Robust Heart Valve Modeling and Advanced Computational Decision Support
Language
Document Type
Issue Date
Issue Year
Authors
Editor
Abstract
Valvular heart disease (VHD) is a major public health problem with a prevalence of 2.5% in the US. Tens of thousands of minimally invasive procedures are performed every year and new therapeutical approaches are continuously developed at a rapid pace. Major clinical decisions and therapies are nowadays guided by peri- and intraoperative imaging with an increasing emphasis on 3D. Given the complexity of pathology and therapies in VHD, there is a strong need for fast, precise and reproducible quantification.
To this end, several contributions are proposed in this thesis across various aspects of VHD management. These are structured into two parts: i) Mitral valve (MV) modeling and ii) advanced computational decision support.
The first part starts with describing a comprehensive MV model obtained from 3D+t transesophageal echocardiography (TEE). An original methodology combines robust machine learning (ML) techniques and biomechanical constraints to obtain a temporally consistent estimate of model parameters. Extensive experiments on a large data set of 195 3D+t TEE volumes -- comprising 3026 3D frames -- demonstrate, that this automatic method is highly competitive in terms of speed and accuracy and outperforms purely data-driven methods in terms of robustness. Clinical evaluation in numerous centers around the world shows the applicability of its versatile quantification capabilities to various aspects of disease characterization and therapy planning.
Subsequently a more lightweight alternative enables for robust 3D tracking of the MV annulus at high frame rates. Two parallel components based on ML and image-based tracking complement each other in robustness and speed. Experiments with emulated probe motion suggest suitability towards an interventional setting for guiding transcatheter mitral valve repair (TMVR) procedures.
The second part proposes computational approaches for advanced decision support throughout the clinical workflow. First, the previously described valve modeling is combined with chamber models into a holistic and detailed model of the left heart. This enables for estimating patient-specific computational hemodynamics by serving as boundary condition for a level-set based computational fluid dynamics (CFD) solver. A validation concept using clinically acquired Doppler measurements is proposed and shows high agreement.
Finally, a framework is presented for post-operative modeling of self-expandable stent devices for monitoring in transcatheter aortic valve implantation (TAVI) procedures. The technique is based on deformable simplex meshes, geometrical constraints and ML. Evaluation on postoperative computed tomography (CT) data shows promising accuracy.
Abstract
Erkrankungen der Herzklappen sind ein wichtiges Gesundheitsthema und betreffen allein in den USA 2.5% der Bevölkerung. Jährlich werden zehntausende minimal-invasive Eingriffe durchgeführt und stetig werden neue Therapieansätze entwickelt. Wichtige klinische Entscheidungen und Therapien werden heutzutage durch peri- und interoperative Bildgebung gestützt, wobei 3D Bilder eine zunehmendem grö\ss{}ere Rolle spielen. Angesichts der Komplexität der Pathologien und Therapieoptionen für Herzklappenerkrankungen besteht ein gro\ss{}er Bedarf nach schneller, präziser und reproduzierbarer Quantifikation.
Vor dem Hintergrund dieser Entwicklungen liefert die vorliegende Dissertation Beiträge für verschiedene Behandlungsaspekte von Herzklappenerkrankungen. Diese sind in zwei Teile strukturiert: i) Modellierung der Mitralklappe sowie ii) fortgeschrittene Verfahren zur rechnergestützten Entscheidungsunterstützung.
Im ersten Teil wird zunächst ein umfassendes Modell der Mitralklappe vorgestellt welches aus 3D+t transösophagealer Echokardiographie (TOE) generiert wird. Anhand einer Kombination maschineller Lernverfahren (ML) mit biomechanischer Modellierung werden aus Bilddaten zeitlich konsistente, patientenspezifische Modellparameter gewonnen. Umfassende Experimente auf einem Datensatz, der 195 3D+t TOE Volumensequenzen umfasst -- bestehend aus 3026 3D Einzelvolumina -- zeigen, dass diese automatisierte Methode hinsichtlich Laufzeit und Genauigkeit hochkompetitiv ist und rein datengetriebenen Methoden überlegen ist in Sachen Robustheit. Klinische Evaluierungen in mehreren Zentren weltweit zeigen die Anwendbarkeit ihrer vielseitigen Quantifikationsfähigkeiten auf verschiedene Aspekte der Pathologiecharakterisierung und Therapieplanung.
Eine leichtgewichtigere Alternative ermöglicht robustes 3D Tracking des Mitralannulus bei hohen Frameraten. Zwei parallel ausgeführte Komponenten auf Basis von ML und bildbasierter Objektverfolgung ergänzen sich gegenseitig hinsichtlich Robustheit und Geschwindigkeit. Experimente mit simulierter Bewegung der Ultraschallsonde deuten auf eine Eignung für die Interventionsführung hin wie etwa dem Transkatheter-Mitralklappenersatz.
Der zweite Teil beschreibt rechnergestützte Ansätze zur fortgeschrittenen Entscheidungsunterstützung klinischer Arbeitsabläufe.
Zunächst, wird die vormals beschriebene Herzklappenmodellierung mit Modellen der Herzkammern in ein ganzheitliches und detailliertes Modell des linken Herzens kombiniert. Anhand einer Level-Set-Repräsentation dient dieses Modell als Randbedingung zur Berechnung von patientenspezifischem Blutfluss im Herzen mit Verfahren der numerischen Strömungsmechanik. Als Schritt in Richtung klinischer Umsetzung, wird ein Validierungsverfahren vorgestellt, welches anhand klinischer Doppler-Blutflussmessungen hohe übereinstimmung mit den Berechnungsergebnissen vorlegt.
Abschliessend wird ein Verfahren zur post-operativen Modellierung selbst entfaltender Stents vorgestellt, für Monitoring-Zwecke nach dem Transkatether Aortenklappen Ersatz (TAVI). Die Methodik basiert auf Deformable Models, Simplex-Netzen und geometrischen Constraints sowie ML. Eine Evaluation auf postoperativen CT Daten demonstriert hohe Genauigkeit.