Deep Learning verbessert Elastizitätsabbildung bei Bauchaortenaneurysmen

Abdominalaortenaneurysmen (AAA) stellen ein hohes Risiko dar, weil sie häufig ohne Symptome platzen und tödlich sein können. Der bisher gängige Ansatz zur Risikobewertung basiert auf dem maximalen Durchmesser des Gefäßes, doch dieser berücksichtigt nicht die mechanischen Eigenschaften der Gefäßwand, die entscheidend für die Platzenwahrscheinlichkeit sind.

Um diese Lücke zu schließen, hat ein Forschungsteam ein tiefes Lernmodell entwickelt, das die Elastizitätsverteilung von AAAs aus 2‑D‑Ultraschall‑Bewegungsfeldern bestimmt. Durch Finite‑Element‑Simulationen wurden umfangreiche Datensätze aus Verschiebungsfeldern und den zugehörigen Modulus‑Verteilungen erzeugt. Das Modell nutzt eine U‑Net‑Architektur und minimiert den normalisierten mittleren quadratischen Fehler (NMSE), um aus den axialen und lateralen Verschiebungen die räumliche Modulus‑Verteilung abzuleiten.

Die Leistungsfähigkeit des Ansatzes wurde in drei Testumgebungen überprüft: digitale Phantom‑Simulationen aus COMSOL, physikalische Phantom‑Experimente mit biomechanisch unterschiedlichen Gefäßmodellen und klinische Ultraschalluntersuchungen von AAA‑Patienten. In den Simulationen erreichte das Modell einen NMSE‑Wert von 0,73 %, während die Vorhersagen bei den physischen Phantomen die erwarteten Modulus‑Verhältnisse exakt widerspiegelten. Im Vergleich zu einem iterativen Verfahren zeigte das Deep‑Learning‑Modell vergleichbare Genauigkeit, jedoch deutlich geringere Rechenzeit.

Diese Ergebnisse deuten darauf hin, dass KI‑gestützte Elastizitätsabbildung ein vielversprechendes Werkzeug für die präzise Bewertung von AAA‑Risiken sein kann, indem sie über den reinen Durchmesser hinaus die Gefäßmechanik berücksichtigt und gleichzeitig schneller arbeitet.