Verbund: 5M2020 MLgSA: Daten und Simulationsgestützte Exploration, Analyse in der Behandlung von Gefäßverengungen zur Prävention von Schlaganfällen; Hämodynamische Modellierung, Simulation und Optimierung (Teilprojekt 3 und 4)

Abstract

Zu den häufigsten Kreislauferkrankungen in hohem Alter gehört der ischämische Schlaganfall oder der Herzinfarkt, dessen Risiko durch die rechtzeitige Erkennung und Beseitigung der Verengung der Arterien deutlich reduziert werden kann. Der Zeitpunkt der Behandlung spielt dabei eine wichtige Rolle, da eine frühzeitige Behandlung unnötige Risiken und Behandlungskosten vermeidet. Im Entscheidungsprozess zum konkreten Eingriff werden einerseits subjektive Kriterien wie Alter, Begleiterkrankungen, soziales Umfeld oder Allgemeinzustand bewertet, anderseits gilt die Morphologie der Stenose oder Grad der Verengung als objektives Kriterium. Mithilfe des maschinellen Lernens können die schwer objektivierbaren Entscheidungskriterien systematisch in die Entscheidungsfindung einbezogen werden. Im Fokus unseres Vorhabens steht die Entwicklung der Analysewerkzeuge zur Verbesserung klinischer Abläufe bei der Erkennung, Analyse und Behandlung der Gefäßverengung der Karotisarterien, die auf informatischen und mathematischen Methoden für die Analyse, Annotation und Simulation der Trainingsdaten für das Maschinelle Lernen basiert. Hierbei werden Beiträge zur mathematischen Bildverarbeitung, Datenanalyse und zur hämodynamischen Modellierung und Simulation der Risikoindikatoren geleistet, Formoptimierungsmethoden konzipiert und die modellreduktions-, simulations-und datengetriebenen Ansätze in neuen ML-Algorithmen verknüpft. Die Aufgabenstellung in unserem Vorhaben wird in vier Teilprojekten (TP) bearbeitet und erstreckt sich in folgenden Bereichen: (A) Akquise und visuelle Aufbereitung der Daten, TP 1: K. Lawonn (FSU Jena) (B) Hämodynamische Simulation und Optimierung, TP 3: M. Hinze (UKO-LA/UKO), TP 4: A. Hundertmark (UKO-LA/RTPU Kaiserslautern-Landau) und R. Rockenfeller (UKO-LA/UKO) (C) Algorithmen für das Maschinelle Lernen (ML), TP 2, N. R. Gauger (TU Kaiserslautern/RPTU Kaiserslautern-Landau) Der vorliegende Schlussbericht bezieht sich auf das Teilprojekt 3 und die erste Projektphase des Teilprojekts 4 bis 31.12 2022 an der Universität Koblenz-Landau. Teilprojekt 3 ist federführend bei den Arbeitspaketen B-4, C-1 und C-4, sowie beteiligt an den Arbeitspaketen A-5, B-2, C-2 und C-5. Das Teilprojekt 4 ist federführend bei den Arbeitspaketen B-1, B-2, B-3 und beteiligt an den Arbeitspaketen B-4 und C-4. Der Bericht beschränkt sich daher im Detail auf die Beschreibung der Arbeiten in den Arbeitspaketen, bei denen die Teilprojekte federführend waren, mit ergänzenden Angaben von TP4 zu B-4 und C-4. Datei-Upload durch TIB