基于血液动力学和深度学习计算即时无波比的非侵入性和快速方法

科学领域:

• 心血管生理学心血管生理学
• 医疗成像医学成像
• 计算流体动力学的流体动力学.
• 人工智能在医学中的应用

背景情况:

• 即时无波比 (iFR) 是心肌缺血的诊断指标,与分数流量储备 (FFR) 相似.
• 目前使用冠状动脉CT血管造影 (CTA) 和CFD进行的iFR_CT计算缺乏准确性,原因是冠状动脉静止状态的模拟不足.
• 现有的CFD方法在计算方面效率低下,阻碍了临床应用.

研究的目的:

• 为准确的iFR_CT计算开发一个高保真度的微循环阻力模型.
• 为了提高非侵入性iFR_CT评估的准确性和效率.
• 将冠状动脉微循环阻力补偿机制纳入iFR_CT模型.

主要方法:

• 收集的临床数据 (FFR等) 从186名患者的205个狭窄血管中.
• 开发了一个神经网络模型来预测冠状动脉狭窄阻力.
• 创建了一个基于补偿机制的微循环电阻的代算法.
• 建立了一个简化的单分支模型,整合了狭窄和微循环阻力,以快速计算iFR_CT.

主要成果:

• 神经网络模型在预测冠状动脉狭窄压力下降方面表现出很高的准确性 (MSE = 0.053%,r = 0.99).
• 通过iFR_CT计算模型,心肌缺血的诊断准确率达到88.29% (r = 0.71,p < 0.001).
• 对于iFR_CT的总计算时间小于8秒.

结论:

• 一个简化的单分支模型,整合了血液动力学和深度学习,可以实现准确和快速的iFR_CT计算.
• 这种新的方法具有显著的潜力,用于对心肌缺血的非侵入性诊断.
• 该方法解决了以前iFR_CT方法的局限性,提高了计算效率和准确性.