AI-baserad form- och funktionsanalys av mitralklaffprolaps med 3D-ultraljud (AI4MVP)

Denna prospektiva studie syftar till att undersöka de anatomiska och biomekaniska egenskaperna hos MVP med hjälp av RT3DEE och avancerade bildanalystekniker baserade på artificiell intelligens (AI). Målet är att utveckla ett automatiserat ramverk för segmentering och morfologisk bedömning av MV-apparaten, och att genomföra FE-modellering för att utvärdera de biomekaniska konsekvenserna av degenerativ MVP och associerade kirurgiska reparationer.

Bildprotokoll Intraoperativ RT3DE kommer att utföras i operationssalen som en del av standardbildprotokollet under kirurgisk MVP-reparation. Ett Vivid S70N-ultraljudssystem (GE Healthcare) utrustat med en 6VT 4D multiplan RT3DE-sond kommer att användas. Standard mid-esophageal RT3DE-vyer kommer att erhållas, inklusive fullständiga vänsterkammarvolym (LV) och zooma, gated 3D-vyer av MV-komplexet (annulus, blad och papillärmuskler). För att förbättra bildkvaliteten kommer zoomade upptagningar att begränsas till den minsta pyramidvolymen som fångar hela mitraliskomplexet, vilket säkerställer bildhastigheter ≥20 Hz. Alla bilddatamängder kommer att anonymiseras före analys.

Kirurgiskt protokoll MVP kirurgisk reparation kommer att utföras under generell anestesi genom en höger mini-torakotomi. Kirurgiska tekniker kommer att inkludera: i) bladresektion (borttagning av överskottsbladvävnad); ii) neokordal implantation (placering av expanderad polytetrafluoreten, ePTFE, artificiella chordae); annuloplasti (implantation av en annuloplastiring eller perikardband för annular stabilisering).

I fall där betydande bladvävnad exciseras (≥10×10 mm), kommer prover att samlas in och lagras i institutionens BioCor-biobank för histologisk och morfometrisk analys. Prover kommer att dekontamineras, kryokonserveras och lagras vid -80°C. Efter histologisk utvärdering kommer allt biologiskt material att förstöras.

Klinisk datainsamling Demografiska (t.ex. ålder, kön) och kliniska data (t.ex. diagnos, mediciner, komorbiditeter) kommer att erhållas från journaler och anonymiseras.

Neuralnätverksträning för bildsegmentering Anonymiserade RT3DE-datamängder kommer att manuellt segmenteras av expertoperatörer med hjälp av avancerad bildanalysprogramvara (t.ex. 3D Slicer). Minst 150 RT3DE-upptagningar kommer att bearbetas för att generera binära masker av MV-annulus, blad och papillärmuskler.

Dessa segmenterade datamängder kommer att användas för att träna ett konvolutionellt neuralt nätverk (CNN), troligen baserat på 3D U-Net-arkitekturen; 70% av datamängderna kommer att användas som träningsdata och 30% kommer att reserveras för testning och validering.

CNN kommer att lära sig att automatiskt segmentera MV-strukturer och generera 3D-ytmodeller. Viktiga anatomiska egenskaper – såsom annuluskontur, bladfri marginal, kommissurer och papillärmuskelpositioner – kommer att extraheras automatiskt.

Kvantitativa geometriska parametrar kommer att inkludera annular area, omkrets, anteroposteriordiameter, kommissurbredd, annularhöjd och ellipticitet, bladdimensioner, koaptationszoner och billowing-omfattning.

FE-analys Patientspecifika 3D-modeller av mitralisklaffen kommer att rekonstrueras från de segmenterade RT3DE-data. Dessa modeller kommer att genomgå utjämning och omnätning för att generera högkvalitativa nät för strukturell FE-analys. Chordae tendineae kommer att modelleras baserat på etablerade anatomiska mallar och anpassas för att matcha fysiologiska längder. Vävnadsmaterialegenskaper kommer att tilldelas baserat på publicerade experimentdata.

FE-simuleringar kommer att användas för att kvantifiera spänningsfördelning på MV-blad, bedöma lastöverföring mellan blad och papillärmuskler och utvärdera mekaniska effekter av kirurgiska ingrepp (t.ex. neokordal implantation, annuloplasti). Dessa simuleringar är retrospektiva och explorativa; de kommer inte att påverka kirurgiska beslut.

Uppföljning Ingen postoperativ uppföljning krävs utöver standard klinisk vård. Studien fokuserar på intraoperativ bildtagning och vävnadsinsamling, följt av offline-bildanalys och beräkningsmodellering.