Обструктивные поражения выводного тракта правого желудочка, изолированные или сочетающиеся с другими врожденными пороками сердца, составляют 25–30% врожденных аномалий сердца. Биомедицинская инженерия является относительно новой и быстро прогрессирующей областью современной науки, в которой биомеханические модели могут повышать эффективность принятия решений при лечении. Около половины пациентов с врожденными пороками сердца на первом году жизни нуждаются в хирургическом лечении. Прорывным решением в хирургическом лечении цианотических врожденных пороков сердца, таких как тетрада Фалло, атрезия клапана легочной артерии и некоторых других, оказалось создание межсистемного шунта (в частности, модифицированного шунта Blalock–Taussig). Однако установка модифицированного шунта Blalock–Taussig имеет высокие риски (смертность от 2,3% до 16%). Основные осложнения модифицированного шунта Blalock–Taussig связаны с развитием тромбоза при выборе шунта малого диаметра и гиперволемией малого круга при шунте большего диаметра. Так как на настоящий момент подбор диаметра и места установки шунта осуществляется чисто эмпирически, то выбор оптимального диаметра шунта остается актуальной задачей, которая не решена по настоящее время и решение которой необходимо в повседневной работе хирурга.

Одним из эффективных подходов к решению этой проблемы может стать построение персонализированной модели кровотока, которая позволит анализировать эффективность хирургического лечения. Возможности вычислительной гидродинамики как мощного инструмента для исследования физиологических течений могут позволить произвести комплексную неинвазивную оценку для диагностики и лечения заболеваний, а также послужить для проектирования новых устройств для клинических испытаний. Однако из-за уникальных особенностей каждого пациента, такое персонализированное моделирование является достаточно длительным (время анализа для одного пациента может занимать от нескольких часов до нескольких дней или недель), трудоемким и вычислительно дорогостоящим процессом (необходимо решение трехмерных задач вычислительной гидродинамики). Более того, определение параметров модели является еще одним сложным вопросом. К тому же, обработка и оценка большого объема собранных данных является не только трудоемким и длительным процессом, но и достаточно субъективным (например, при анализе медицинских изображений).

Потенциальным решением данной проблемы, которое предлагается в данной работе, является применение алгоритмов машинного обучения как для ускорения вычислений, так и для принятия решений. В данном сообщении предлагается алгоритм построения метамодели, т.е. модели, построенной на ограниченном числе симуляций с помощью сложной гидродинамической модели, для описания гемодинамики в аорте ребенка с врожденным пороком сердца на основе использования данных, полученных из моделей течения в персонализированных геометриях. Причем такая метамодель для детей с врожденными пороками сердца строится впервые.

На первом этапе алгоритма на основе изображений, полученных с помощью мультиспиральной компьютерной томографии, были собраны данные о геометрии аортальных клапанов. Это позволяет импортировать срезы в ITK-SNAP и после этого в систему анализа методом конечных элементов ANSYS для создания трехмерной модели. Решение задачи о гемодинамике осуществляется с использованием Ansys Fluent для нахождения основных гемодинамических параметров (скорости).

С каждой моделью ассоциированы данные о диагнозе и распределении объемного расхода кровотока конкретного пациента, которые используются в качестве граничных условий при расчете гемодинамики в аортальном клапане. На основе трехмерной геометрической модели были выделены основные геометрические характеристики аорт (расстояния между местами выхода артерий, диаметры, кривизна и пр.), которые в дальнейшем необходимы для настройки метамодели и обучения нейронных сетей. На настоящий момент база данных моделей аорт состоит из более чем 500 трехмерных моделей. Это позволяет решать задачу классификации характерных видов аорт по ключевым геометрическим характеристикам и особенностям гемодинамики с применением методов анализа данных и машинного обучения.

Учитывая геометрию аорты в качестве входных данных, обученные нейронные сети смогут выводить требуемые распределения в течение короткого времени, что в разы быстрее, чем при CFD-симуляции. В дальнейшем будут протестированы различные алгоритмы, включая свёрточные нейронные сети, которые способны моделировать сложные, нелинейные отношения между входными и выходными переменными. Таким образом, при накоплении достаточного объема адекватных данных для обучения, включающих анатомические модели и гемодинамические данные, в режиме реального времени нейронные сети для конкретного пациента будут подсказывать потенциальные хирургические решения на основе экспертных решений ведущих специалистов и вычислительного моделирования гемодинамики в аортах. В дальнейшем планируется проанализировать и классифицировать более 1000 различных геометрий и результатов моделирования (распределения гемодинамических параметров).

Исследование выполнено при финансовой поддержке Кубанского научного фонда в рамках научного проекта № 20.1/12.

Obstructive lesions of the right ventricular outflow tract, isolated or combined with other congenital heart defects, account for 25-30% of congenital heart anomalies. Biomedical engineering is a relatively new and rapidly advancing area in which biomechanical models can enhance the efficiency of decision-making in treatment. About half of patients with congenital heart disease in their first year of life require surgical treatment. A breakthrough solution in the surgical treatment of cyanotic congenital heart defects, such as the anomaly of tetralogy of Fallot, pulmonary valve atresia and some others, was the creation of an inter-system shunt (in particular, the modified Blalock-Taussig shunt). However, the installation of a modified Blalock-Taussig shunt has high risks (mortality varies from 2.3% to 16%). The major complications of the modified Blalock-Taussig shunt are related to thrombosis in small diameter shunt and small circle hypervolemia in large diameter shunt. Nowadays, the selection of the diameter and the location of a shunt is purely empirical. The selection of the optimal shunt diameter also remains a challenging problem, which has not been solved to date and needs to be solved in the daily work of the surgeon.

One of the effective approaches to solving this problem can be the construction of a personalized blood flow model, which will allow analyzing the effectiveness of surgical treatment. The modern computational fluid dynamics tools are efficient for studying physiological flows, and it may allow for comprehensive noninvasive evaluation for diagnosis and treatment of disease, as well as serve to design new devices for clinical trials. However, due to the unique characteristics of each patient, such personalized modeling is time-consuming (analysis for one patient may take from several hours to several days or even weeks), cumbersome, and computationally expensive (three-dimensional computational fluid dynamics problems must be solved). Moreover, determining model parameters is another challenging issue. In addition, processing and evaluating a large volume of collected data is not only labor-intensive and time-consuming but also quite subjective (e.g., when analyzing medical images).

A potential solution to the problem described above is the application of machine learning algorithms bot to speed up computations and for effective decision-making. In this communication, we propose an algorithm for constructing a metamodel, i.e., a model based on a limited number of simulations using a complex three-dimensional fluid dynamics model, to describe hemodynamics in the aorta of a child with congenital heart disease using data from flow models with personalized geometries. It should be also noted such a metamodel for children with congenital heart disease is constructed for the first time.

In the first stage of the algorithm, data on aortic valve geometry has been collected from multi-slice computed tomography images. The latter allows the slices to be imported into ITK-SNAP and then into the ANSYS finite element analysis system to create a three-dimensional computational fluid dynamics model. The hemodynamic problem is solved using Ansys Fluent to find the main hemodynamic parameters (flow velocity).

The data on the diagnosis and blood flow volume flow distribution of a particular patient, which are used as boundary conditions when calculating hemodynamics in the aortic valve, are associated with each model. Based on the three-dimensional geometric model, the main geometrical characteristics of the aorta (distances between arterial exit sites, diameters, curvature, etc.) have been identified, which are further required for metamodel tuning and neural network training. Currently, the database of aortic models consists of more than 500 three-dimensional models. This makes it possible to classify characteristic aortic species by key geometric characteristics and hemodynamic features using data analysis and machine learning methods.

Taking into account the aortic geometry as input data, trained neural networks will be able to output the required distributions in a short time, which is to be much faster than directly employing three-dimensional simulation. Various algorithms will be tested at the next stages, including convolutional neural networks that can simulate complex, nonlinear relationships between input and output variables. Thus, with the accumulation of sufficient adequate data for training, including anatomical models and hemodynamic data, real-time, patient-specific neural networks will suggest potential surgical solutions based on expert decisions and simulations of aortic hemodynamics. More than 1000 different geometries and simulation results (distribution of hemodynamic parameters) are planned to be analyzed and classified at the final stage.

The research is carried out with the financial support of the Kuban Science Foundation in the framework of the scientific project №20.1/12.