A physics informed neural network based approach for diagnosing myocarditis through temperature field reconstruction

Myocarditis, an inflammatory heart disease commonly caused by viral infections or autoimmune disorders, often leads to cardiac dysfunctions. Despite advancements in non-invasive imaging techniques like Magnetic Resonance Imaging (MRI), diagnosing myocarditis remains challenging. This study investigates the feasibility of using Physics-Informed Neural Networks (PINNs) to reconstruct temperature distributions in the left ventricle from MRI data, in order to distinguish myocarditis from other cardiac pathologies, by verifying the presence of an inflammatory pattern. Our objective is to use the main features of PINNs for this specific application, training the network by using both imaging data and few temperature samples, coming from invasive test. In order to do so, the network's loss function is designed to integrate physical models of inflammation into a data-driven fitting approach. The numerical test cases employ synthetic data, resembling real MRI, generated with the solution of the inflammatory model using the Finite Element Method, in order to validate the method. Our results demonstrate the network's capability to accurately predict temperature fields and to estimate the spatial position of heat sources, suggesting the potential of PINNs in medical imaging applications.

La miocardite, una malattia infiammatoria del cuore comunemente causata da infezioni virali o disordini autoimmuni, spesso porta a disfunzioni cardiache. Nonostante i progressi nelle tecniche di imaging non invasive, come la Risonanza Magnetica (MRI), diagnosticare la miocardite rimane impegnativo. Questo studio indaga la fattibilità di utilizzare Reti Neurali Fisicamente Informate (PINNs) per ricostruire le distribuzioni di temperatura nel ventricolo sinistro dai dati MRI, al fine di distinguere la miocardite da altre patologie cardiache verificando la presenza di un modello infiammatorio. Il nostro obiettivo è usare le principali caratteristiche delle PINN per questa specifica applicazione, addestrando la rete utilizzando sia dati di imaging che pochi campioni di temperatura, da test invasivi. Per fare ciò, la funzione obiettivo della rete è costruita per integrare modelli fisici di infiammazione in un approccio di adattamento basato sui dati. I casi di test sono eseguiti con dati sintetici, simili a quelli reali di MRI, generati dalla soluzione del modello infiammatorio con il metodo ad Elementi Finiti, al fine di convalidare il metodo. I risultati della simulazione dimostrano la capacità della rete di prevedere con precisione i campi di temperatura e stimare la posizione spaziale di sorgenti di calore, suggerendo il potenziale delle PINNs nelle applicazioni di imaging medico.