Kardiale räumlich-zeitliche volumetrische Meshrekonstruktion zur Berechnung lokaler Dehnung und zum Monitoring lokaler Behandlungen

• Antragstellerin: Dr. Anne-Marie Rickmann
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing ; Künstliche Intelligenz und Maschinelle Lernverfahren ; Radiologie
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 559051914

Linksventrikuläres (LV) Remodeling nach einem akuten Myokardinfarkt (MI) ist ein zentrales Forschungsfeld in der Behandlung der ischämischen Herzkrankheit, einer der weltweit führenden Todesursachen. Klinisch werden Wandbewegungsstörungen wie Dyskinesie oder Akinesie zur Erkennung von Myokardschäden verwendet, die typischerweise durch visuelle Analyse der Herzbewegung beurteilt werden. Die Myokard-Strainanalyse, eine rechnerische Methode zur Quantifizierung der Myokarddeformation, dient als ein früher und sensitiver Biomarker zur Erkennung von Myokarderkrankungen. Die aktuelle Forschung zur Quantifizierung des Myokardstrains folgt hauptsächlich zwei Ansätzen: dem biomechanischen und dem bildbasierten Ansatz. Die biomechanische Perspektive stützt sich auf Finite-Elemente-Modelle (FE) des Herzens, die auf Grundlage von Materialeigenschaften und Randbedingungen entwickelt werden, um die Herzbewegung zu simulieren. Obwohl diese Modelle ausgefeilt sind, fehlt es ihnen oft an einer direkten Validierung durch patientenspezifische Bildgebungsdaten, was zu potenziellen Diskrepanzen zwischen den simulierten und den tatsächlichen Herzbewegungen führen kann. Der bildbasierte Ansatz hingegen konzentriert sich darauf, Verschiebungsdaten direkt aus Bildgebungsmodalitäten wie Echokardiographie (Echo) oder kardialer Computertomographie (CT) zu extrahieren, um den Strain zu berechnen. Dieser Ansatz stellt sicher, dass die Verschiebungen mit den beobachteten Herzbewegungen übereinstimmen, berücksichtigt jedoch möglicherweise nicht die physikalischen Gesetze, die für eine genaue Simulation der Herzbewegung erforderlich sind. Frühere Forschungen zur bildbasierten Netzrekonstruktion haben sich im Allgemeinen auf Oberflächennetze oder einzelne Zeitpunkte konzentriert und häufig die Integration physikalischer Vorgaben vernachlässigt. Trotz Fortschritten in beiden Bereichen gibt es in der Kombination biomechanischer und bildbasierter Ansätze Verbesserungsbedarf. Bestehende Methoden nutzen häufig nicht die gesamte zeitliche Sequenz der Herzbildgebung und integrieren wesentliche physikalische Vorgaben nicht ausreichend, was zu Modellen führt, die die tatsächlichen physiologischen Bedingungen nicht genau widerspiegeln. Darüber hinaus schränkt die vorherrschende Verwendung oberflächenbasierter Methoden die Fähigkeit ein, das volle Ausmaß der Myokarddeformation zu erfassen. Um diese Herausforderungen zu bewältigen, werde ich ein Deep-Learning Model entwickeln, welches ein räumlich-zeitlichen volumetrischen Netzmodells von aus kardialen Bildsequenzen, mit integrierten biomechanischen Vorgaben, lernt. Dieses Modell wird über verschiedene Bildgebungsmodalitäten hinweg trainiert, erfasst den gesamten Herzzyklus und stellt sicher, dass die berechneten Verschiebungen sowohl bildgenau als auch biomechanisch plausibel sind.

• DFG-Verfahren: WBP Stipendium
• Internationaler Bezug: USA
• Gastgeber: Professor James Duncan, Ph.D.