Technische Samenvatting: VITO – Vasculaire Geometrie en Bloedstroomschatting via Inverse Topologie-optimalisatie

Probleemstelling

De beoordeling van cardiovasculaire ziekten (CVD) leunt zwaar op hemodynamische beschrijvers zoals de wandwrijvingsspanning (Wall Shear Stress, WSS) en de fractionele flowreserve (Fractional Flow Reserve, FFR), die worden afgeleid van patiëntspecifieke vasculaire geometrieën. Standaard klinische workflows maken gebruik van Contrast-Enhanced Computed Tomography (CE-CT) om deze geometrieën te reconstrueren. De conventionele pipelines—meestal bestaande uit Filtered Back-Projection (FBP) of iteratieve reconstructie gevolgd door segmentatie—hebben echter moeite met tijd-opgeloste acquisities die gekenmerkt worden door schaarse en ruisgevoelige metingen vanwege beperkingen in stralingsdosering en fysiologische bewegingsartefacten. Deze beperkingen leiden tot undersampling-artefacten, wat resulteert in geometrische onnauwkeurigheden zoals ontbrekende vertakkingen of kunstmatige stenoses.

Bovendien gaan bestaande fysica-geconstraineerde inverse methoden voor hemodynamica vaak uit van een vaste, vooraf gesegmenteerde geometrie. Het afdwingen van flow-fysica op een foutieve vaste geometrie levert weliswaar valide, maar niet-representatieve flowvelden op, waardoor kritieke hemodynamische parameters niet correct worden gevangen. Hoewel sommige recente werken hebben geprobeerd geometrie en flow gezamenlijk te reconstrueren, vertrouwen deze vaak op gemeten snelheidbeelden (bijv. uit MRI) in plaats van het direct herstellen van de geometrie uit ruwe CT-projectiedata (sinogrammen). Er bestaat een gat in frameworks die in staat zijn om vasculair topologie en flowparameters gezamenlijk te herstellen direct uit schaarse, ruisgevoelige CE-CT sinogrammen zonder a priori geometrische aannames.

Methodologie

De auteurs stellen VITO voor, een fysica-geconstreerd reconstructieframework dat het herstel van vasculaire geometrie formuleert als een densiteitsgebaseerd Topologie-optimalisatie (TO) probleem. In plaats van de geometrie als een vaste input te behandelen, wordt het vasculaire lumen beschouwd als een onbekende ontwerpvariabele.

Kernframework

De methode lost een invers probleem op waarbij het doel is om een vloeistof-vast distributie te vinden die, wanneer onderworpen aan de geldende natuurkundige wetten, gesimuleerde projectiedata produceert die overeenkomen met de verworven schaarse sinogrammen.

1. Ontwerprepresentatie:

   • Het computationele domein wordt gediscretiseerd in mesh-elementen, die elk een pseudo-densiteitsvariabele $\gamma_e \in [0, 1]$ toegewezen krijgen.
   • $\gamma = 0$ vertegenwoordigt vloeistof (vasculair lumen), en $\gamma = 1$ vertegenwoordigt vast (weefsel/wanden).
   • Materiële eigenschappen worden geïnterpoleerd met behulp van het Rational Approximation of Material Properties (RAMP) schema.
     • Brinkman Penalty ($\alpha$): Een grote straf in vaste regio's onderdrukt de vloeistofsnelheid, wat effectief de no-slip condities afdwingt zonder expliciete grensvlaktracking.
     • Diffusiviteit ($D$): Beperkt het transport van contrastmiddel in vaste regio's om kunstmatige diffusie te voorkomen.

2. Geldende Fysica (Forward Model):

   • Stationaire Flow: De onsamendrukbare Navier-Stokes vergelijkingen worden opgelost met behulp van de Brinkman-penalisatieterm om het vloeistofstroomveld $\mathbf{u}$ te modelleren.
   • Transiënte Transport: Een transiënte advectie-diffusievergelijking modelleert het transport van de contrastmiddelconcentratie $c$, gedreven door het stationaire snelheidveld $\mathbf{u}$ en tijdvariërende inlaatrandvoorwaarden.
   • Forward Projectie: Het resulterende tijd-opgeloste concentratieveld wordt naar de meetruimte gemapt met behulp van een differentieerbare parallel-beam projectieoperator gebaseerd op de wet van Beer-Lambert. Dit genereert voorspelde sinogrammen $\hat{g}$.

3. Optimalisatielus:

   • Doelfunctie: De Mean Squared Error (MSE) tussen de voorspelde sinogrammen en de verworven schaarse/ruisgevoelige sinogramdata ($g_{data}$).
   • Ontwerpvariabelen: Het pseudo-densiteitsveld $\gamma$ (geometrie) en de inlaat snelheidsschaalparameters $a$ (flowcondities).
   • Gevoeligheidsanalyse: Het framework maakt gebruik van de JAX ecosystem om een end-to-end differentieerbare pipeline te implementeren.
     • Implicit Function Theorem (IFT): Wordt gebruikt om sensitiviteiten te berekenen voor de stationaire Navier-Stokes solver, waardoor de geheugenkosten van het unrollen van iteratieve Newton-Raphson stappen worden vermeden.
     • Checkpointing: Wordt toegepast voor de transiënte advectie-diffusie solver om het geheugengebruik te beheren tijdens reverse-mode automatic differentiation (AD) over tijdstappen heen.
   • Optimizer: De Method of Moving Asymptotes (MMA) wordt gebruikt om de ontwerpvariabelen bij te werken. Continuatiestrategieën (het geleidelijk verhogen van penalisering en projectiescherpte) worden ingezet om de oplossing naar een binaire vloeistof-vast topologie te drijven en lokale minima te vermijden.

Belangrijkste Bijdragen

• Joint Inverse Reconstruction: Het artikel introduceert een verenigd framework dat zowel de vasculaire topologie als de inlaat flowparameters simultaan herstelt uit ruwe CT sinogrammen, waardoor de noodzaak voor een vooraf gesegmenteerde geometrie vervalt.
• Physics-Driven Regularization: Door het inverse probleem te koppelen aan stationaire Navier-Stokes en transiënte advectie-diffusievergelijkingen, reguleert de methode de reconstructie met behulp van hemodynamische fysica in plaats van enkel beeld-priors.
• Differentiable Multiphysics Pipeline: De implementatie maakt gebruik van automatische differentiatie (JAX) om de complexe sensitiviteiten van gekoppelde fluid-transport-projection systemen te hanteren, inclusief het gebruik van IFT en checkpointing om de optimalisatie computationeel hanteerbaar te maken.
• Robuustheid tegen Databeperkingen: Het framework is expliciet ontworpen om om te gaan met schaarse-view en ruisgevoelige acquisitiecondities die typerend zijn voor lage dosis of snelle acquisitie klinische CT.

Experimentele Resultaten

De methode is gevalideerd op synthetische phantooms die drie vasculaire scenario's vertegenwoordigen:

1. Bifurcated Artery (Gevorkte arterie): Succesvol de bifurcatie-topologie en de inlaat flow-schalingen hersteld uit schaarse sinogrammen.
2. Stenosed Artery (Stenotische arterie): Nauwkeurig een gelokaliseerde 50% vernauwing van het lumen (stenose) en flowparameters gereconstrueerd.
3. Stenosed Carotid Bifurcation (Stenotische carotis bifurcatie): Een complexe geometrie hersteld die een bifurcatie combineert met een asymmetrische stenose.

Prestatie-metrieken:

• Nauwkeurigheid: De gereconstrueerde geometrieën bereikten hoge Dice Similarity Coefficients (DSC > 0,99) en lage genormaliseerde Root Mean Square Errors (nRMSE) vergeleken met de ground truth over alle benchmarks.
• Robuustheid tegen Ruis en Schaarste: In experimenten met ultra-schaarse data (10 projecties) en hoge ruigniveaus (25% relatieve Gaussische ruis), behield de voorgestelde methode de topologische consistentie (DSC = 0,9830). In contrast hiermee leed een baseline FBP-benadering met drempelwaarde-segmentatie onder vergelijkbare condities aan randvervorming, artefacten en verlies van takcontinuïteit.
• Flow Schatting: Het framework slaagde erin om inlaat flow-schalingsparameters nabij één (ground truth) te herstellen, wat het vermogen aantoont om randvoorwaarden tegelijkert met de geometrie te infereren.

Betekenis en Claims

Het artikel claimt dat het integreren van onderliggende hemodynamica in het reconstructieproces zorgt voor een robuuste geometrische regularisatie, wat de herwinning van complexe vasculaire kenmerken (bifurcaties, stenoses) direct uit schaarse klinische projectiedata mogelijk maakt. Deze aanpak pakt de kritieke beperking aan waarbij geometrische fouten doorwerken in de hemodynamische analyse.

De auteurs positioneren dit werk als een belangrijke stap naar betrouwbare vasculaire analyse vanuit schaarse klinische data. Ze stellen expliciet dat de huidige studie beperkt is tot 2D stationaire flow en rigide wanden. Toekomstig werk wordt geïdentificeerd als noodzakelijk om het framework uit te breiden naar 3D transiënte flow, fluid-structure interaction (FSI) voor elastische wanden te incorporeren, de locatie van inlaat/uitlaat als onbekenden te behandelen, onzekerheid te kwantificeren en de projectie-operator aan te passen aan specifieke scanner-geometrieën (bijv. fan-beam CT). Het artikel claimt geen directe klinische inzetbaarheid, maar legt het wiskundige en computationele fundament voor dergelijke toepassingen.