Open Access

Chris Jung

• This thesis explores the development of a predictive model to predict lesions within radiofrequency ablation. The aim is to develop a neural network capable of predicting tissue lesions described by four metrics based on a set of ablation characteristics. This thesis, therefore, describes the development of the predictive model based on the following steps: comparison of different featureThis thesis explores the development of a predictive model to predict lesions within radiofrequency ablation. The aim is to develop a neural network capable of predicting tissue lesions described by four metrics based on a set of ablation characteristics. This thesis, therefore, describes the development of the predictive model based on the following steps: comparison of different feature configurations, integration of simulation data, and evaluation of applicability. The selection of features resulted in three main configurations named ’Post-Ablation’ (11 features), ’Pre-Ablation’ (3 features) and ’Extended-Pre-Ablation’ (7 features). The result of the first development step, the comparison of configurations, showed that the ’Extended-Pre-Ablation’ configuration is the most promising and outperforms the baseline. Data from a COMSOL Multiphysics simulation was integrated into the training to develop the model further. For this purpose, a preprocessing step was developed that converts simulated temperature ablation data into tissue damage using an Arrhenius model and calculates the lesion description. Four variants were evaluated for integrating the simulation data: one using only clinical data, one using only simulated data, and two using a combination of both. The evaluation showed that training with only clinical in vitro data leads to the best results. Although the combinations with clinical and simulated data were better on a single test dataset, training with only clinical data showed the most stable results in the context of both datasets. The most stable variant achieved an MAE of 0.79 mm, an RMSE of 1.09 mm and an R2-Score of 0.48 on the first test dataset. These results were close to those of the validation dataset. The model achieved an MAE of 1.18 mm, an RMSE of 1.49 mm, and an R2-Score of 0.12 on the second test dataset. A closer look at the discrepancy between data types showed a good qualitative match, but the unstable results indicate an insufficient quantitative match. The applicability evaluation examined the model’s ability to reflect trends with artificial inputs correctly. For this purpose, the ablation time, the power target, and the impedance were artificially varied. While a correct trend could be recognized for the ablation time, the model expected a false trend for a power target over 50 W. The impedance also showed limitations due to the available data, so extrapolation into unknown impedance ranges still worked poorly. The final model uses a feed-forward neural network with seven input nodes, two hidden layers with 128 and four output nodes. Even with this initial prototype, it was possible to demonstrate that the model developed can predict lesions with a certain degree of accuracy with a low computational overhead. A validated simulation for generating data showed good potential.…
• Diese Arbeit erforscht die Entwicklung eines prädiktiven Modells zur Bestimmung von Läsionen innerhalb der Radiofrequenz Ablation. Dabei wurde ein neuronales Netzwerk entwickelt, welches in der Lage ist, eine durch vier Metriken beschriebene Läsion im Gewebe auf Basis einer Reihe von Ablationseigenschaften vorherzusagen. Diese Arbeit beschreibt daher die Entwicklung durch die Schritte: VergleichDiese Arbeit erforscht die Entwicklung eines prädiktiven Modells zur Bestimmung von Läsionen innerhalb der Radiofrequenz Ablation. Dabei wurde ein neuronales Netzwerk entwickelt, welches in der Lage ist, eine durch vier Metriken beschriebene Läsion im Gewebe auf Basis einer Reihe von Ablationseigenschaften vorherzusagen. Diese Arbeit beschreibt daher die Entwicklung durch die Schritte: Vergleich von Feature-Konfigurationen, Integration von Simulationsdaten und Evaluierung der Anwendbarkeit. Die Selektion von Features resultierte in den Konfigurationen, ’Post-Ablation’ (11 Features), ’Pre-Ablation’ (3 Features) und ’Extended-Pre-Ablation’ (7 Features). Der Vergleich zeigte, dass ’Extended-Pre-Ablation’ die vielversprechendste Konfiguration ist und klar die Baseline übertrifft. Um das Modell weiterzuentwickeln, wurden Daten aus einer COMSOL Simulation in das Training integriert. Dafür wurde ein Preprocessing entwickelt, welcher Temperaturwerte mittels eines Arrhenius Models in Gewebeschaden umwandelt und daraus die Läsionsbeschreibung berechnet. Für die Integration von Simulationsdaten wurden vier Varianten evaluiert, wobei eine nur klinische Daten, eine nur simulierte Daten und zwei eine Kombination aus beiden verwendet. Die Auswertung zeigte, dass ein Training mit ausschließlich klinischen in Vitro Daten zu dem besten Resultat führt. So waren die Kombinationen mit klinischen und simulierten Daten zwar auf einem einzelnen Test-Datensatz besser, im Kontext von beiden wies das Training mit ausschließlich klinischen Daten die stabilsten Resultate auf. Die stabilste Variante erzielte auf dem ersten Testdatensatz einen MAE von 0.79 mm, einen RMSE von 1.09 und einen R2-Score von 0.48, wobei die Resultate nah an denen des Validierungsdatensatzes lagen. Auf dem zweiten Testdatensatz wurde ein MAE von 1.18 mm, ein RMSE von 1.49 mm und ein R2-Score von 0.12 erreicht. Eine genauere Betrachtung der Diskrepanz zwischen klinischen und simulierten Daten zeigte einen guten qualitativen Match, jedoch wiesen die instabilen Ergebnisse auf einen unzureichenden quantitativen Match hin. Die Evaluierung der Anwendbarkeit untersuchte die Fähigkeiten des Modells bei künstlichen Eingaben Trends korrekt widerzuspiegeln. Hierfür wurden die Ablationszeit, das Power-Target und die Impedanz künstlich variiert. Während sich für die Ablationszeit ein korrekter Trend erkennen ließ, erwartete das Modell ab einem Power-Target von 50 W einen falschen Trend. Bei der Impedanz zeigten sich ebenfalls die Limitationen aufgrund der verfügbaren Daten, sodass eine Extrapolation in unbekanntere Impedanzbereiche noch schlecht funktionierte. Das letztlich verwendete Modell ist ein Feed-Forward Neural Network mit sieben Eingabeknoten, zwei Hidden Layers mit je 128 Knoten und vier Ausgabeknoten. Auch wenn in dieser Arbeit in erster Linie ein erster Prototyp entwickelt wurde, konnte demonstriert werden, dass das entwickelte Modell in der Lage ist, mit geringem Overhead Läsionen einer gewissen Genauigkeit vorherzusagen. Die Erzeugung von Daten mittels einer validierten Simulation zeigte ein großes Potenzial.…