基于磁共振成像的计算方案，用于分析颈动脉狭窄患者的斑块形态和血流动力学
August 12th, 2025
颈内动脉 （ICA） 狭窄的评估基于狭窄百分比的估计，这没有考虑中风的生理相关危险因素，例如斑块组成和血流动力学。该协议利用定量磁共振成像和计算流体动力学来表征ICA斑块组成和血流动力学。
我们的研究评估了颈内动脉狭窄患者斑块栓塞和中风的生理相关危险因素。具体来说，我们研究了颈动脉狭窄患者斑块形态及其血流动力学环境的差异。在脑血管研究领域，最近的努力旨在确定无症状颈动脉狭窄患者中风的预测因素，特别关注患者特异性危险因素、影像学特征和血流动力学参数，这些因素可能与中风风险增加有关。
计算流体动力学能够对患者进行非侵入性的患者血流分析，并且它越来越多地与磁共振成像和光子计数 CTA 一起使用，以评估颈动脉斑块的结构和组成。目前的磁共振成像受到扫描时间长、图像解释复杂和重新定位错误的限制。另一方面，计算流体动力学受到患者特定数据有限和模型调整不佳的影响，从而降低了其准确性。
我们小组已经证明，颈内动脉狭窄狭窄程度相似的患者表现出不同的血流动力学特征，并且在双侧狭窄患者中，狭窄的严重程度会影响每侧的血流动力学和血流特征。这确实强调了这些患者复杂的脑血管和血流动力学相互作用。首先，在计算机系统上启动 CRIMSON 软件。
使用数据管理器中的导入按钮，将患者特定解剖结构的去识别化 DICOM 图像数据导入 CRIMSON。使用几何建模窗口，选择血管路径编辑并创建包含颈总动脉、颈外动脉和颈内动脉的血管树。在获得 PC MRI 血流波形的 C5 水平开始颈总动脉中心线。
放置颈内动脉中心线，使其在狭窄远端一到两厘米处结束，与 PC MRI 波形位置相匹配。然后将颈外动脉中心线终点放置在一阶分支的近端，与PC MRI波形采集位置相匹配。现在，在沿每个容器添加至少两个点后，使用血管重新切片窗口来可视化中心线和垂直于中心线的横截面视图。
使用同一窗口，添加容器轮廓以指定容器壁的边界。容器重新切片窗口的左侧显示原始图像，而右侧显示用于定义轮廓的图像渐变。足够频繁地放置轮廓，以捕获容器曲率和更改几何形状，而不会过度拟合。
定义所有轮廓后，使用船舶轮廓建模窗口中的放样按钮通过放样生成组合的 3 维实体模型。然后使用容器混合窗口选择圆角算法，以将容器模型混合到单个实体几何中。打开网格划分和求解器设置窗口，单击网格划分按钮查看网格划分选项，以配置网格参数。
在全局选项窗口中，将全局元素大小设置为介于 0.5 毫米和 0.75 毫米之间的绝对值。然后将边界层类型设置为几何增长，总层数为3层，第一层厚度为0.2 mm，总层厚为1 mm。然后应用曲率细化，在高曲率区域（如狭窄）添加网格单元。
右键单击网格，然后单击网格信息按钮以查看网格指标，包括元素计数、纵横比和分布。要指定边界条件，请单击网格划分和求解器设置窗口。选择求解器设置图标，然后使用 BC 图标添加边界条件集。
查看 CRIMSON 中当前可用的边界条件。再次单击 BC 图标，选择无滑移以实现刚性、不可变形的墙，然后使用应用于所有墙选项将其应用于所有墙。然后选择规定的速度。
导入先前定义的流入波形，并将抛物线速度剖面映射到 CCA 入口。类似地，导入将抛物线速度分布映射到 ECA 出口的 ECA 脉动流出波形。现在单击 BC 图标，选择 RCR，然后填充一个三单元 Windkessel 模型，该模型由近端电阻、远端电阻和电容器组成。
根据患者特定的计算将 RCR 映射到 ICA 出口。要准备求解器参数，请导航到网格划分和求解器窗口，单击求解器设置图标，然后选择求解器参数。将四个心动周期的步长设置为 0.1 毫秒，需要残差为 10 的负四次方，血液密度为 1， 060 公斤/立方米。
使用求解器设置生成所有仿真输入文件，包括流动数据、每个时间步长的入口流量、网格和边界条件、应用每个边界条件的面、模拟的第一个时间步长编号、三单元 Windkessel 数据、网格中每个点的压力和速度，以及流动求解器的说明。将 Carreau-Yasuda 模型添加到求解器中。inp 并添加到模拟文件中，以允许将血液建模为非牛顿流体。
现在在求解器设置窗口的稳定窗格中运行仿真，以运行 CRIMSON Navier-Stokes 流求解器。在命令窗口中指定处理器数。当求解器开始运行时，输出文件历史记录。
dat 将在命令行中打印并保存在新目录 n-procs-case 中。使用 Linux 提示符 tail f histor。dat 实时观察文件。
文件的第一列对应于时间步长。第二列是经过的时间。第三列是非线性残差，第四列是对数残差值。
生成具有低纵横比单元的高质量网格，以准确表示颈动脉分叉几何形状。模拟了颈动脉分叉和 ICA 狭窄的代表性速度曲线，显示狭窄处收缩峰值时的最大流速约为每秒 275 厘米。压力图显示，在一个病例中，狭窄处的压力梯度可以忽略不计，近端和远端压力在整个心动周期中几乎重叠。
在对比案例中，狭窄近端的压力明显高于远端压力，显示出明显的压降。在非狭窄模型中，整个分叉处的壁剪应力较低，尤其是在颈内动脉和颈外动脉的外壁。在狭窄模型中，高壁剪切应力集中在颈内动脉狭窄处。
振荡剪切指数映射显示，与术后值相比，术前病变相关 OSI 值较低。胡匹配成像通过T1加权成像上的高信号识别斑块内出血，并在T1图上降低值。钙化斑块通过暗血、T1 加权和 T2 加权序列上持续的低信号来识别。
概述
本研究调查了颈内动脉狭窄患者斑块栓塞和中风的风险因素。通过利用先进的成像技术和计算流体动力学，该研究旨在提供有关斑块形态和血流环境的洞见。
关键研究组成部分
科学领域
- 神经科学
- 脑血管研究
- 医学成像
背景
- 颈内动脉狭窄的评估通常依赖于狭窄百分比。
- 现有方法不考虑斑块组成和血流动力学。
- 近期研究侧重于识别无症状患者的中风预测因子。
- 计算流体动力学越来越多地用于非侵入性分析。
研究目的
- 评估中风的生理相关风险因素。
- 表征患者的斑块形态和血流动力学特征。
- 提高对狭窄中的脑血管相互作用的理解。
使用的方法
- 利用CRIMSON软件进行患者特定分析。
- 导入DICOM图像数据进行解剖建模。
- 通过血管轮廓创建颈动脉3D模型。
- 运行Navier-Stokes流解算器模拟以分析血流。
主要结果
- 在具有相似狭窄程度的患者中观察到不同的血流动力学特征。
- 在双侧病例中，狭窄严重程度影响双侧的血流动力学。
- 高质量网格生成提高了模拟精度。
- 非牛顿血流模型增强了对血流动力学的理解。
结论
- 生理相关因素对评估中风风险至关重要。
- 先进的成像和计算方法可以提供更好的洞见。
- 理解血流动力学相互作用可以带来更好的患者预后。
常见问题
Executive Industry Relevance
Integrating MRI-based plaque characterization with computational hemodynamics enables biopharma teams to move beyond anatomical stenosis metrics toward physiologically relevant risk stratification in cerebrovascular disease. This protocol supports predictive confidence in target validation and mechanistic de-risking for stroke-related therapeutic discovery. The approach enhances translational continuity by linking imaging biomarkers with functional hemodynamic outputs, informing portfolio decisions in vascular and neurovascular R&D.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of plaque vulnerability and hemodynamic stress as mechanistic contributors to stroke risk.
- Supports biological de-risking by quantifying patient-specific plaque composition and flow dynamics.
- Facilitates predictive confidence in selecting and validating vascular targets for intervention.
Screening & Assay Development
- Provides quantitative imaging and CFD-derived metrics for standardizing preclinical vascular models.
- Enables reproducible assessment of plaque morphology and hemodynamic parameters across cohorts.
- Supports assay development for evaluating candidate compounds targeting plaque stability or flow modulation.
Translational & Preclinical Research
- Aligns imaging and computational biomarkers with disease-relevant endpoints for translational studies.
- Enables continuity from discovery through preclinical validation by linking structural and functional vascular data.
- Supports risk-adjusted advancement decisions based on physiologically relevant outputs.
Pipeline & Workflow Integration
This protocol bridges early discovery, lead identification, and preclinical research by integrating imaging-based plaque analysis with computational hemodynamics.
- Discovery Biology: Quantifies plaque composition and hemodynamic stress to clarify mechanistic hypotheses in stroke risk.
- Screening: Delivers reproducible, quantitative outputs for model standardization and compound evaluation.
- Analytics: Provides high-resolution velocity, pressure, and wall shear stress measurements for comparative analysis.
- Translational Research: Aligns imaging and CFD biomarkers with preclinical endpoints for vascular disease models.
- Enterprise Reuse: Establishes a reusable workflow for patient-specific vascular characterization across programs.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in vascular target validation.
- Operational Value: Standardizes imaging and computational workflows for reproducibility and scalability.
- Strategic Value: Informs go/no-go decisions and capital allocation by integrating functional risk metrics.
- Portfolio Impact: Enables risk-adjusted prioritization of vascular and neurovascular assets.
Implementation Considerations
- Requires expertise in MRI interpretation, computational modeling, and vascular biology.
- Demands access to advanced imaging platforms and CFD software infrastructure.
- Necessitates cross-team standardization of imaging protocols and computational parameters.
- Adaptation may be needed for different vascular territories or disease models.
- Limitations include scan time, image interpretation complexity, and model tuning accuracy.
