Addressing challenges in 4D flow MRI: data generation and deep learning-based denoising and super-resolution

4D Flow MRI is a technique that acquires time-resolved 3D blood flow velocity, enabling the assessment of haemodynamic parameters. However, its clinical use is still limited due to issues related to noisy and low-resolution images. In recent years, efforts to address these problems have focused on the use of Deep Neural Networks (DNNs) for denoising and super-resolution of the 4D flow images. Training DNNs in a supervised manner requires a large dataset, which can be obtained using a synthetic 4D Flow dataset generated from Computational Fluid Dynamics (CFD) simulations. At the same time, DeepONet has been developed and has established itself as a promising network for learning a map from input to output functions. The objectives of this study were twofold: to develop a semi-automatic pipeline for generating a synthetic 4D Flow dataset to improve the accuracy of super-resolution and denoising networks, and to implement a new neural network based on DeepOnet operator. For data generation, aortic surfaces were pre-processed to obtain final volume meshes. For each volume meshes, a realistic velocity profile was applied, and a CFD simulation was conducted to obtain velocity data. The velocitiy values were then interpolated into a corresponding image, which was subsequently downsampled and noise was added, so to create a velocity dataset comparable to those obtained with 4D Flow MRI. The obtained dataset was then used to train a denoising and super-resolution neural network present in literature, which was then tested with unseen data. These tests confirmed that using a large dataset for training the network enabled accuracy in mapping noisy, low-resolution data to their corresponding denoised, high-resolution data. Sequentially, different models based on DeepONet have been implemented and trained, and various experiments were conducted. The testing results demonstrated the accuracy of different models in mapping the velocity data belonging to the fluid region of the aorta. However, there was less accuracy observed for the velocity data of the aortic wall.

4D Flow MRI è una tecnica che acquisisce velocità volumetriche e risolte nel tempo del flusso sanguigno, permettendo l’analisi di parametri emodinamici. Tuttavia, il suo utilizzo in clinica è limitato per problemi di immagini con rumore e a bassa risoluzione. Negli ultimi anni, approcci per risolvere questi problemi si sono focalizzati sull'utilizzo di reti neurali profonde (DNN) per la riduzione del rumore e la super risoluzione di immagini di 4D flow. Allenare una rete neurale in maniera supervisionata richiede un dataset largo, che si può ottenere usando un dataset sintetico di 4D Flow, ottenuto da simulazioni di computazioni fluido-dinamiche (CFD). Allo stesso tempo, DeepONet si è sviluppato e si è affermato come un tipo di rete neurale promettente per imparare a mappare le funzioni di input e output. L’obiettivo di questo studio è duplice: sviluppare un procedimento semiautomatico per la generazione di un dataset sintetico di 4D Flow per migliorare l’accuratezza dei network di riduzione del rumore e super risoluzione, e di implementare una nuova rete neurale basata sull’operatore DeepONet. Per la generazione dei dati, le superfici di aorta sono state processate per ottenere mesh volumetriche finali. In ogni mesh volumetrica è stato applicato un profilo di velocità realistico, e una simulazione CFD è stata condotta per ottenere le velocità. Questi dati sono stati poi interpolati in una immagine corrispondente, che è stata sottoposta a downsample e ad aggiunta di rumore, così da creare un dataset di velocità comparabile a quello realistico di 4D Flow. Il dataset ottenuto è stato poi allenato su una rete neurale di riduzione di rumore e super risoluzione presente in letteratura, che è stata poi testata su nuovi dati. Questi test hanno confermato che usare un dataset ampio per allenare la rete neurale permette di ottenere accuratezza nel mapping tra dati rumorosi e a bassa risoluzione con i corrispondenti dati a cui il rumore è stato ridotto e con super risoluzione. Successivamente, diversi modelli basati sul DeepOnet sono stati implementati e allenati, e sono stati effettuati diversi esperimenti. I risultati di questi test hanno dimostrato l’accuratezza di diversi modelli nel mappare dati di velocità appartenenti alla regione fluida dell’aorta. Tuttavia, una minore accuratezza è stata riscontrata per le velocità appartenenti alla parete aortica.