Nichtinvasive Charakterisierung von Myokardschäden mittels kardialer Magnetresonanztomographie

Abstract

Einführung: Kardiale Magnetresonanztomografie mit der Anwendung von Kontrastmitteln ist eine etablierte klinische Untersuchung zur Differenzierung von Myokardschäden. Die Auswertung der Bilddaten basiert zu einem großen Teil auf subjektiv geführten Methoden. Die Quantifizierung relevanter pathophysiologischer Prozesse könnte zur Objektivierung der Untersuchung beitragen. Daher ist es unser Ziel, ein Verfahren vorzuschlagen, die Pathophysiologie von myokardialen Ödemen und Fibrose zu charakterisieren. Methoden: Mittels Computational Fluid Dynamics (CFD) wurde der Kontrastmittelfluss in pathologischem Gewebe modelliert. Die Modellparameter ExR, welcher den Austausch von Kontrastmittel (KM) zwischen dem vaskulären und extravaskulären Raum darstellt, wurde verwendet, um unterschiedliche Flussszenarien zu erzeugen. Die Simulationen wurden dann mit quantitativen T1-Maps des Herzens von n = 18 Patienten mit akuter und geheilter Myokarditis sowie alters- und geschlechtsangepassten Probanden aus einer zuvor veröffentlichten Studie verglichen. T1-Maps wurden von der medialen Schicht vor und 1,3,5,7 und 10 Minuten nach der KM-Verabreichung verwendet. Ergebnisse: Der Vorgang zum Lesen und Registrieren aller T1-Maps des Myokards und die Umrechnung auf die KM-Konzentration war bei 10 aufeinander abgestimmten Gruppen von akuten und geheilten Patienten sowie gesunden Probanden erfolgreich. Die simulierten KM Auswaschungs-Kurven wurden an die Messungen in der Austauschrate ExR mit einem Fehler von weniger als 5% gefittet. Signifikante Unterschiede (P <0,05) wurden zwischen akuten und geheilt Patienten sowie geheilten Patienten und Probanden gefunden. Ein größerer Unterschied (P <0,01) wurde zwischen akuten Patienten und Probanden festgestellt. Fazit: Unsere Ergebnisse deuten darauf hin, dass CFD für die Simulation von pathologischem und gesundem Myokardgewebe eingesetzt werden kann. Moderne Machine Learning6 Techniken können in Zukunft mit quantitativen Merkmalen wie der Austauschrate ExR oder anderen T1-Map Merkmalen angewendet werden um myokardiale Schäden zu differenzieren.

Introduction: Cardiac magnetic resonance imaging with the application of contrast media is a clinical examination for the differentiation of myocardial damage. The evaluation of the images is based to a large extent on subjectively guided methods. The quantification of relevant pathophysiological processes could contribute to the objectification of the investigation. Therefore, our aim is to propose a method to quantify the pathophysiology in myocardial edema and fibrosis. Methods: Using Computational Fluid Dynamics (CFD), the flow of contrast agent in pathological tissue was modeled. The model parameter ExR governing the exchange of contrast medium(CM) between the vascular and extravascular space was used to generate different flow scenarios. The simulations were then compared to quantitative cardiac T1 maps from n=18 patients with acute and healed myocarditis as well as age- and sexmatched volunteers from a previously published study. T1 maps had been acquired of the medial slice before and 1,3,5,7 and 10 minutes after CM administration. Results: The pipeline of reading and registering all myocardial T1 maps and conversion to CM concentration was successful in 10 matched groups of acute and healed patients as well as volunteers. The simulated CM washout curves were fitted to the measurements in the exchange rate ExR with an error of less than 5%. Significant differences (P<0.05) were found between acute and healed patients, as well as healed patients to volunteers. A greater difference (P<0.01) was found between acute patients and volunteers. Conclusion: Our results suggest the feasibility of using CFD for the simulation of pathologic and healthy myocardial tissue. Modern Machine Learning techniques can be applied in the future for the differentiation of myocardial tissue using quantitative features such as the exchange rate ExR or other T1 map characteristics.