用于计算血流动力学的深度进修方法:近期进展综述

-JAN 6th

用于计算血流动力

学的深度学习方法:

近期进展综述

晟视分享

1. 背景介绍

血流的计算流体动力学（computational fluid dynamics， cfd）建模在目前各种医疗状况、设计有效的药物输送系统以及开发新的诊断方法和治疗方法方面发挥重要作用。但是，这些模拟的昂贵计算成本阻碍了其从研究兴趣向临床工具的转变。对具有真实边界条件和复杂计算域的鉴于图像的、患者特定的cfd模拟来说，这一瓶颈更加严重。为解决这个问题，探索了深度学习方法（deep learning， dl）来加速计算血流动力学模拟。在本研究中，我们主要对dl方法在血流动力学模拟中的应用进行综述，指出该领域未来潜在的发展方向。

2.dl在血流动力学摹拟中的应用

作为机器学习（Machine Learning，ML）的一个子集， DL可以解决这些问题（图1）。我们将展开讨论DL在估计主动脉血流动力学、脑血流动力学和4D Flow磁共振成像 (Magnetic Resonance Imaging, MRI)增强中的应用。

图1深度学习模型可从医学图像中分割计算域，生成网格并控制其品质，估计数值模拟所需的参数，并预测模拟结果。[1]

2.1 主动脉血流动力学估计

图2比较了狭窄率为85%的患者血管内的流线和速度分布的cfd模拟的结果（即参照）与dl模型预测的结果。图2a-d显示了冠状动脉搭桥手术前后的血流流线。研讨表明，cfd和dl结果之间具有良好的一致性。dl模型能够预测复杂的结构，如涡旋（图2中的黑色箭头）。然而，在有涡旋和流动分离的区域，它的精度较低。

图2 CFD和DL模型估计冠状动脉搭桥手术前后的流线(a-h)。CFD和DL估计手术前后四个截面的速度分布(i,j)。彩色条显示速度 (m/s)。[1]

2.2脑血流动力学估量

脑血流动力学的研究对于开发新的脑血管病诊断和治疗方法至关重要。Raissi等人开发了一个PINN模型来预测患者特异性颅内动脉瘤的三维血流动力学(图3a)。对于模型训练，被动标量的均匀浓度仅用于任意训练域(图3b)，并且不需要额外的边界条件信息。图3c显示了PINN模型的架构，该模型由密集连接的物理未知神经网络、自动微分算子和Navier-Stokes知情神经网络组成。研究表明，速度和压力预测与参照一致，参照是由患者特定边界条件的CFD模拟获得的(图3d,e)。

图3 pinn 估计颅内动脉瘤的血流动力学。(a) 计算域；(b) 用于结果可视化的两个垂直平面的训练域；(c)dl模子的结构；(d) 瞬时预测和参照浓度、速度和压力场分布；(e) 根据预测和参照速度分布计算出的流线。[1]

2.3 4D Flow磁共振成像增强

图4比较了dl增强速度场与原始mri估计值。结果表明，dl模型能够改善近壁速率估计，平滑脑动脉瘤等异常情况下的速度梯度转换，并消除不现实的速度波动。

图4 DL模型用于增强4D Flow MRI获得的速度场，方法是：（a）改善近壁速度梯度，（b）平滑速度梯度过渡，（c）消除不现实的速度波动，以及（d）更好地表征曲折结构中的近壁速度矢量。箭头显示了图像改进的主要领域。[1]

3.总结

用于血流动力学模拟的DL领域的最新进展表明，这种计算方法具有强大的潜力，可以满足各种临床需求。DL模型不能取代传统的计算模拟，但可以帮助它们减轻一些常见的瓶颈，例如高计算成本。对于由CFD模拟获得数据训练的DL模型，最佳情况是实现与CFD结果相同的精度。考虑到潜在的准确性损失，推荐DL解决方案，特别是当需要快速的医疗决策，难以或不可能针对特定生物力学问题开发常规计算模型时。未来研究的重点应该是开发DL管道，该管道集成了CFD模拟所需的从数据预处理到后处理的所有步骤。