un

număr mare de date sintetice (artificiale), date ce sunt folosite pe

post de exemple de antrenare.

4.1. Generarea de date artificiale

Parametrii de intrare, generați în mod aleatoriu, trebuie să respecte

geometria aortei, așadar au fost impuse următoarele constrângeri :

SBP poate lua valori aleatoare în intervalul [80 , 180];

DBP poate lua valori aleatoare în intervalul [30 , SBP-30];

ESP poate lua valori aleatoare în intervalul [DBP+0.2*(SBP-DBP)

, DBP+0.8*(SBP-DBP)];

HeartRate poate lua valori aleatoare în intervalul [30 , 180];

Systolic Duration poate lua valori aleatoare în intervalul [15 ,

70];

AAo diameter poate lua valori aleatoare în intervalul [1 , 3.5];

Maximum AAo diameter are valoarea (p/100)*AAo+AAo , unde

p poate lua valori aleatoare în intevalul [5 , 25];

AAoEnd diameter poate lua valori aleatoare în intervalul

[0.6*AAo , 1.1*AAo];

TAA diameter poate lua valori aleatoare în intervalul

[0.9*AAoEnd, AAoEnd];

TAAEnd diameter poate lua valori aleatoare în intervalul

[0.7*TAA , 1.1*TAA];

Minimum CoA diameter poate lua valori aleatoare în intervalul

[0.2*TAAEnd , 0.8*TAAEnd];

CoaLength poate lua valori aleatoare în intervalul [0.5 , 6];

PostCoA diameter poate lua valori aleatoare în intervalul

[0.85*TAAEnd , 1.1*TAAEnd];



9


DAo diameter poate lua valori aleatoare în intervalul

[0.85*PostCoA , 1.15*PostCoA];

BCA diameter poate lua valori aleatoare în intervalul [0.4*DAo ,

0.8*DAo];

LCCA diameter poate lua valori aleatoare în intervalul [0.4*DAo,

0.8*DAo];

LSA diameter poate lua valori aleatoare în intervalul [0.4*DAo ,

0.8*DAo];

Coeficientul de rigiditate(Stiffness value) se calculează cu

relația (2.1).

Percentage Flow se calculează cu relația:

2222

2

2222

2100

DAoLSALCCABCA

DAo

PF (4.1)

Odată ce datele de intrare au fost generate, acestea sunt stocate

într-un fișier *.csv (Comma separated values), urmând apoi lansarea

în execuție a algoritmului iterativ bazat pe modelul hemodinamic. În

funcție de geometria aortei determinată de variabilele de intrare sus

menționate, acest algoritm poate avea o durată de execuție între 2 și

4 minute. Totuși, acest mecanism de atribuire de valori aleatoare a

variabilelor de intrare poate genera geometrii nefirești, lucru ce

conduce la imposibilitatea algoritmului de a ajunge la convergență.

Pentru a remedia această problemă, a fost configurat un Watchdog

Timer, care atunci când sesizează rularea unei simulări pe o perioadă

mai mare de 5 minute, va întrerupe această simulare.

Rezultatele simulărilor sunt centralizate tot cu ajutorul unui script,

care citește și parsează toate fișierele de ieșire și creează alte fișiere

*.csv, corelate cu cele a datelor de intrare. În acest mod se creează

setul de date de antrenare (X , Y).

În primă instanță, datele de intrare sunt 20 – dimensionale, unde cele

20 de dimensiuni sunt reprezentate de parametrii descriși mai sus.

În urma testelor s-a ajuns la concluzia că modelul este mult prea

complex pentru a putea fi descris în mod optim în funcție de aceste

dimensiuni, așadar s-a procedat la adăugarea de atribute

suplimentare, după cum urmează:

Pentru fiecare diametru d în parte, au fost introduse 21 d și

41 d .

A fost introdus și atributul

2

22

11

PostCoACoA

În acest fel dimensionalitatea spațiului intrărilor a fost crescută la 42

și odată cu aceasta a crescut și performanța algoritmilor.

Algoritmii de învățare

Toate testele au fost realizate în mediul de dezvoltare KNIME

Analytics Platform, iar performanța algoritmilor a fost măsurată

cantitativ prin coeficientul de corelație Pearson.

Fig.4.1. Generearea de date sintetice

YY

YXYY

),cov(, (4.2)

unde ),cov( YY este covarianța între �̅� și 𝑌, iar Y

este deviația

standard a setului �̅�. În cazul nostru 𝑌 reprezintă ieșirea reală,

determinată cu modelul hemodinamic, iar �̅� este predicția

algoritmului.

Datele sintetice au fost împărțite în două categorii: setul de date de

antrenare (70%) și setul de date de test (30%), pentru ca rezultatul

corelației să nu fie afectat de overfitting.

Având în vedere că datele de intrare sunt foarte diferite ca și ordin

de mărime a fost necesară aplicarea unei normalizări asupra

acestora(min-max normalization), ca în relația 4.3.

)min()max(

)min('

xx

xxx i

i

(4.3)

Rezultatele ce urmează a fi prezentate au fost prelavate cu un număr

de 1716 de exemple de antrenare și 736 de perechi de testare,

pentru ieșirea Average Pressure Drop between AAo and DAo.

Au fost încercați următorii algoritmi: Regresie polinomială, rețele

neurale și SVR (Support vector regression). Dintre aceștia, regresia

polinomială a avut cele mai slabe performanțe, corelația pe setul de

testare între ieșirile reale și predicții fiind de numai 82%, prin

utilizarea unui polinom de gradul 4.

Folosirea algoritmului nu-SVR a adus îmbunătățiri majore în ceea ce

privește predicția, aceasta fiind corelată cu ieșirea reală în proporție

de 98.1%. Distribuția acestei corelații poate fi vizualizată în figura 4.2.

În ceea ce privește rețelele neurale, a fost creată o rețea cu un singur

strat de ascuns, compus din 40 de neuroni (figura 4.3).



10


Fig. 4.1. Distribuția corelației între ieșirile reale și predicție cu algoritmul de regresie polinomială.

Fig.4.2. Corelația dintre predicția algoritmului nu-SVR și ieșirea reală.

Fig.4.3. Implementarea rețelei neurale.



11


Ponderile rețelei învățate după realizarea a 1500 de iterații a

algoritmului propagării înapoi a erorii (Backpropagation), au condus

la obținerea unei corelații între predicție și valoarea reală a ieșirii de

99.1% pe setul de test, așa cum se poate observa în figura 4.4.

În figura 4.5 se poate vizualiza distribuția corelației dintre ieșirea

Averaged AAo-DAo pressure drop și predicția rețelei.

Fig. 4.4. Coeficientul de corelație Pearson între

ieșirea reală și predicția rețelei neurale.

Fig.4.5. Distribuția corelației dintre ieșirea reală și predicția rețelei neurale.

În cazul rețelelor neurale trebuie normalizată și ieșirea Y conform

relației 4.3. Figura 4.6 prezintă câteva scoruri de performanță a

rețelei, prelevate din datele normalizate.

Fig.4.6. Scoruri de performanță a rețelei.

Pe testul de antrenare valoarea corelației este de 99.9% ceea ce

indică faptul că rețeaua prezintă overfitting, dar, în principiu, odată

cu creșterea numărului de exemple de antrenare această problemă o

să dispară, iar corelația rezultată pe setul de testare va crește. Pentru

a valida această ipoteză, au fost realizate teste prin divizarea

numărului de exemple de antrenare la 25, 50, și 75% din numărul

total. Rezultatul acestor teste indică în mod cert o îmbunătățire a

rezultatelor proporțională cu numărul exemplelor de antrenare (vezi

fig. 4.7).

Fig.4.7. Îmbunătățirea corelației în funcție de

numărul de exemple de antrenare.

Referințe

[Alassi, 2012] S. Alassi, “Estimating Blood Flow Based on 2D Angiographic Image Sequences”, Master thesis, Friedrich-Alexander Universität

Erlangen-Nürnberg, 2012.



12


[Alastruey et al., 2009] J. Alastruey et al., “Modelling pulse wave propagation in the rabbit systemic circulation to assess the effects of altered nitric

oxide synthesis”, J Biomech, vol. 42, pp. 2116–2123, 2009.

[Bessems, 2008] D. Bessems, “On the propagation of pressure and flow waves through the patient-specific arterial system”, PhD Thesis 2008,

Techincal University of Eindhoven, Netherlands.

[Davies et al., 2006] J. E. Davies et al., “Evidence of a Dominant Bbackward-Propagating Suction Wave Responsible for Diastolic Coronary Filling in

Humans, Attenuated in Left Ventricular Hypertrophy”, Circulation, vol. 113, pp. 1768-78, 2006.

[Formaggia et al., 2013] L. Formaggia et al., “On the physical consistency between three-dimensional and one-dimensional models in

haemodynamics”, J Comp Phys, vol. 244, pp. 97–112, 2013.

[Heller et al., 1994] L. Heller et al., “Blood Flow Velocity in the Right Coronary Artery: Assessment before and after angioplasty”, J Am Coll Cardiol,

vol. 24, pp. 1012-1017, 1994.

[Huo et al., 2012] Y. Huo et al., “A Validated Predictive Model of Coronary Fractional Flow Reserve”, J R Soc Interface, vol. 9, pp. 1325–38, 2012.

[Itu et al., 2014(a)] Itu, L. M., Suciu, C. “An External Tissue Support Model for the Arterial Wall Based on In Vivo Data”, IEEE International

Symposium on Medical Measurements and Applications, Lisbon, Portugal, June 11-12, pp. 1-5 2014.

[Itu et al., 2014(b)] Itu, L. M., Sharma, P., Georgescu, B., Kamen, A., D., Suciu, C., Comaniciu, D. “Model Based Non-invasive Estimation of PV Loop

from Echocardiography”, Proc. of the 36th Annual Inter. Conf. of the IEEE Engineering in Medicine & Biology Society - EMBC 2014, Chicago, USA,

August 26-30, 2014.

[Itu et al., 2014(c)] Itu, L. M., Sharma, P., Passerini, T. Kamen, A., D., Suciu, C., Comaniciu, D. “A parameter estimation framework for patient-

specific hemodynamic computations”, Journal of Computational Physics, Vol. 281, pp. 316–333, 2015 (factor de impact: 2.485).

[Kassab et al., 1995] G. Kassab et al., “The Pattern of Coronary Arteriolar Bifurcations and the Uniform Shear Hypothesis”, Ann Biomed Eng, vol. 23,

pp. 13-20, 1995.

[Kim et al., 2013] J. Kim et al., “Influence of surrounding tissues on biomechanics of aortic wall”, Intern J Exp Comp Biomech, Vol. 2, pp. 105-117,

2013.

[Liu et al., 2007] Y. Liu et al., “Surrounding tissues affect the passive mechanics of the vessel wall: theory and experiment”, Am J Phys Heart Circ,

vol. 293, pp. 3290-3300, 2007.

[Liu et al., 2008] Y. Liu et al., “Effects of myocardial constraint on the passive mechanical behaviors of the coronary vessel wall”, Am J Phys Heart

Circ, vol. 294, pp. 514-523, 2008.

[Moireau et al., 2012] P. Moireau et al., “External tissue support and fluid-structure simulation in blood flows”, Biomech Model Mechanob, vol. 11,

pp. 1-18, 2012.

[Mynard et al., 2012] J. P. Mynard et al., “A simple, versatile valve model for use in lumped parameter and one-dimensional cardiovascular

models”, Intern J of Num Meth Biom Eng, vol. 28, pp. 626-641, 2012.

[Olufsen et al., 2000] M. Olufsen et al., “Numerical simulation and experimental validation of blood flow in arteries with structured-tree outflow

conditions”, Ann Biomed Eng, vol. 28, pp. 1281-1299, 2000.

[Petraco et al., 2012] R. Petraco et al. “Hybrid iFR-FFR Decision-Making Strategy: Implications for Enhancing Universal Adoption of Physiology-

Guided Coronary Revascularization”, EuroIntervention, vol. 8, pp. 1157-65, 2012.

[Petraco et al., 2013] R. Petraco et al., “Classification Performance of Instantaneous Wave-Free Ratio (iFR) and Fractional Flow Reserve in a Clinical

Population of Intermediate Coronary Stenoses”, EuroIntervention, vol. 9, pp. 91-101, 2013.

[Pijls et al., 1996] N.H. Pijls et al., “Measurement of Fractional Flow Reserve to Assess the Functional Severity of Coronary-Artery Stenoses”, N Engl

J Med, vol. 334, pp. 1703-1708, 1996.

[Reffelmann et al., 2002] T. Reffelmann et al., “Post-stenotic coronary blood flow at rest is not altered by therapeutic doses of the oral antidiabetic

drug glibenclamide in patients with coronary artery disease”, Heart, Vol. 87, pp. 54–60, 2002.

[Savitzky et al., 1964] A. Savitzky, “Smoothing and differentiation of data by simplified least squares procedures”, Anal. Chem., Vol. 36, pp. 1627–

1639, 1964.



13


[Schafer, 2011] R. W. Schafer, “What Is a Savitzky-Golay Filter?”, Lecture notes, Ieee signal processing magazine, Vol. 28, pp. 111-117, 2011.

[Schrijver, 2002] M. Schrijver, “Angiographic Image Analysis to Assess the Severity of Coronary Stenosis”, Ph.D. thesis, University of Twente, 2002.

[Sen et al., 2012] S. Sen et al., “Development and Validation of a New Adenosine-Independent Index of Stenosis Severity From Coronary Wave-

Intensity Analysis Results of the ADVISE Study”, J Am Coll Cardiol, vol. 59, pp. 1392-1402, 2012.

[Shpilfoygel et al., 2000] S. D. Shpilfoygel et al., “X-ray videodensitometric methods for blood flow and velocity measurement: A critical review of

literature”, Med. Phys., Vol. 27, pp. 2008–2023, 2000.

[Spiller et al., 1983] P. Spiller et al., “Measurement of Systolic and Diastolic Flow Rates in the Coronary Artery System by X-Ray Densitometry”,

Circulation, vol. 68, pp. 337-347, 1983.

[Tache et al., 2014] Tache, I. A., Itu, L.M., Niculescu R “Transit Time Estimations from Coronary Angiograms”, Proc. of the 18th Inter. Conf. on

System Theory, Control and Computing - ICSTCC 2014, Sinaia, Romania, October 15-17, 2014.

[Thompson et al., 1964] H. Thompson et al., “Indicator Transit Time Considered as a Gamma Variate”, Circ Res., Vol. 14, pp. 502-15, 1964.

[Vizitiu et al., 2014(a)] Vizitiu, A., Itu, L.M., Nita, C., Suciu, C. “Optimized Three-Dimensional Stencil Computation on Fermi and Kepler GPUs”, 18th

IEEE High Performance Extreme Computing Conference, Waltham, MA, USA, Sept. 9-11, 2014.

[Vizitiu et al., 2014(b)] Vizitiu, A., Itu, L.M., Lazar, L., Suciu, C. “Double Precision Stencil Computations on Kepler GPUs”, Proc. of the 18th Inter.

Conf. on System Theory, Control and Computing - ICSTCC 2014, Sinaia, Romania, October 15-17, 2014.

[Wieneke et al., 2005] H. Wieneke et al., “Determinants of Coronary Blood Flow in Humans: Quantification by Intracoronary Doppler and

Ultrasound”, J Appl Physiol, vol. 98, pp. 1076–1082, 2005.

[Wilson et al., 1990] R.F. Wilson et al., “Effects of Adenosine on Human Coronary Arterial Circulation”, Circulation, vol. 82, pp. 1595-1606, 1990.

[Zierler, 2000] K. Zierler, “Indicator dilution methods for measuring blood flow, volume, and other properties of biological systems: a brief history

and memoir” Ann. Biomed. Eng., Vol. 28, pp. 836–48, 2000.

Documents

CONVERGENCE - unitbv.roaut.unitbv.ro/CONVERGENCE/Convergence-Newsletter-1.pdf · 2018. 1. 31. · CONVERGENCE - unitbv.ro ... 1