AI-baseret analyse af mitralklap-prolapsens form og funktion ved brug af 3D-ultralyd (AI4MVP)

Denne prospektive undersøgelse har til formål at undersøge de anatomiske og biomekaniske karakteristika ved MVP ved hjælp af RT3DEE og avancerede kunstig intelligens (AI)-baserede billedanalyseteknikker. Målet er at udvikle en automatiseret ramme for segmenteringen og den morfologiske vurdering af MV-apparatet samt at gennemføre FE-modellering for at evaluere de biomekaniske implikationer af degenerativ MVP og tilhørende kirurgiske reparationer.

Billedprotokol Intraoperativ RT3DE vil blive udført i operationsstuen som en del af den standardbilledprotokol under kirurgisk MVP-reparation. Et Vivid S70N ultralydssystem (GE Healthcare) udstyret med en 6VT 4D multiplan RT3DE-sonde vil blive brugt. Standard midt-øsofageale RT3DE-visninger vil blive indsamlet, herunder fulde venstre ventrikulære (LV) kammerrumfang og zoomede, gatede 3D-visninger af MV-komplekset (annulus, blad og papillære muskler). For at forbedre billedkvaliteten vil zoomede optagelser være begrænset til det mindste pyramidale volumen, der fanger hele mitralkomplekset, hvilket sikrer billedhastigheder ≥20 Hz. Alle billeddatasæt vil blive anonymiseret før analyse.

Kirurgisk protokol MVP kirurgisk reparation vil blive udført under generel anæstesi gennem en højre mini-torakotomi. Kirurgiske teknikker vil omfatte: i) bladresektion (fjernelse af overskydende bladvæv); ii) neokordal implantation (placering af ekspanderet polytetrafluorethylen, ePTFE, kunstige chordae); annuloplasti (implantation af en annuloplastiring eller pericardial bånd til annular stabilisering).

I tilfælde hvor betydeligt bladvæv fjernes (≥10×10 mm), vil prøver blive indsamlet og opbevaret i den institutionelle BioCor biobank til histologisk og morfometrisk analyse. Prøver vil blive dekontamineret, kryokonserveret og opbevaret ved -80°C. Efter histologisk evaluering vil alt biologisk materiale blive destrueret.

Klinisk dataindsamling Demografiske (f.eks. alder, køn) og kliniske data (f.eks. diagnose, medicin, komorbiditeter) vil blive indhentet fra patientjournaler og anonymiseret.

Neuralt netværkstræning til billedsegmentering Anonymiserede RT3DE-datasæt vil blive manuelt segmenteret af ekspertoperatører ved hjælp af avanceret billedanalysesoftware (f.eks. 3D Slicer). Mindst 150 RT3DE-optagelser vil blive behandlet for at generere binære masker af MV-annulus, blad og papillære muskler.

Disse segmenterede datasæt vil blive brugt til at træne et konvolutionelt neuralt netværk (CNN), sandsynligvis baseret på 3D U-Net-arkitekturen; 70% af datasættene vil blive brugt som træningsdata og 30% vil blive reserveret til test og validering.

CNN'et vil lære at automatisk segmentere MV-strukturer og generere 3D-overflademodeller. Nøgleanatomiske egenskaber - såsom annuluskontur, bladfri margin, kommissurer og papillære muskelpositioner - vil blive ekstraheret automatisk.

Kvantitative geometriske parametre vil omfatte annular areal, omkreds, anteroposterior diameter, kommissural bredde, annular højde og ellipticitet, bladdimensioner, koaptationszoner og buleomfang.

FE-analyse Patientspecifikke 3D-modeller af mitralklappen vil blive rekonstrueret fra de segmenterede RT3DE-data. Disse modeller vil gennemgå udglatning og remeshing for at generere højkvalitetsnet til strukturel FE-analyse. Chordae tendineae vil blive modelleret baseret på etablerede anatomiske skabeloner og indstillet til at matche fysiologiske længder. Vævs materialeegenskaber vil blive tildelt baseret på offentliggjorte eksperimentelle data.

FE-simuleringer vil blive brugt til at kvantificere spredning af stress på MV-blad, vurdere belastningsoverførsel mellem blad og papillære muskler og evaluere mekaniske effekter af kirurgiske indgreb (f.eks. neokordal implantation, annuloplasti). Disse simuleringer er retrospektive og eksplorative; de vil ikke påvirke kirurgisk beslutningstagning.

Opfølgning Ingen postoperativ opfølgning er nødvendig ud over standard klinisk pleje. Undersøgelsen er fokuseret på intraoperativ billeddannelse og vævsindsamling, efterfulgt af offline billedanalyse og beregningsmæssig modellering.