基于深度学习,在狭窄的冠状动脉中快速预测壁切应力

科学领域:

• 心血管研究的心血管研究.
• 医学成像分析分析 医学成像分析
• 计算流体动力学的流体动力学.

背景情况:

• 冠状动脉壁剪切应力 (WSS) 测量为心血管事件提供预后价值.
• 计算流体动力学 (CFD) 用于WSS评估,但对于临床使用而言是计算密集的.
• 深度学习 (DL) 显示出快速WSS预测的前景,但通常依赖于有限或合成数据.

研究的目的:

• 开发和评估一个时间效率高的深度学习模型,用于预测冠状动脉WSS.
• 调查结合合成和真实患者数据用于训练WSS预测模型的有效性.
• 评估WSS分析开发的DL模型的临床相关性和速度.

主要方法:

• 实施了两种合成数据生成方法.
• 将合成数据与真实患者数据相结合,用于模型培训.
• 使用U-net架构的深度学习模型进行WSS预测.
• 使用正常化平均绝对误差 (NMAE) 评估模型性能.

主要成果:

• DL模型实现了6.03%的正常化平均绝对误差 (NMAE).
• 用于WSS预测的推理时间显著减少到0.35秒.
• 该方法通过结合合成和真实数据集来证明了数据利用的改进.

结论:

• 开发的DL模型为冠状动脉WSS预测提供了一个计算效率高,准确的方法.
• 这种方法提高了WSS测量的临床适用性,用于预测心血管不良事件.
• 结合合成和真实数据,有效地训练DL模型进行血液动力学分析.