一种基于物理的机器学习技术快速重建了冠状动脉壁切割应力和压力场
Benjamin Morgan1, Amal Roy Murali2, George Preston1
1Department of Science and Engineering, Queen Mary University of London, London, United Kingdom.
这项研究引入了一种快速方法,将减少顺序的计算流体动力学 (CFD) 和机器学习 (ML) 结合起来,以预测动脉中的血液流量. 这种新方法可以在几秒钟内准确地重建3D血液动力学,帮助诊断心血管疾病.
科学领域:
- 心血管工程 心血管工程
- 计算流体动力学的流体动力学.
- 机器学习 机器学习
背景情况:
- 心血管疾病,如动脉样硬化在全球范围内上升,需要快速的诊断工具.
- 异常的血液流动模式是动脉样硬化发展和破裂的关键指标.
- 目前基于3D成像的计算流体动力学 (CFD) 方法对于临床使用来说太慢.
研究的目的:
- 开发一个快速的,自动化的管道,用于重建冠状动脉中的3D血动力学 (压力和剪切应力).
- 将减少顺序的CFD建模与机器学习 (ML) 结合起来,以加速针对患者的血流预测.
- 通过预测血液流动模式,使心血管疾病的临床诊断更快.
主要方法:
- 从七个参考模型生成了1,407个独特的冠状动脉几何形状.
- 使用CFD (Abaqus) 模拟血液流动和使用正确直角分解 (POD) 减少数据,捕捉了10种模式的95%以上的差异.
- 在POD系数和网格几何学上使用t分布式静态邻居嵌入 (t-SNE) 训练了一种随机森林回归器 (RFR) 模型.
主要成果:
- ML-CFD管道准确地预测了未见的动脉几何形状中的3D压力和壁剪压力场.
- 该方法成功地复制了复杂的冠状动脉血液动力学.
- 整个预测过程在不到10秒内完成.
结论:
- 新的ML-CFD方法显著加速心血管应用的血液动力学分析.
- 这种方法提供了一个实用的解决方案,可以快速,准确地预测患者特定动脉中的血液流动模式.
- 该技术有望改善动脉样硬化的早期诊断和管理.
更多相关视频
06:18Intravascular Ultrasound Image-Based Finite Element Modeling Approach for Quantifying In Vivo Mechanical Properties of Human Coronary Artery
Published on: December 6, 2024
09:58Assessing Collagen and Elastin Pressure-dependent Microarchitectures in Live, Human Resistance Arteries by Label-free Fluorescence Microscopy
Published on: April 9, 2018
相关概念视频
Hydrostatic Pressure Force on a Curved Surface
Fluid Pressure over Curved Plate of Constant Width
Hydrostatic Pressure Force on a Plane Surface
Pressure Variation in a Fluid at Rest
When measuring pressure at two different levels within the fluid, the difference in...
