超分辨率左心室流量和压力映射由纳维埃-斯托克斯告知神经网络

科学领域:

• 心血管成像和流体动力学.
• 人工智能在医学诊断中的应用.
• 生物医学工程和计算生理学.

背景情况:

• 当前矢量流量映射 (VFM) 回声心脏图使用动力学约束,但缺乏流量物理信息,限制其导出压力图或跨时间框架整合数据的能力.
• 现有的VFM模型无法完全捕捉左心室 (LV) 内的复杂动态,阻碍了全面的分析.
• 传统的VFM没有流体物理,力和加速,这限制了其诊断潜力.

研究的目的:

• 开发一种先进的矢量流量映射 (VFM) 技术,称为AI-VFM,利用人工智能 (AI) 和基于物理的神经网络 (PINNs).
• 为了提高准确性,将基本的流体动力学原理,包括质量保存和动量平衡,整合到回声心脏学VFM中.
• 为了使AI-VFM能够从标准心声回声学数据中从左心室 (LV) 内恢复完整的流量和压力场,包括具有有限或无多普勒输入的区域.

主要方法:

• 使用PINNs开发AI-VFM,该PINNs编码LV内的质量保存和动量平衡,以及内心脏的无滑边界条件.
• 使用标准的心声回声色多普勒序列作为AI-VFM模型的输入.
• 使用生理学模拟的LV数据验证了AI-VFM性能,比较了仅仅由质量维护提供信息的模型与包括动量平衡的模型.

主要成果:

• AI-VFM成功地恢复了完整的LV流量和压力场,执行相位解封并填补缺少色彩多普勒信息的数据空白.
• 人工智能-VFM模型实现了时间超分辨率,在缺乏直接多普勒输入的时间点生成完整的流量图.
• 将动量平衡纳入PINNs显著提高了AI-VFM的准确性,并使时间超分辨率成为可能,超过了仅使用质量保存的模型.

结论:

• 人工智能-VFM代表了回声心脏图流量绘制的重大进步,在LV内提供了准确的,基于物理的流量和压力可视化.
• 通过整合患者特定的流体物理,AI-VFM方法展示了超高分辨率流量映射和改进诊断能力的潜力.
• 人工智能-VFM框架在计算上高效 (在标准GPU上15分钟),并且可以适应绘制其他心血管指标,提供广泛的临床潜力.