Dokument: Prädiktion quantitativer respiratorischer Parameter aus kardialen Echtzeit-MR-Bildern mittels maschinellen Lernens unter Verwendung von MR-kompatibler Spirometrie
| Titel: | Prädiktion quantitativer respiratorischer Parameter aus kardialen Echtzeit-MR-Bildern mittels maschinellen Lernens unter Verwendung von MR-kompatibler Spirometrie | |||||||
| Weiterer Titel: | Prediction of Quantitative Respiratory Parameters from Cardiac Real-Time MR Images Using Machine Learning with MR-Compatible Spirometry | |||||||
| URL für Lesezeichen: | https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=73252 | |||||||
| URN (NBN): | urn:nbn:de:hbz:061-20260520-075230-1 | |||||||
| Kollektion: | Dissertationen | |||||||
| Sprache: | Deutsch | |||||||
| Dokumententyp: | Wissenschaftliche Abschlussarbeiten » Dissertation | |||||||
| Medientyp: | Text | |||||||
| Autor: | Malik, Halima [Autor] | |||||||
| Dateien: |
| |||||||
| Beitragende: | Prof. Dr. Frank Pillekamp [Gutachter] Prof. Dr. Flögel, Ulrich [Gutachter] | |||||||
| Dewey Dezimal-Klassifikation: | 600 Technik, Medizin, angewandte Wissenschaften » 610 Medizin und Gesundheit | |||||||
| Beschreibungen: | Die Funktion des Herzens wird wesentlich durch die Atmung beeinflusst. Diese Interaktion zu untersuchen, ist daher von großem wissenschaftlichem Interesse. Während die Echtzeit-Magnetresonanztomographie (MRT) die kontinuierliche Erfassung der kardialen Funktion ermöglicht, ist die Spirometrie der Goldstandard zur Messung der Lungenfunktion. Die Kombination beider Verfahren eignet sich daher sehr gut, die Herz-Lungen-Interaktion zu untersuchen. Besonders bei herzkranken Kindern wäre allerdings eine Kürzung der Untersuchungsdauer mit Atemmaske wünschenswert.
Ziel dieser Arbeit war die Entwicklung und Validierung eines Modells für maschinelles Lernen (ML), das nach einer kurzen Trainingsphase mit Atemmaske, die quantitativen Atemparameter aus Bildern der folgenden kardialen Echtzeit-MRT vorhersagen kann. Bei zehn gesunden erwachsenen Probanden wurde die kardiale Kurzachsenvolumetrie mittels Echtzeit-MRT während freier Atmung in Kombination mit MR-kompatibler Spirometrie (MRkS) aufgenommen (1.5 T; 30 Bilder/s; 19 Schichten). Aus den MR-Bildern wurden mittels der iterativen Lucas-Kanade-Methode optische Flussvektoren (OFV) berechnet. Jeder Datensatz eines Probanden wurde in einen Trainingssatz (OFV der MR-Bilder und MRkS) sowie einen Testsatz (nur OFV der MR-Bilder) unterteilt. Ein ML-Modell wurde mittels Ridge Regression trainiert, um den Atemfluss des ungesehenen Testsatzes vorherzusagen. Zur Optimierung der Trainingsphase wurden die Trainingssätze bezüglich Atemmuster und Protokolldauer variiert. Die statistische Validierung der prädiktiven Güte erfolgte anhand der Mittelwerte der Determinationskoeffizienten (R2), der relativen mittleren quadratischen Fehler (rMSE) und der Bland-Altman-Analysen der absoluten Tidalvolumendifferenz (aTVD) und der absoluten maximalen Flussdifferenz (aMFD). Ein kurzes Trainingsprotokoll (100 s), das aus Aufnahmen jeder zweiten Schicht mit jeweils zwei normalen Atemzügen bestand, erzielte ein Optimum zwischen prädiktiver Güte und Trainingszeit. Für den Atemfluss ergaben sich Mittelwerte von R² = 0,984, rMSE = 0,015 sowie ein Bias (aMFD) von -0,01 L/s (95 %-Konfidenzintervall (KI): +0,084/-0,1 L/s). Für das Lungenvolumen lagen die Mittelwerte bei R² = 0,990, rMSE = 0,003 und der Bias (aTVD) bei 4,27 mL (95 %-KI: +33/-24 mL). Die Anwendung von trainierten Modellen auf weitere Studien bekannter oder unbekannter Probanden konnte gute qualitative Resultate erzielen. Zusammenfassend konnte gezeigt werden, dass nach einer kurzen Trainingsphase mit MRkS ein ML-Modell quantitative respiratorische Daten aus ungesehenen MR-Bildern der restlichen Studie mit hoher Genauigkeit vorhersagen konnte und somit eine Reduktion der Akquisitionszeit mit MRkS möglich ist.Heart function is significantly affected by respiration, and analyzing this interaction is of great scientific interest. While real-time magnetic resonance imaging (RT-MRI) enables the continuous monitoring of cardiac function, spirometry is the gold standard for assessing lung function. Combining both techniques offers great possibilities to analyze heart-lung interaction. However, particularly in children with heart disease, shortening the examination time with a breathing mask would be beneficial. The aim of this study was to develop and validate a machine learning (ML) model that, after a brief training phase with a breathing mask, would be able to predict quantitative respiratory parameters from subsequent cardiac RT-MRI. For ten healthy adult subjects, cardiac short-axis volumetry was acquired using RT-MRI during free breathing in combination with magnetic resonance-compatible spirometry (MRcS) (1.5 T; 30 frames/s; 19 slices). Optical flow vectors (OFVs) were computed from the MR images using the iterative Lucas-Kanade method. Each subject’s dataset was divided into a training set (OFVs of the MR images with MRcS) and a test set (OFVs from MR images only). An ML-model was trained using ridge regression to predict respiratory flow from the unseen test set and to evaluate its predictive performance. To optimize the training phase, training sets were varied with respect to breathing pattern and protocol length. Statistical validation included mean coefficients of determination (R²) and mean relative root mean squared errors (rMSE), as well as Bland-Altman analyses of absolute tidal volume difference (aTVD) and absolute maximal flow difference (aMFD). A shortened training protocol (100 s), consisting of acquisitions of every second slice with two normal breaths each, achieved the optimal balance between predictive quality and training time. For airflow, mean values of R² = 0.984, rMSE = 0.015, and a bias (aMFD) of -0.01 L/s (95% confidence interval (CI): +0.084/-0.1 L/s) were shown. For lung volume, mean values of R² = 0.990, rMSE = 0.003 and a bias (aTVD) of 4.27 mL (95% CI: +33/-24 mL) were observed. The application of the trained models to additional studies of known and unknown subjects yielded good qualitative results. In summary, it was shown that after a brief training phase with MRcS, an ML-model was able to predict quantitative respiratory data from unseen MR images of the remaining study with high accuracy, thereby allowing a reduction in acquisition time with MRcS. | |||||||
| Lizenz: |  Dieses Werk ist lizenziert unter einer Creative Commons Namensnennung 4.0 International Lizenz | |||||||
| Fachbereich / Einrichtung: | Medizinische Fakultät » Institute » Institut für Diagnostische Radiologie | |||||||
| Dokument erstellt am: | 20.05.2026 | |||||||
| Dateien geändert am: | 20.05.2026 | |||||||
| Promotionsantrag am: | 31.12.2025 | |||||||
| Datum der Promotion: | 05.05.2026 |
