Das Projekt TRANSNAV lief vom 1. Oktober 2019 bis zum 31. März 2023 am Fraunhofer-Institut für Digitale Medizin MEVIS in Lübeck. Sein zentrales Ziel war die Entwicklung eines multimodalen Navigationssystems, das die Planung, Durchführung und Überwachung von transvaskulären Eingriffen wie der Pulmonalvenenisolation (PVI) und der Transkatheter-Aortenklappenimplantation (TAVI) unterstützt. Das System stützt sich auf patientenspezifische Modelle von Gefäßen und Organen, um die Sicherheit und Effizienz komplexer Eingriffe zu verbessern.
Ein wichtiges technisches Ergebnis war die automatische Segmentierung der Aortenwurzel und des linken Ventrikels in vierdimensionalen (4D) Computertomographie-Daten (CT). Mithilfe eines benutzerdefinierten Annotationstools wurden Referenzstrukturen – einschließlich des linken Vorhofs, der linken Herzkammer, der aufsteigenden Aorta, der Aortenwurzel und der Aortenklappe – manuell abgegrenzt und dann zum Trainieren von Deep-Learning-Modellen verwendet. Das resultierende Netzwerk kann diese Strukturen in 4D segmentieren und ermöglicht die Extraktion von Markerpositionen in jeder Herzphase. Über die Segmentierungsgenauigkeit wurde im International Journal of Computer Assisted Radiology and Surgery berichtet (Krüger et al., CARS 2021), wo quantitative Messungen der Aortenwurzel anhand von Expertenkommentaren validiert wurden.
Die Verfolgung der Marker wurde durch die zeitliche Fortpflanzung der Positionen mit Deformationsfeldern erreicht, die aus der 4D-Segmentierung abgeleitet wurden. Dies ermöglichte eine kontinuierliche Überwachung der Aortenklappe und der Koronararterien während des Herzzyklus. Die Positionsunsicherheit der Marker wurde quantifiziert und in einem Demonstrator visualisiert, der auf dem SPIE Medical Imaging Workshop im Februar 2023 vorgestellt wurde. Darüber hinaus wurde im Rahmen des Projekts ein multimodaler Registrierungsrahmen entwickelt, der CT- und Magnetresonanzbilder (MR) anhand der Aortensegmentierung als gemeinsame Landmarke ausrichtet. Ganzkörper-CT-Scans wurden auf spezielle Herz-CT-Aufnahmen registriert und präoperative MR-Bilder wurden mit postoperativen MR-Daten abgeglichen, um einen kohärenten räumlichen Kontext für die Planung und Nachsorge zu schaffen.
Die Bewegungsanalyse wurde anhand der 4D-Marker-Trajektorien durchgeführt. Parameter wie die Winkelung der Klappenebene, der Winkel zwischen dem linksventrikulären Ausflusstrakt (LVOT) und der Klappenebene sowie der Abstand zwischen der Klappenebene und den Koronararterien wurden extrahiert. Diese quantitativen Deskriptoren wurden zusammen mit der segmentierten Anatomie visualisiert, so dass Kliniker dynamische Veränderungen, die die Positionierung des Geräts beeinflussen könnten, beurteilen konnten. Das Visualisierungsmodul wurde in eine Benutzeroberfläche integriert, die 4D-Herz-CT-Daten in vier verschiedenen Herzphasen anzeigt und die segmentierten Konturen und Bewegungsmetriken überlagert.
Für die computergestützte Planungskomponente einigte sich das Team bei einem Meilensteintreffen am 30. September 2021 auf Standardbild- und -datenformate, um die Interoperabilität mit bestehenden klinischen Arbeitsabläufen sicherzustellen. Der endgültige Demonstrator kombinierte Segmentierung, Verfolgung, Registrierung und Bewegungsanalyse in einer einzigen Plattform. Er wurde auf der SPIE-Konferenz für medizinische Bildgebung im Jahr 2023 vorgestellt, wo die Teilnehmer die 4D-Modelle interaktiv erkunden und die potenziellen Auswirkungen auf die Planung von Eingriffen bewerten konnten.
Das Projekt wurde von einem multidisziplinären Team von Forschern und Klinikern bei Fraunhofer MEVIS unter der Leitung von Prof. Dr. Anja Hennemuth und Dr. Stefan Heldmann durchgeführt, mit Beiträgen der MSc-Studentinnen Johanna Brosig und Stephanie Häger. Im Laufe der 3½ Jahre hat das Team mehrere von Experten begutachtete Publikationen, darunter den Artikel CARS 2021, veröffentlicht und seine Ergebnisse auf internationalen Konferenzen vorgestellt. Das Ergebnis der Zusammenarbeit ist ein robustes, multimodales Navigationssystem, das zeigt, wie fortschrittliche Bildgebung, Deep Learning und Bewegungsanalyse integriert werden können, um minimalinvasive Gefäßeingriffe zu unterstützen.