Analysis of multidimensional patient data with cardiovascular diseases through medical image processing, modeling, and machine learning techniques

Abstract

Cardiovascular diseases remain the leading cause of mortality globally, driving the need for improved diagnostic and predictive tools. This thesis integrates computational fluid dynamics (CFD), radiomic analysis, and automated segmentation techniques with advanced imaging modalities to enhance the assessment of coronary artery disease (CAD)and systemic vascular conditions. Endothelial shear stress (ESS), calculated through CFD models based on coronary computed tomography angiography (CCTA), is evaluated in relation to stenosis severity, plaque volume and myocardial perfusion. The research explores how variations in ESS correlate with functional changes in myocardial perfusion, as measured by positron emission tomography (PET). These findings provide insights into the role of hemodynamic forces in CAD and underscore the potential of ESS as a diagnostic marker. Radiomic analysis is applied to CCTA-derived plaque features to extract biomarkers predictive of myocardial perfusion abnormalities. The integration of these biomarkers with PET and single-photon emission computed tomography (SPECT) data significantly enhances diagnostic accuracy compared to traditional imaging metrics. This approach highlights the utility of radiomics in non-invasive CAD risk stratification. Additionally, the thesis develops automated segmentation methods for analyzing the aorta in PET/CT imaging, enabling precise and reproducible assessment of metabolic activity in large-vessel vasculitis. These techniques improve workflow efficiency and provide new tools for evaluating systemic inflammatory conditions. By combining ESS analysis, radiomic biomarkers, and automated segmentation, this thesis establishes a comprehensive framework for non-invasive cardiovascular diagnostics. The findings contribute to advancing patient-specific risk assessment and management strategies, with significant implications for clinical practice.

Οι καρδιαγγειακές παθήσεις παραμένουν η κύρια αιτία θνησιμότητας παγκοσμίως, γεγονός που καθιστά αναγκαία την ανάπτυξη βελτιωμένων διαγνωστικών και προγνωστικών εργαλείων. Η παρούσα διατριβή ενσωματώνει την υπολογιστική δυναμική ρευστών (CFD), την ανάλυση ραδιομικών χαρακτηριστικών και τις αυτοματοποιημένες τεχνικές τμηματοποίησης με προηγμένες απεικονιστικές μεθόδους, με στόχο τη βελτίωση της αξιολόγησης της στεφανιαίας νόσου (CAD) και των συστηματικών αγγειακών παθήσεων. Η ενδοθηλιακή διατμητική τάση (ESS), που υπολογίζεται μέσω CFD μοντέλων βασισμένων στην αξονική στεφανιογραφία (CCTA), εξετάζεται σε σχέση με τη σοβαρότητα της στένωσης, τον όγκο της πλάκας και την αιμάτωση του μυοκαρδίου. Η έρευνα αποτυπώνει πώς οι διακυμάνσεις στο ESS συσχετίζονται με λειτουργικές αλλαγές στην αιμάτωση του μυοκαρδίου, όπως μετρώνται με τη μέθοδο της τομογραφίας εκπομπής ποζιτρονίων (PET). Τα ευρήματα αυτά παρέχουν νέες πληροφορίες για τον ρόλο των αιμοδυναμικών δυνάμεων στη στεφανιαία νόσο και αναδεικνύουν το ESS ως διαγνωστικό δείκτη. Η ανάλυση ραδιομικών (Radiomics) χαρακτηριστικών εφαρμόζεται σε δεδομένα πλάκας που προέρχονται από CCTA για την εξαγωγή βιοδεικτών που προβλέπουν ανωμαλίες στην αιμάτωση του μυοκαρδίου. Η ενσωμάτωση αυτών των βιοδεικτών με δεδομένα από PET και τομογραφία εκπομπής μονήρους φωτονίου (SPECT) ενισχύει σημαντικά την ακρίβεια της διάγνωσης σε σύγκριση με τα παραδοσιακά απεικονιστικά χαρακτηριστικά. Αυτή η προσέγγιση υπογραμμίζει τη χρησιμότητα της ραδιομικής στην μη επεμβατική ταξινόμηση κινδύνου στην στεφανιαία νόσο. Επιπλέον, η διατριβή αναπτύσσει αυτοματοποιημένες μεθόδους τμηματοποίησης για την ανάλυση της αορτής σε PET/CT απεικονίσεις, επιτρέποντας ακριβή και αναπαραγόμενη αξιολόγηση της μεταβολικής δραστηριότητας σε αγγειίτιδες μεγάλων αγγείων. Αυτές οι τεχνικές βελτιώνουν την αποδοτικότητα της ροής των εργασιών και παρέχουν νέα εργαλεία για την αξιολόγηση συστηματικών φλεγμονωδών παθήσεων. Συνδυάζοντας την ανάλυση της ESS, τους ραδιομικούς βιοδείκτες και την αυτοματοποιημένη τμηματοποίηση, η διατριβή αυτή διαμορφώνει ένα ολοκληρωμένο πλαίσιο για μη επεμβατική διάγνωση καρδιαγγειακών παθήσεων. Τα ευρήματα συμβάλλουν στην πρόοδο της εξατομικευμένης αξιολόγησης κινδύνου και στις στρατηγικές διαχείρισης ασθενών, με σημαντικές προεκτάσεις για την κλινική πρακτική.