使用深度学习对大动脉动脉瘤进行快速壁切压力预测:对CFD的快速替代方案

科学领域:

• 生物医学工程 生物医学工程
• 医疗成像医学成像
• 计算流体动力学的流体动力学.

背景情况:

• 大动脉动脉瘤具有很高的破裂风险,通常与低壁剪压 (WSS) 区域有关.
• 准确的WSS评估对于预测腹腔大动脉瘤 (AAA) 破裂至关重要.
• 计算流体动力学 (CFD) 方法用于WSS计算是准确的,但计算要求很高,限制了临床应用.

研究的目的:

• 开发一个快速准确的深度学习 (DL) 替代模型,MultiViewUNet,用于预测AAA中的时间平均WSS (TAWSS) 分布.
• 为了克服AAA中血液动力学分析的传统CFD方法的计算强度.
• 为了使临床决策能够更快,更有效地量化WSS.

主要方法:

• 一个深度学习替代模型,MultiViewUNet,被开发用于TAWSS预测.
• 使用域转换技术来适应神经网络输入的复杂主动脉几何形状.
• MultiViewUNet模型是使用包含真实和合成AAA几何学的数据集进行训练的.

主要成果:

• 在TAWSS预测中,MultiViewUNet模型实现了低平均正常化平均绝对误差 (NMAE) 仅为0.045.
• 在预测AAA几何形状上的TAWSS分布方面,DL替代体表现出高准确度.
• 该模型成功地将复杂的3D主动脉形状转化为适用于神经网络分析的格式.

结论:

• MultiViewUNet框架为AAA中的血液动力学分析提供了传统CFD的计算效率高的替代方案.
• 这种DL方法有可能显著简化临床风险评估的WSS量化.
• 开发的方法可能适用于其他需要快速准确的压力分析的临床场景.