Метод равномерного дробления для построения расчетной сетки трехмерных моделей элементов сердечно-сосудистой системы на основе медицинских данных

Цель исследования — разработать метод равномерного дробления для построения расчетной сетки трехмерных моделей биологических объектов при моделировании транскатетерной имплантации аортального клапана на основе медицинских DICOM-изображений с использованием математических методов обработки и оценить его эффективность в сравнении с типовыми подходами: методом полигонов и САПР-методом.

Материалы и методы. Отработку методов реконструкции осуществляли на примере клинических данных пациента Н., 68 лет, перенесшего транскатетерное протезирование клапана аорты. Входными данными явились результаты мультиспиральной компьютерной томографии. Реконструкцию биологических объектов (корня аорты) проводили тремя методами: методом полигонов (Mimics, Бельгия), САПР-методом (NX 9.0, Германия) и с помощью авторского алгоритма, реализованного в среде MATLAB (США). Численное моделирование как один из критериев качества полученных реконструированных моделей выполняли в среде инженерного анализа Abaqus/CAE 6.14 (США) с воспроизведением условий нагружения моделей физиологическим давлением в два этапа: в систолу и диастолу.

Результаты. Оценка реконструированных моделей корня аорты показала, что предлагаемый численный метод позволяет сегментировать объект (корень аорты) на более однородные элементы по сравнению с методом полигонов и САПР-методом. Так, в случае метода полигонов использовали 128 452 тетраэдра (пирамиды, C3D4); в случае САПР-метода — 28 456 гексаэдров (параллелограммы, С3D8); в случае численного метода — 24 644 аналогичных C3D8 элемента. Результаты численного моделирования также разнились: в случае метода полигонов максимум напряжения по Мизесу составил 0,262 МПа; для САПР-алгоритма — 0,412 МПа, в случае численного метода — 0,359 МПа. Важным критерием эффективности реконструкции явилось время расчета: для метода полигонов — 458,6 с, в случае САПР-алгоритма — 377,2 с (на 21,5% меньше), в случае предложенного численного метода — 341,8 с (на 34,1% меньше).

Заключение. Полученные качественные и количественные результаты проведенного исследования демонстрируют эффективность применения предложенного алгоритма реконструкции биологических объектов на основе DICOM-файлов для задач численного анализа. Использование данного алгоритма при моделировании транскатетерной имплантации аортального клапана дает возможность сократить время численного анализа и повысить его точность, что позволит улучшить качество и увеличить скорость предоперационного планирования.

1. Sardari Nia P., Heuts S., Daemen J., Luyten P., Vainer J., Hoorntje J., Cheriex E., Maessen J. Preoperative planning with three-dimensional reconstruction of patient’s anatomy, rapid prototyping and simulation for endoscopic mitral valve repair. Interact Cardiovasc Thorac Surg 2017; 24(2): 163–168, https://doi.org/10.1093/icvts/ivw308.
2. Sindeev S.V., Frolov S.V. Modeling the hemodynamics of the cardiovascular system with cerebral aneurysm. Math Models Comput Simul 2017; 9(1): 108–119, https://doi.org/10.1134/s2070048217010148.
3. Kilic T., Yilmaz I. Transcatheter aortic valve implantation: a revolution in the therapy of elderly and high-risk patients with severe aortic stenosis. J Geriatr Cardiol 2017; 14(3): 204–217, https://doi.org/10.11909/j.issn.1671-5411.2017.03.002.
4. Богачев-Прокофьев А.В., Шарифулин Р.М., Зу­ба­рев Д.Д., Журавлева И.Ю., Караськов А.М. Не­посред­ст­венные результаты транскатетерного протезирования аортального клапана трансаортальным доступом. Российский кардиологический журнал 2017; 8: 51–58, https://doi.org/10.15829/1560-4071-2017-8-51-58.
5. Chaturvedi A., Hobbs S.K., Ling F.S., Chaturvedi A., Knight P. MRI evaluation prior to transcatheter aortic valve implantation (TAVI): when to acquire and how to interpret. Insights Imaging 2016; 7(2): 245–254, https://doi.org/10.1007/s13244-016-0470-0.
6. Бокерия Л.А., Алекян Б.Г., Пурсанов М.Г., Ми­ро­ненко В.А., Бокерия О.Л., Макаренко В.Н., За­хар­чен­ко А.В., Косенко А.И., Базарсадаева Т.С., Сан­додзе Т.С., Алехина М.А. Транскатетерная имплантация аортального клапана: первый опыт в России. Грудная и сердечно-сосудистая хирургия 2011; 2: 4–10.
7. Бокерия Л.А., Гудкова Р.Г. Сердечно-сосудистая хирургия — 2015. Болезни и врожденные аномалии сис­темы кровообращения. М: НЦССХ им. А.Н. Баку­лева; 2016; 208 с.
8. Журавлева И.Ю., Богачев-Прокофьев А.В., Де­ми­дов Д.П., Караськов А.М. Транскатетерное проте­зи­рование митрального клапана: современное состоя­ние проблемы. Кардиология 2017; 57(8): 51–59, https://doi.org/10.18087/cardio.2017.8.10018.
9. Neragi-Miandoab S., Michler R.E. A review of most relevant complications of transcatheter aortic valve implantation. ISRN Cardiol 2013; 2013: 956252, https://doi.org/10.1155/2013/956252.
10. Jung J.I., Koh Y.S., Chang K. 3D printing model before and after transcatheter aortic valve implantation for a better understanding of the anatomy of aortic root. Korean Circ J 2016; 46(4): 588–589, https://doi.org/10.4070/kcj.2016.46.4.588.
11. Tzamtzis S., Viquerat J., Yap J., Mullen M.J., Burriesci G. Numerical analysis of the radial force produced by the Medtronic-CoreValve and Edwards-SAPIEN after transcatheter aortic valve implantation (TAVI). Med Eng Phys 2013; 35(1): 125–130, https://doi.org/10.1016/j.medengphy.2012.04.009.
12. Wald S., Liberzon A., Avrahami I. A numerical study of the hemodynamic effect of the aortic valve on coronary flow. Biomech Model Mechanobiol 2017; 17(2): 319–338, https://doi.org/10.1007/s10237-017-0962-y.
13. Bianchi M., Marom G., Ghosh R.P., Fernandez H.A., Taylor J.R. Jr., Slepian M.J., Bluestein D. Effect of balloon-expandable transcatheter aortic valve replacement positioning: a patient-specific numerical model. Artif Organs 2016; 40(12): E292–E304, https://doi.org/10.1111/aor.12806.
14. Клименов В.А., Алхимов Ю.В., Штейн А.М., Касьянов С.В., Бабиков С.А., Батранин А.В., Осипов С.П. Применение и развитие методов цифровой радиографии для технической диагностики неразрушающего контроля и инспекции. Контроль. Диагностика 2013; 13: 31–42.
15. Raut S.S., Liu P., Finol E.A. An approach for patient-specific multi-domain vascular mesh generation featuring spatially varying wall thickness modeling. J Biomech 2015; 48(10): 1972–1981, https://doi.org/10.1016/j.jbiomech.2015.04.006.
16. Pavarino E., Neves L.A., Machado J.M., de Godoy M.F., Shiyou Y., Momente J.C., Zafalon G.F., Pinto A.R., Valêncio C.R. Free tools and strategies for the generation of 3D finite element meshes: modeling of the cardiac structures. Int J Biomed Imaging 2013; 2013: 540571, https://doi.org/10.1155/2013/540571.
17. Yu Z., Wang J., Gao Z., Xu M., Hoshijima M. New software developments for quality mesh generation and optimization from biomedical imaging data. Comput Methods Programs Biomed 2014; 113(1): 226–240, https://doi.org/10.1016/j.cmpb.2013.08.009.
18. Otsu N. A threshold selection method from gray-level histograms. IEEE Trans Syst Man 1979; 9: 62–66, https://doi.org/10.1109/tsmc.1979.4310076.
19. Овчаренко Е.А., Клышников К.Ю., Глушкова Т.В., Бу­раго А.Ю., Журавлёва И.Ю. Нелинейная изотропная мо­дель корня аорты человека. Технологии живых систем 2014; 11(6): 43–47.
20. Krishnamurthy A., Gonzales M.J., Sturgeon G., Segars W.P., McCulloch A.D. Biomechanics simulations using cubic hermite meshes with extraordinary nodes for isogeometric cardiac modeling. Comput Aided Geom Des 2016; 43: 27–38, https://doi.org/10.1016/j.cagd.2016.02.016.

Klyshnikov K.U., Ovcharenko E.A., Ganyukov V.I., Tarasov R.S., Kokov A.N., Barbarash L.S. Algorithm for Reconstructing a 3D Model of the Aortic Root Using Uniform Crushing of CT Images. Sovremennye tehnologii v medicine 2018; 10(4): 7, https://doi.org/10.17691/stm2018.10.4.01