由解剖学衍生的3D大动脉血动力学使用流体物理信息的深度学习
Haben Berhane1,2, Anthony Maroun1, David Dushfunian1
1Department of Radiology, Feinberg School of Medicine, Northwestern University, 737 N Michigan Ave, Ste 1600, Chicago, IL 60611.
Radiology
|May 6, 2025
概括
人工智能 (AI) 现在可以从3D解剖扫描中快速量化胸前大动脉血动力学,为漫长的4D流MRI提供了替代方案. 这种基于流体物理的循环生成对抗网络 (FPI-CycleGAN) 在不到一秒的时间内达到高精度.
科学领域:
- 心血管成像 - 心血管成像
- 医疗人工智能 医疗人工智能
- 生物医学工程 生物医学工程
背景情况:
- 四维 (4D) 流动MRI对于评估胸前大动脉血液动力学至关重要,但其长时间的获取时间和复杂的分析限制了临床使用.
- 血液动力学测量是评估心血管风险的重要生物标志物.
- 开发更快,更容易获得的方法来量化大动脉血液动力学是必不可少的.
研究的目的:
- 为了评估生成人工智能方法的可行性和准确性,流体物理信息循环生成对抗网络 (FPI-CycleGAN),用于量化大动脉血液动力学.
- 确定FPI-CycleGAN是否可以直接从解剖输入提供准确的血液动力学数据,作为4D流MRI的替代品.
- 为了评估AI在双主动脉 (BAV) 和三主动脉 (TAV) 群体中的表现.
主要方法:
- 对1765名患者 (1242名BAV,523名TAV) 的回顾性分析,这些患者接受了4D流MRI.
- 培训和测试FPI-CycleGANs使用3D大动脉几何细分作为输入来预测缩血液动力学.
- 与参考4D流MRI标准相比,AI衍生的血液动力学 (速度,壁剪应力,狭窄分类) 的比较.
主要成果:
- FPI-CycleGAN在0.15秒的平均时间内计算出血液动力学,比4D流MRI快得多.
- 人工智能证明了对3D速度向量场的准确预测,偏差很低,一致性很好.
- 对于峰值速度和壁切应力发现了强烈的相关性 (r2 = 0.930-0.957),在85.8%的病例中准确分类了大动脉狭窄症.
- 人工智能模型表现出对输入数据变化的稳定性和在外部测试集上强的性能.
结论:
- 一种生成性AI方法 (FPI-CycleGAN) 可以在不到一秒的时间内从解剖输入中准确地导出胸前大动脉3D血液动力学.
- 这种人工智能方法与体内4D流MRI强烈一致,为血液动力学评估提供了快速且潜在更容易获得的替代方案.
- 这些发现表明,人工智能在通过血液动力学分析提高心血管风险评估的效率和可用性方面发挥着有希望的作用.
