通过缩小顺序建模与基于深度学习的操作员近似,有效地近似心脏力学.

科学领域:

• 计算力学是计算力学.
• 生物医学工程 生物医学工程
• 医疗保健中的人工智能

背景情况:

• 高保真心力学模拟 (全序模型) 在计算上昂贵,限制了临床使用.
• 精确的模拟需要精细的时空离散,甚至只需要几次心跳就需要数小时的计算时间.
• 患者特异性心脏模型需要参数校准以进行虚拟场景探索,进一步增加计算需求.

研究的目的:

• 开发一种计算效率高的方法,用于针对患者的心脏力学模拟.
• 为了减少临床翻译的全顺序模型 (FOM) 的计算时间.
• 为了实现先进的分析,如心脏力学中的不确定性量化.

主要方法:

• 一种结合深度神经网络进行操作员近似的简化基础方法 (Deep-HyROMnet).
• 基于投影的正确直角分解-加勒金方法与深度学习相结合.
• 将一个3D心脏组织力学模型与一个0D血液循环模型以及一个依赖参数的替代品用于产生活性力.

主要成果:

• 与传统的基于投影的减少顺序模型 (ROM) 相比,Deep-HyROMnet实现了数量级的计算速度提升.
• 该方法为患者特定的心脏机制提供了非常准确的近似值,包括完整的心脏周期.
• 准确的压力-体积循环被复制为生理和病理病例.
• 预期不确定性量化分析,以前无法使用FOM,变得可行.

结论:

• 深度HyROMnet技术在计算心脏力学方面取得了重大进展.
• 这种方法加速了针对患者的模拟,为临床整合铺平了道路.
• 能够进行复杂的分析,例如不确定性量化,以更好地了解心脏功能和疾病.