Intraventricular Vector Flow Mapping by Color Doppler using Physics-based Neural Networks
Écoulement intraventriculaire en échocardiographie Doppler avec réseaux de neurones fondés sur la physique
Résumé
The heart, as the central organ of the cardiovascular system, is responsible for pumping blood to all the body’s cells and tissues. Assessing cardiac health is crucial for the early detection and prevention of cardiovascular diseases. Echocardiography, due to its portability and affordability, is commonly used to evaluate the heart’s efficiency during filling (diastolic function) and ejection (systolic function). While systolic function is typically assessed using parameters like the ejection fraction, diastolic function is often measured through mitral valve and annular velocities, which can sometimes result in inconsistent diagnoses. Intraventricular vector flow mapping (iVFM) offers an alternative approach by reconstructing vector blood flow from color Doppler acquisitions. This method allows for the evaluation of intracardiac blood flow patterns and vortex characteristics, providing potentially more accurate quantification of diastolic function. However, iVFM involves time-consuming preprocessing steps, such as left ventricular segmentation and aliasing correction. This thesis introduces deep learning (DL) techniques to automate these processes. First, 3D DL models were developed to achieve temporally consistent left ventricular segmentation. Next, DL-based methods were applied to address aliasing artifacts through segmentation and deep unfolding techniques. Finally, iVFM was performed using physics-informed neural networks (PINNs) and a physics-guided supervised method. The proposed neural network approaches demonstrated performance on par with the original iVFM technique, with the added benefit of the physics-guided method being independent of explicit boundary conditions. These findings underscore the potential application of PINNs in ultrafast color Doppler imaging with the integration of fluid dynamics equations to enhance reconstruction accuracy. Automating the iVFM pipeline with neural networks enhances its reliability, paving the way for clinical applications and the exploration of new flow-based biomarkers.
Le cœur, en tant qu'organe central du système cardiovasculaire, est responsable de pomper le sang vers les cellules et tissus de l'organisme. L'évaluation de la santé cardiaque est cruciale pour la prévention précoce des maladies cardiovasculaires. L'échocardiographie, en raison de sa portabilité et de son coût abordable, est couramment utilisée pour évaluer l'efficacité du cœur pendant le remplissage (fonction diastolique) et l'éjection (fonction systolique). Alors que la fonction systolique est mesurée par des paramètres tels que la fraction d’éjection, la fonction diastolique repose sur des métriques liées aux vitesses de la valve mitrale et de l’anneau mitral, ce qui peut parfois donner des résultats de diagnostic discordants. La cartographie du flux vectoriel intraventriculaire (iVFM) offre une alternative en reconstruisant les flux sanguins vectoriels à partir des acquisitions Doppler couleur. Cette méthode permet l'évaluation des schémas de flux sanguin intracardiaque et des caractéristiques de vortex, offrant potentiellement une quantification plus précise de la fonction diastolique. Cependant, l'iVFM nécessite des étapes de prétraitement chronophages, telles que la segmentation du ventricule gauche et la correction des artefacts d'aliasing. Cette thèse propose des techniques d'apprentissage profond (DL) pour automatiser ces processus. Tout d'abord, des modèles 3D de DL ont été développés pour obtenir une segmentation temporellement cohérente du ventricule gauche. Ensuite, des méthodes basées sur le DL ont été entraînées pour corriger les artefacts d'aliasing grâce à des techniques de segmentation et de “deep unfolding”. Enfin, l'iVFM a été réalisé en utilisant des réseaux de neurones informés par la physique (PINNs) et une méthode supervisée guidée par la physique. Les approches proposées basées sur les réseaux de neurones ont montré des performances comparables à l’iVFM original, avec l'avantage supplémentaire que la méthode guidée par la physique est indépendante des conditions aux limites explicites. Ces résultats soulignent le potentiel des PINNs dans l'imagerie Doppler couleur ultrarapide, avec l'intégration les équations de la dynamique des fluides pour améliorer la précision de la reconstruction. L'automatisation de l’iVFM avec des réseaux de neurones renforce sa fiabilité, ouvrant la voie à des applications cliniques et à l'exploration de nouveaux biomarqueurs basés sur les flux.
| Origine | Version validée par le jury (STAR) |
|---|