AI-basert form- og funksjonsanalyse av mitralklaffprolaps ved bruk av 3D ultralyd (AI4MVP)

Denne prospektive studien har som mål å undersøke de anatomiske og biomekaniske egenskapene til mitralklaffprolaps (MVP) ved bruk av RT3DEE og avanserte kunstig intelligens (AI)-baserte bildeanalyseteknikker. Målet er å utvikle et automatisert rammeverk for segmentering og morfologisk vurdering av mitralklaffapparatet, og å gjennomføre FE-modellering for å evaluere de biomekaniske implikasjonene av degenerativ MVP og tilknyttede kirurgiske reparasjoner.

Bildeopptak Protokoll Intraoperativ RT3DE vil bli utført i operasjonssalen som en del av standard bildeopptaksprotokoll under kirurgisk MVP-reparasjon. Et Vivid S70N ultralydsystem (GE Healthcare) utstyrt med en 6VT 4D multiplan RT3DE-sonde vil bli brukt. Standard midt-øsofageale RT3DE-visninger vil bli innhentet, inkludert fullt venstre ventrikulært (LV) kammervolum og forstørrede, gatede 3D-visninger av mitralklaffkomplekset (annulus, klaffblad og papillærmuskler). For å forbedre bildekvaliteten vil forstørrede opptak begrenses til det minste pyramidale volumet som fanger hele mitralklaffkomplekset, og sikre bildefrekvenser ≥20 Hz. Alle bildeopptaksdatasett vil bli anonymisert før analyse.

Kirurgisk Protokoll MVP kirurgisk reparasjon vil bli utført under generell anestesi gjennom en høyre mini-torakotomi. Kirurgiske teknikker vil inkludere: i) klaffbladreseksjon (fjerning av overflødig klaffbladvev); ii) neokordal implantasjon (plassering av ekspandert polytetrafluoretylen, ePTFE, kunstige chordae); annuloplasti (implantasjon av en annuloplastiring eller perikardbånd for annular stabilisering).

I tilfeller hvor betydelig klaffbladvev fjernes (≥10×10 mm), vil prøver bli samlet og lagret i institusjonens BioCor biobank for histologisk og morfometrisk analyse. Prøver vil bli dekontaminert, kryokonservert og lagret ved -80°C. Etter histologisk evaluering vil alt biologisk materiale bli ødelagt.

Klinisk Datainnsamling Demografiske (f.eks. alder, kjønn) og kliniske data (f.eks. diagnose, medikamenter, komorbiditeter) vil bli hentet fra medisinske journaler og anonymisert.

Nevralnettverk Trening for Bilde Segmentering Anonymiserte RT3DE-datasett vil bli manuelt segmentert av ekspertoperatører ved bruk av avansert bildeanalyseprogramvare (f.eks. 3D Slicer). Et minimum av 150 RT3DE-opptak vil bli behandlet for å generere binære masker av mitralklaffannulus, klaffblad og papillærmuskler.

Disse segmenterte datasettene vil bli brukt til å trene et konvolusjonelt nevralt nettverk (CNN), sannsynligvis basert på 3D U-Net-arkitekturen; 70% av datasettene vil bli brukt som treningsdata og 30% vil bli reservert for testing og validering.

CNN-et vil lære å automatisk segmentere mitralklaffstrukturer og generere 3D overflatemodeller. Viktige anatomiske trekk – som annuluskontur, klaffblad fri margin, kommissurer og papillærmuskelposisjoner – vil bli ekstrahert automatisk.

Kvantitative geometriske parametere vil inkludere annular område, omkrets, anteroposterior diameter, kommissural bredde, annular høyde og elliptisitet, klaffblad dimensjoner, koaptasjonssoner og utbulingsomfang.

FE Analyse Pasientspesifikke 3D-modeller av mitralklaffen vil bli rekonstruert fra de segmenterte RT3DE-dataene. Disse modellene vil gjennomgå glatting og remeshing for å generere høykvalitetsnett for strukturell FE-analyse. Chordae tendineae vil bli modellert basert på etablerte anatomiske maler og justert for å matche fysiologiske lengder. Vevsmaterialegenskaper vil bli tildelt basert på publiserte eksperimentelle data.

FE-simuleringer vil bli brukt til å kvantifisere stressfordeling på mitralklaffblad, vurdere lastoverføring mellom klaffblad og papillærmuskler og evaluere mekaniske effekter av kirurgiske inngrep (f.eks. neokordal implantasjon, annuloplasti) Disse simuleringene er retrospektive og utforskende; de vil ikke påvirke kirurgisk beslutningstaking.

Oppfølging Ingen postoperativ oppfølging kreves utover standard klinisk behandling. Studien er fokusert på intraoperativ bildeopptak og vevsinnsamling, etterfulgt av offline bildeanalyse og beregningsmodellering.