基于最小化能量损失的侧枝流量模型用于基于冠状动脉内图像的FFR计算
Xiangling Lai1, Xiaofei Xue1, Zhifan Gao1
1School of Biomedical Engineering, Sun Yat-sen University, Shenzhen, China.
Computer methods and programs in biomedicine
|June 12, 2025
概括
我们开发了一种新模型,以准确估计侧枝血流,以使用冠状动脉内成像来改善冠状动脉狭窄的评估. 这种方法提高了分量流量储备 (FFR) 分析的诊断准确性.
科学领域:
- 心血管成像 - 心血管成像
- 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:
- 基于冠心内成像的分量流量储备 (iFFR) 对于诊断冠心狭窄至关重要.
- 由于冠心内图像中缺少信息,准确的侧枝流量补偿具有挑战性.
- 现有的侧枝流量补偿方法往往是缓慢和不准确的.
研究的目的:
- 开发一种新型模型,用于精确的侧枝血流估计.
- 通过解决侧枝流量补偿的局限性来改进iFFR的计算.
- 为了提高iFFR在评估冠状动脉狭窄的诊断性能.
主要方法:
- 提出了一个基于能源损失最小化的侧支流模型 (ESBF).
- 利用一个完全连接的神经网络,对血管的几何特征和流量比进行训练.
- 从单冠心血管图像中提取的几何特征用于流量估计.
主要成果:
- 在ESBF模型 (iFFResbf) 显示高相关性 (r=0.93) 与侵入性FFR.
- 取得了优异的诊断性能:AUC为0.96,灵敏度为90.2%,特异性为92.3%,准确度为91.3%.
- 包括研究中89名患者的116个血管.
结论:
- 在iFFR分析中,ESBF模型准确地补偿了侧支流.
- iFFResbf显示出高可行性和诊断准确性,用于评估冠状动脉狭窄.
- 这种方法为冠状动脉疾病的功能评估提供了一个有前途的工具.
