Verbundvorhaben im BMBF-Programm: Daten- und Simulationsgestütze Exploration, Analyse und Behandlung von Gefäßverengungen zur Prävention von ischämischen Schlaganfällen - MLgSA; Abschlussbericht für das Teilprojekt 2 und das Teilprojekt 4 (ab 01.01.2023)

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 Trainigsdaten für das maschinelle Lernen basiert. Hierbei werden Beiträge zur mathematischen Bildverarbeitung, Datenanalyse und zur hämodynamische Modellierung und Simulation der Risikoindikatoren geleistet, Formoptimierungsmethoden konzipiert und die Modellreduktion-, Simulation- und Datengetriebene 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: Lawonn (FSU Jena) (B)- hämodynamische Simulation und Optimierung, TP 3: Hinze (UKO LA/UKO), TP 4: Hundertmark (UKO-LA/RTPU Kaiserslautern-Landau) (C) Algorithmen für das Maschinelle Lernen (ML), TP 2: Gauger (TU Kaiserslautern/RPTU Kaiserslautern-Landau)

Der vorliegende Schlussbericht bezieht sich auf das Teilprojekt 2 und die zweite Projektphase des Teilprojektes 4 ab 1. Januar 2023 an der RPTU Kaiserslautern-Landau. Teilprojekt 2 widmet sich der Entwicklung eines maschinellen Lern-Klassifikators, der auf Graph Neural Networks basiert. Ziel ist die Clusteranalyse des Stenosegrades anhand der simulierten Oberflächendaten der Wandschubspannung. Die Trainingsdaten stammen aus Simulationen, die im Rahmen von Teilprojekt 4 durchgeführt wurden. Diese Simulationen liefern die notwendigen Oberflächendaten, um den Klassifikator effizient zu trainieren und zu validieren. Teilprojekt 4 beschäftigt sich im Themenbereich B mit der mathematischen Modellierung und Simulation der hämodynamischen Strömungen und ihrer Wechselwirkung mit der Gefäßwand in 3D Karotismodellen unter Einbezug von Modellierung der Gefäßwanddehnung und der Blutrheologie-Aspekte. Das wesentliche Ziel des TP 4 ist es, die extrahierten klinischen Morphologiedaten für verschiedene individuelle Schlaganfall-gefährdete Karotisarterien fundiert und umfangreich zu komplementieren. Außerdem unterstützt TP 4 die Entwicklung eines optimalen Stents und die simulationsbasierte Ersatzmodellierung (Themenbereich C) im TP 3. Datei-Upload durch TIB