priborИзвестия высших учебных заведений. ПриборостроениеJournal of Instrument Engineering0021-34542500-0381Национальный исследовательский университет ИТМО10.17586/0021-3454-2024-67-9-798-812pribor-80Research ArticleПРИБОРЫ, СИСТЕМЫ И ИЗДЕЛИЯ МЕДИЦИНСКОГО НАЗНАЧЕНИЯDEVICES, SYSTEMS AND MEDICAL DEVICESРаспределение рентгеноконтрастного вещества в просвете и стенке брюшной аорты по данным КТ-ангиографического исследованияContrast Agent Distribution in the Lumen and Wall of the Abdominal Aorta According to CT-Angiographic Study DataКоденкоМ. Р.KodenkoM. R.

Мария Романовна Коденко, аспирант, мл. научный сотрудник

кафедра биомедицинских технических систем; отдел научных медицинских исследований

Москва

Maria R. Kodenko, Post-Graduate Student, Junior Researcher

Department for Biomedical Technical Systems; Department of Medical Research

Moscow

m.r.kodenko@yandex.ruВасильевЮ. А.VasilievYu. A.

Юрий Александрович Васильев, канд. мед. наук, директор Центра

Москва

Yuriy A. Vasiliev, PhD, CEO of the Center

Moscow

npcmr@zdrav.mos.ruКульбергН. С.KulbergN. S.

Николай Сергеевич Кульберг, канд. физ.-мат. наук, ст. научный сотрудник

кафедра медико-технических информационных технологий

Москва

Nicholay S. Kulberg, PhD, Senior Researcher

Department of Medical and Technical Information Technologies

Moscow

kulberg@yandex.ruСамородовА. В.SamorodovA. V.

Андрей Владимирович Самородов, канд. техн. наук, доцент, заведующий кафедрой

кафедра биомедицинских технических систем

Москва

Andrey V. Samorodov, PhD, Associate Professor,  Head of the Department

Department of Biomedical Technical Systems

Moscow

avs@bmstu.ruРешетниковР. В.ReshetnikovR. V.

Роман Владимирович Решетников, канд. физ.-мат. наук, руководительотдела

отдел научных медицинских исследований

Москва

Roman V. Reshetnikov, PhD, Head of the Department

Department of Medical Research

Moscow

reshetnikov@fbb.msu.ruНаучно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы; Московский государственный технический университет им. Н. Э. БауманаРоссияResearch and Practical Clinical Center for Diagnostics and Telemedicine Technologies, Department of Health Care of Moscow; Bauman Moscow State Technical UniversityRussian FederationНаучно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города МосквыРоссияResearch and Practical Clinical Center for Diagnostics and Telemedicine Technologies, Department of Health Care of MoscowRussian FederationМосковский государственный технический университет им. Н. Э. БауманаРоссияBauman Moscow State Technical UniversityRussian Federation202426112024679798812Copyright © Национальный исследовательский университет ИТМО, 20242024Национальный исследовательский университет ИТМОНациональный исследовательский университет ИТМОhttps://pribor.ifmo.ru/jour/about/submissions#copyrightNoticehttps://pribor.ifmo.ru/jour/article/view/80

   Представлен подход к аппроксимации и анализу компонента сигнала КТ-плотности, ассоциированного с внутрисосудистым рентгеноконтрастным веществом (РКВ) по данным компьютерно-томографических ангиографических (КТА) изображений брюшного отдела аорты.

   Цель работы — исследование возможности извлечения и анализа РКВ-индуцированного компонента в просвете и стенке брюшного отдела аорты на КТА-изображении.

   Предложен функционал для описания одномерного и двумерного распределения РКВ в виде набора сумм сигмоидов специального вида. Для аппроксимации использован метод нелинейных наименьших квадратов с оптимизацией Левенберга — Марквардта. Тестирование алгоритма проведено на открытом наборе данных, состоящем из 594 КТА-изображений. Подготовка данных проведена с помощью специализированного программного обеспечения Slicer 3D. Результаты демонстрируют отсутствие статистически значимых различий значений КТ-плотности между исходными изображениями и результатами аппроксимации (p > 0,05, парный тест Вилкоксона). Продемонстрирована чувствительность модели к различному распределению РКВ в области аневризмы, тромбоза и отхождения магистральных артерий. Чувствительность определена как наличие статистически значимых различий расчетных параметров модели для области однородного и неоднородного распределения РКВ в рамках каждого из КТ-исследований. Значения среднеквадратической ошибки аппроксимации для указанных областей статистически значимо не отличаются и унимодально распределены (p > 0,7) в рамках отдельно взятого КТ-исследования. Предложенный подход может быть полезен для персонализации КТА, развития алгоритмов обработки КТА-данных, синтеза бесконтрастных КТ-данных, обучения алгоритмов искусственного интеллекта.

   An approach to the approximation and analysis of the CT density signal component associated with intravascular radiocontrast agent (RCA) based on computed tomography angiography (CTA) images of the abdominal aorta is presented.

   The aim of the work is to study the possibility of extracting and analyzing the RCA-induced component in the lumen and wall of the abdominal aorta on the CTA image.

   A functionality for describing one-dimensional and two-dimensional distribution of the CTA as a set of sums of sigmoid of a special type is proposed. The nonlinear least squares method with Levenberg – Marquardt optimization is used for approximation. The algorithm is tested on an open data set consisting of 594 CTA images. Data preparation is performed using specialized software Slicer 3D. The results demonstrate the absence of statistically significant differences in the CTA density values between the original images and the approximation results (p> 0.05, paired Wilcoxon test). The sensitivity of the model to different distributions of the RCA in the area of aneurysm, thrombosis and origin of the main arteries is demonstrated. Sensitivity is defined as the presence of statistically significant differences in the calculated parameters of the model for the area of homogeneous and non-homogeneous distribution of the RCA within each of the CT studies. The values of the root-mean-square approximation error for the specified areas do not differ statistically significantly and are unimodally distributed (p > 0.7) within a single CT study. The proposed approach can be useful for personalizing CTA, developing algorithms for processing CTA data, synthesizing non-contrast CT data, and training artificial intelligence algorithms.

компьютерная томографияангиографияобработка изображенийконтрастное веществомоделированиеКТ-плотностьискусственный интеллектcomputed tomographyangiographyimage processingcontrast agentmodelingX-ray densityartificial intelligenceРабота выполнена в рамках НИОКР (№ ЕГИСУ: 123031500002-1) в соответствии с Приказом от 21. 12. 2022 г. № 1196 „Об утверждении государственных заданий, финансовое обеспечение которых осуществляется за счет средств бюджета города Москвы, государственным бюджетным (автономным) учреждениям, подведомственным Департаменту здравоохранения города Москвы, на 2023 год и плановый период 2024 и 2025 годов“This paper was prepared by a group of authors as a part of the research and development effort titled “Development of software for automated generation of data sets containing synthetic native-phase CT studies to train and validate AI algorithms” (USIS No. 123031500002-1)ReferencesErbel R., Aboyans V., Boileau C., Bossone E. et al. ESC Guidelines on the diagnosis and treatment of aortic diseases: Document covering acute and chronic aortic diseases of the thoracic and abdominal aorta of the adult. The Task Force for the Diagnosis and Treatment of Aortic Diseases of the European Society of Cardiology (ESC) // European Heart Journal. 2014. N 35. P. 2873–926. DOI: 10.1093/eurheartj/ehu281.Erbel R., Aboyans V., Boileau C., Bossone E. et al. Eur. Heart. J., 2014, no. 35, pp. 2873–2926, DOI: 10.1093/EURHEARTJ/EHU281.Baliyan V., Shaqdan K., Hedgire S., Ghoshhajra B. Vascular computed tomography angiography technique and indications // Cardiovascular Diagnosis and Therapy. 2019. N 9. DOI: 10.21037/CDT.2019.07.04.Baliyan V., Shaqdan K., Hedgire S., Ghoshhajra B. Cardiovascular Diagnosis and Therapy, 2019, no. 9, DOI: 10.21037/CDT.2019.07.04.Yu T., Zhu X., Tang L., Wang D., Saad N. Review of CT angiography of aorta // Radiol. Clin. North Amer. 2007. N 45. P. 461–83. DOI: 10.1016/J.RCL.2007.04.010.Yu T., Zhu X., Tang L., Wang D., Saad N. Radiol. Clin. North. Am., 2007, vol. 45, рр. 461–483, DOI: 10.1016/J.RCL.2007.04.010.Zhang Z., Sejdić E. Radiological images and machine learning: trends, perspectives, and prospects // Computers in Biology and Medicine. 2019. Vol. 108. P. 354–370.Zhang Z., Sejdić E. Computers in biology and medicine, 2019, vol. 108, рр. 354–370.Baliyan V., Verdini D., Meyersohn N. M. Noninvasive aortic imaging // Cardiovascular Diagnosis and Therapy. 2018. Vol. 8, Suppl 1. P. S3. DOI: 10.21037/cdt.2018.02.01.Baliyan V., Verdini D., Meyersohn N.M. Cardiovascular Diagnosis and Therapy, 2018, no. Suppl 1(8), pp. S3, DOI: 10.21037/cdt.2018.02.01.Bae K. T. Intravenous contrast medium administration and scan timing at CT: considerations and approaches // Radiology. 2010. Vol. 256, N 1. P. 32-61. DOI: 10.1148/radiol.10090908.Bae K.T. Radiology, 2010, no. 1(256), pp. 32–61, DOI:10.1148/radiol.10090908.Lyu J., Fu Y., Yang M., Xiong Y., Duan Q. et al. Generative Adversarial Network-based Noncontrast CT Angiography for Aorta and Carotid Arteries // Radiology. 2023. N 309(2). P. e230681. DOI: 10.1148/radiol.230681. PMID: 37962500.Lyu J., Fu Y., Yang M., Xiong Y., Duan Q. et al. Radiology, 2023, no. 2(309), pp. e230681, DOI: 10.1148/radiol.230681.Hamersvelt R.W. van, Eijsvoogel N. G., Mihl C. et al. Contrast agent concentration optimization in CTA using low tube voltage and dual-energy CT in multiple vendors: a phantom study // Intern. Journal Cardiovasc. Imaging. 2018. N 34(8). P. 1265–1275. DOI: 10.1007/s10554-018-1329-x.van Hamersvelt R.W., Eijsvoogel N.G., Mihl C. et al. Int. J. Cardiovasc. Imaging., 2018, no. 8(34), pp. 1265–1275, DOI: 10.1007/s10554-018-1329-x.Weininger M., Barraza J. M., Kemper C. A., Kalafut J. F. et al. Cardiothoracic CT angiography: current contrast medium delivery strategies // Amer. Journal of Roentgenology. 2011. N 196(3). P. W260–W272. DOI:10.2214/AJR.10.5814.Weininger M., Barraza J.M., Kemper C.A., Kalafut J.F. et al. AJR Am. J. Roentgenol., 2011, no. 3(196), pp. W260–W272, DOI: 10.2214/AJR.10.5814.Andreucci M., Solomon R., Tasanarong A. Side effects of radiographic contrast media: Pathogenesis, risk factors, and prevention // BioMed Research Intern. 2014. Vol. 2014. DOI: 10.1155/2014/741018.Andreucci M., Solomon R., Tasanarong A. BioMed Research International, 2014, vol. 2014, DOI: 10.1155/2014/741018.Pasquini L., Napolitano A., Pignatelli M., Tagliente E. et al. Synthetic Post-Contrast Imaging through Artificial Intelligence: Clinical Applications of Virtual and Augmented Contrast Media // Pharmaceutics. 2022. Vol. 14, N 11. P. 2378. DOI: 10.3390/pharmaceutics14112378.Pasquini L., Napolitano A., Pignatelli M., Tagliente E. et al. Pharmaceutics, 2022, no. 11(14), pp. 2378, DOI: 10.3390/pharmaceutics14112378.Chen H. et al. Application of cascaded GAN based on CT scan in the diagnosis of aortic dissection // Computer Methods and Programs in Biomedicine. 2022. Vol. 226. P. 107130. DOI: 10.1016/j.cmpb.2022.107130.Chen H. et al. Computer methods and programs in biomedicine, 2022, vol. 226, рр. 107130, DOI: 10.1016/j.cmpb.2022.107130.Wu C. et al. Vessel-GAN: Angiographic reconstructions from myocardial CT perfusion with explainable generative adversarial networks // Future Generation Computer Systems. 2022. Vol. 130. P. 128–139.Wu C. et al. Future Generation Computer Systems, 2022, vol. 130, рр. 128–139.Коденко М. Р., Кульберг Н. С., Самородов А. В. Анализ высокоплотностного компонента содержимого брюшной аорты при КТ-ангиографии [Электронный ресурс]: http://www.mce.su/rus/archive/abstracts/mce30/sect288919/doc417793/, 30. 03. 2023 г.http://www.mce.su/rus/archive/abstracts/mce30/sect288919/doc417793/. (in Russ.)Коденко М. Р., Самородов А. В., Кульберг Н. С., Решетников Р. В. Создание наборов данных компьютерной томографии брюшной аорты с подавлением контрастирования для обучения и тестирования алгоритмов искусственного интеллекта // Изв. вузов. Приборостроение. 2023. Т. 66, № 11. С. 968–981. DOI: 10.17586/0021-3454-2023-66-11-968-981.Kodenko M.R., Samorodov A.V., Kulberg N.S., Reshetnikov R.V. Journal of Instrument Engineering, 2023, no. 11(66), pp. 968–981, DOI: 10.17586/0021-3454-2023-66-11-968-981. (in Russ.)Свид. о гос. рег. программы № 2023661089 РФ. Программа для извлечения и анализа детерминированного компонента сигнала рентгеновской плотности КТ-ангиографического исследования аорты / М. Р. Коденко, Ю. А. Васильев. Опубл. 29. 05. 2023. Бюл. № 6.Certificate on the state registration of the computer programs 2023661089 RU, Programma dlya izvlecheniya i analiza determinirovannogo komponenta signala KT-plotnosti KT-angiograficheskogo issledovaniya aorty (Program for Extraction and Analysis of the Deterministic Component of the CT Density Signal of CT Angiographic Study of the Aorta), M.R. Kodenko, Yu.A. Vasiliev, Application no. 2023660164, Priority 19. 05. 2023, Published 29. 05. 2023. (in Russ.)Свид. о гос. рег. программы № 2023661090 РФ. Программа для подавления контрастирования аорты на КТ-ангиографических изображениях / М. Р. Коденко, Ю. А. Васильев. Опубл. 29.05.2023. Бюл. № 6.Certificate on the state registration of the computer programs 2023661090 RU, Programma dlya podavleniya kontrastirovaniya aorty na KT-angiograficheskikh izobrazheniyakh (Software for Suppressing Aortic Contrast Enhancement in CT Angiographic Images), M.R. Kodenko, Yu.A. Vasiliev, Application no. 2023660165, Priority 19. 05. 2023, Published 29. 05. 2023. (in Russ.)Kodenko M. R. et al. Contrast-agent-induced deterministic component of CT-density in the abdominal aorta during routine angiography: proof of concept study // arXiv preprint arXiv:2310.20243. 2023. DOI: 10.48550/arXiv.2310.20243.Kodenko M.R. et al. аrXiv preprint arXiv:2310.20243, 2023, DOI: 10.48550/arXiv.2310.20243.Norgeot B. et al. Minimum information about clinical artificial intelligence modeling: the MI-CLAIM checklist // Nature Medicine. 2020. Vol. 26, N 9. P. 1320–1324. DOI: 10.1038/s41591-020-1041-y.Norgeot B. et al. Nature medicine, 2020, no. 9(26), pp. 1320–1324, DOI: 10.1038/s41591-020-1041-y.Подготовка набора данных для обучения и тестирования программного обеспечения на основе технологии искусственного интеллекта: Учеб.-метод. пособие / Ю. А. Васильев, К. М. Арзамасов, А. В. Владзимирский и др. М.: НПКЦ ДиТ ДЗМ, 2023. 108 с.Vasiliev Yu.A., Arzamasov K.M., Vladzimirsky A.V. et al. Podgotovka nabora dannykh dlya obucheniya i testirovaniya programmnogo obespecheniya na osnove tekhnologii iskusstvennogo intellekta (Preparing a Dataset for Training and Testing Software Based on Artificial Intelligence Technology), Moscow, 2023, 108 р. (in Russ.)МКБ 10 — Аневризма и расслоение аорты (I71) // МКБ 10 — Международная классификация болезней 10-го пересмотра [Электронный ресурс]: https://mkb-10.com/index.php?pid=8344, 05. 04. 2023.https://mkb-10.com/index.php?pid=8344. (in Russ.)MosMedData КТ с признаками аневризмы аорты тип III - наборы данных в лучевой диагностике n.d. [Электронный ресурс]: https://mosmed.ai/datasets/mosmeddata-kt-s-priznakami-anevrizmi-aorti-tip-iii/, 16. 05. 2023.https://mosmed.ai/datasets/mosmeddata-kt-s-priznakami-anevrizmi-aorti-tip-iii/. (in Russ.)Свид. о гос. рег. базы данных № 2023621046 РФ. MosMedData: КТ с признаками аневризмы брюшного отдела аорты / Ю. А. Васильев, Е. В. Туравилова, И. М. Шулькин и др. Опубл. 30. 03. 2023.Certificate on the state registration of the computer programs 2023621046 RU, MosMedData: KT s priznakami anevrizmy bryushnogo otdela aorty (MosMedData: CT with Signs of Abdominal Aortic Aneurysm), Yu.A. Vasiliev, E.V. Turavilova, I.M. Shulkin et al., Application no. 2023620795, Priority 24. 03. 2023, Published 30. 03. 2023. (in Russ.)Kodenko M. R., Makarova T. A. Preparation of abdominal computed tomography data set for patients with abdominal aortic aneurysm // Digital Diagnostics. 2023. Vol. 4, N 1S. P. 90–92.Kodenko M.R., Makarova T.A. Digital Diagnostics, 2023, no. 1S(4), pp. 90–92.3D Slicer image computing platform // 3D Slicer USA [Электронный ресурс]: https://www.slicer.org/, 05. 03. 2022.3D Slicer image computing platform, https://www.slicer.org/.Knipe H., Moore C. NIfTI (file format) // Radiopaedia.org. 2019 [Электронный ресурс]: https://radiopaedia.org/articles/72562, 05. 03. 2022.Knipe H., Moore C. Radiopaedia.org, 2019, https://radiopaedia.org/articles/72562.Bell D., Greenway K. Hounsfield unit // Radiopaedia. Org. 2015. DOI: 10.53347/RID-38181.Bell D., Greenway K. Hounsfield unit. RadiopaediaOrg, 2015, DOI: 10.53347/RID-38181.Ranganathan A. The Levenberg-Marquardt Algorithm // Tutoral on LM algorithm. 2004. Vol. 11, N 1. P. 101–110.Ranganathan A. Tutoral on LM algorithm, 2004, no. 1(11), pp. 101–110.Williams A. R. et al. Local hemodynamic changes caused by main branch stent implantation and subsequent virtual side branch balloon angioplasty in a representative coronary bifurcation //Journal of Applied Physiology. 2010. Vol. 109, N 2. P. 532–540.Williams A.R. Journal of applied physiology, 2010, no. 2(109), pp. 532–540.Chiu J. J., Chien S. Effects of disturbed flow on vascular endothelium: pathophysiological basis and clinical perspectives // Physiological Reviews. 2011. Vol. 91, N 1. P. 327–387.Chiu J.J., Chien S. Physiological reviews, 2011, no. 1(91), pp. 327–387.RStudio Desktop — Posit // RStudio [Электронный ресурс]: https://posit.co/download/rstudio-desktop/, 05.03.2022.RStudio Desktop – Posit, RStudio, https://posit.co/download/rstudio-desktop/.Dplyr — R Documentation [Электронный ресурс]: https://cran.rstudio.com/web/packages/dplyr/vignettes/dplyr.html, 07. 05. 2022.Dplyr – R Documentation, https://cran.rstudio.com/web/packages/dplyr/vignettes/dplyr.html.Rnifti — R Documentation [Электронный ресурс]: https://cran.r-project.org/web/packages/RNifti/index.html, 07. 05. 2022.Rnifti – R Documentation, https://cran.r-project.org/web/packages/RNifti/index.html.Minpack.lm — R Documentation [Электронный ресурс]: https://cran.r-project.org/web/packages/minpack.lm/index.html, 07. 05. 2022.Minpack.lm – R Documentation, https://cran.r-project.org/web/packages/minpack.lm/index.html.Reshape2 — R Documentation [Электронный ресурс]: https://cran.r-project.org/web/packages/reshape2/, 07. 05. 2022.Reshape2 – R Documentation, https://cran.r-project.org/web/packages/reshape2/.Kanematsu M. et al. Whole-body CT angiography with low tube voltage and low-concentration contrast material to reduce radiation dose and iodine load // Amer. Journal of Roentgenology. 2014. Vol. 202, N 1. P. W106–W116.Kanematsu M. et al. American Journal of Roentgenology, 2014, no. 1(202), pp. W106–W116.Haynes A. et al. Presize: An R-package for precision-based sample size calculation in clinical research // Journal of Open Source Software. 2021. N 60 (6). P. 3118.Haynes A. et al. Journal of Open Source Software, 2021, no. 6(60), pp. 3118.Das S., Mitra K., Mandal M. Sample size calculation: Basic principles //Indian Journal of Anaesthesia. 2016. Vol. 60, N 9. P. 652.Das S., Mitra K., Mandal M. Indian Journal of Anaesthesia, 2016, no. 9(60), pp. 652.Kim H. Y. Statistical notes for clinical researchers: Type I and type II errors in statistical decision // Restorative Dentistry & Endodontics. 2015. Vol. 40, N 3. P. 249–252.Kim H.Y. Restorative dentistry & endodontics, 2015, no. 3(40), pp. 249–252.Noordzij M. et al. Sample size calculations: basic principles and common pitfalls // Nephrology dialysis transplantation. 2010. Vol. 25. N 5. P. 1388–1393.Noordzij M. et al. Nephrology dialysis transplantation, 2010, no. 5(25), pp. 1388–1393.Tanaka H., Unno N., Suzuki Y., Sano H. et al. Hypoperfusion of the Aortic Wall Secondary to Degeneration of Adventitial Vasa Vasorum Causes Abdominal Aortic Aneurysms // Current Drug Targets. 2018. N 19. P. 1327–1332. DOI: 10.2174/1389450119666180122154409.Tanaka H, Unno N, Suzuki Y, Sano H et al. Curr Drug Targets, 2018, no. 19, pp. 1327–1332, DOI: 10.2174/1389450119666180122154409.Heistad D. D., Marcus M. L. Role of vasa vasorum in nourishment of the aorta // Blood Vessels. 1979. N 16. P. 225–238. DOI: 10.1159/000158209.Heistad D.D., Marcus M.L. Blood Vessels, 1979, no. 16, pp. 225–238, DOI: 10.1159/000158209.Sano M., Unno N., Sasaki T., Baba S. et al. Topologic distributions of vasa vasorum and lymphatic vasa vasorum in the aortic adventitia — Implications for the prevalence of aortic diseases // Atherosclerosis. 2016. N 247. P. 127–134. DOI: 10.1016/J.ATHEROSCLEROSIS.2016.02.007.Sano M., Unno N., Sasaki T., Baba S. et al. Atherosclerosis, 2016, no. 34(127), pp. 247, DOI: 10.1016/J.ATHEROSCLEROSIS.2016.02.007.Grossmannova .K, Barathova M., Belvoncikova P., Lauko V. et al. Hypoxia Marker Carbonic Anhydrase IX Is Present in Abdominal Aortic Aneurysm Tissue and Plasma // Intern. Journal of Molecular Sciences. 2022. Vol. 23. P. 879. DOI: 10.3390/IJMS23020879.Grossmannova K, Barathova M., Belvoncikova P., Lauko V. et al. International Journal of Molecular Sciences, 2022, vol. 23, p. 879.Raffort J. et al. Artificial intelligence in abdominal aortic aneurysm // Journal of Vascular Surgery. 2020. Vol. 72, N 1. P. 321–333.Raffort J. et al. Journal of vascular surgery, 2020, no. 1(72), pp. 321–333.

The authors declare that there are no conflicts of interest present.