Upload
others
View
8
Download
0
Embed Size (px)
Citation preview
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
http://aut.unitbv.ro/CONVERGENCE/
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.
CONVERGENCE Newsletter
Nr. 1 | Ianuarie 2018
3
http://aut.unitbv.ro/CONVERGENCE/
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
CONVERGENCE Newsletter
Nr. 1 | Ianuarie 2018
4
http://aut.unitbv.ro/CONVERGENCE/
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
CONVERGENCE Newsletter
Nr. 1 | Ianuarie 2018
5
http://aut.unitbv.ro/CONVERGENCE/
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
intervalul [0.3 cm, 6.0 cm];
Transverse Aortic Arch End diameter – poate lua valori reale în
intervalul [0.3 cm, 6.0 cm];
Coarctation of the Aorta diameter – poate lua valori reale în
intervalul [0.3 cm, 6.0 cm];
Coarctation of the Aorta length – poate lua valori reale în
intervalul [0.5 cm, 8.0 cm];
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
intervalul [0.3 cm, 6.0 cm];
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
intervalul [0.3 cm, 6.0 cm];
Maximum Ascending Aorta diameter – poate lua valori reale în
intervalul [0.3 cm, 8.0 cm];
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.
CONVERGENCE Newsletter
Nr. 1 | Ianuarie 2018
6
http://aut.unitbv.ro/CONVERGENCE/
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.
CONVERGENCE Newsletter
Nr. 1 | Ianuarie 2018
7
http://aut.unitbv.ro/CONVERGENCE/
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.
CONVERGENCE Newsletter
Nr. 1 | Ianuarie 2018
8
http://aut.unitbv.ro/CONVERGENCE/
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];
CONVERGENCE Newsletter
Nr. 1 | Ianuarie 2018
9
http://aut.unitbv.ro/CONVERGENCE/
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).
CONVERGENCE Newsletter
Nr. 1 | Ianuarie 2018
10
http://aut.unitbv.ro/CONVERGENCE/
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.
CONVERGENCE Newsletter
Nr. 1 | Ianuarie 2018
11
http://aut.unitbv.ro/CONVERGENCE/
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.
CONVERGENCE Newsletter
Nr. 1 | Ianuarie 2018
12
http://aut.unitbv.ro/CONVERGENCE/
[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.
CONVERGENCE Newsletter
Nr. 1 | Ianuarie 2018
13
http://aut.unitbv.ro/CONVERGENCE/
[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.