使用基于图像的计算流体动力学的卷积神经网络基于细分的大脑动脉系统的模拟:自动化模型创建的初始经验
Mostafa Rezaeitaleshmahalleh1, Zonghan Lyu1, Nan Mu1
1Dept. of Biomedical Engineering, Michigan Technological University, 1400 Townsend Drive Houghton, Michigan 49931, USA.
Journal of mechanics in medicine and biology
|March 25, 2024
概括
人工智能 (AI) 细分加速了针对内动脉瘤的患者特定计算流体动力学 (CFD) 模型的创建. 人工智能细分显示了与手工方法的高度一致性,使其成为临床翻译的可行方法.
科学领域:
- 生物医学工程 生物医学工程
- 医疗成像医学成像
- 计算科学 计算科学
背景情况:
- 基于图像的计算流体动力学 (CFD) 模拟提供了患者特定的血液动力学见解.
- 目前用于CFD模型创建的手动细分是耗时的,限制了临床应用.
- 基于深度学习的AI细分提供了自动化和加速这一过程的潜在解决方案.
研究的目的:
- 评估使用人工智能细分来快速生成CFD模型的可行性.
- 为了比较人工智能细分的CFD模型与手动细分的模型的准确性.
- 评估AI细分对内动脉瘤的形态和血液动力学分析的影响.
主要方法:
- 两种AI细分方法 (MIScnn,DeepMedic) 应用于内动脉瘤的3D旋转血管学数据.
- 两名人类用户使用人工智能和人工细分生成了CFD模型.
- 人工智能生成和人工生成模型之间的形态和血液动力学参数使用ICC,Bland-Altman图和PCC进行了比较.
主要成果:
- 对于所有形态参数,人工智能细分与手动细分几乎完全一致.
- 在八个血液动力学参数中,有五个参数达成高度一致.
- 对于剩余的三个血液动力学参数,发现了适度的协议,表明需要进一步改进的领域.
结论:
- 人工智能细分是一种可行的方法,可以加速创建基于图像的CFD模型.
- 这种高度的协议表明,人工智能细分可以可靠地捕获关键的患者特定的血液动力学信息.
- 人工智能细分技术的进一步发展有望为CFD模拟的常规临床翻译提供希望.


