网状神经网络用于对动脉壁的SE(3) - 等价血动力学估计
Julian Suk1, Pim de Haan2, Phillip Lippe3
1Department of Applied Mathematics & Technical Medical Center, University of Twente, Enschede, 7522 NB, The Netherlands.
Computers in biology and medicine
|March 29, 2024
概括
机器学习模型现在可以估计动脉中的血流,为计算流体动力学 (CFD) 提供更快的替代方案. 这种新方法可以准确地预测壁剪应力 (WSS),用于个性化心血管疾病分析.
科学领域:
- 生物医学工程 生物医学工程
- 计算科学 计算科学
- 人工智能的人工智能
背景情况:
- 计算流体动力学 (CFD) 对于患者特异性心血管疾病诊断至关重要,但在计算上是密集的.
- 机器学习 (ML) 为加速或取代CFD模拟提供了一个潜在的解决方案,用于个性化血流分析.
研究的目的:
- 开发一种高效的ML方法,用于估计动脉壁上的矢量值的血液动力学量.
- 与传统的CFD相比,评估拟议的ML方法的准确性和速度.
主要方法:
- 在一个在表面网格上运行的SE(3) -equivariant神经网络中利用了组等价图形卷积.
- 在大量合成冠状动脉模型数据集上训练并测试了该模型.
主要成果:
- 该ML方法实现了7.6%的近似误差和0.4%的正常化平均绝对误差 (NMAE) 对于方向壁切削应力 (WSS).
- 该方法显示,速度比CFD提高了多达两倍.
- 在各种输入条件下准确预测过渡的,向量值的WSS.
结论:
- 拟议的SE(3) -equivariant神经网络显示出作为个性化血液动力学分析中快速准确替代CFD的巨大潜力.
- 这种方法可以促进临床采用针对患者的模拟来预测心血管疾病的预后.
更多相关视频
08:12A Volumetric Method for Quantification of Cerebral Vasospasm in a Murine Model of Subarachnoid Hemorrhage
Published on: July 28, 2018
8.1K
06:18Intravascular Ultrasound Image-Based Finite Element Modeling Approach for Quantifying In Vivo Mechanical Properties of Human Coronary Artery
Published on: December 6, 2024
508
