在冠状动脉网上学习血动力学标量场:几何深度学习模型的基准

科学领域:

• 心血管工程 心血管工程
• 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:

• 冠状动脉疾病 (CAD) 是全球主要的死亡原因,通常使用侵入性分数流量储备 (FFR) 进行诊断.
• 使用计算流体动力学 (CFD) 的虚拟FFR (vFFR) 计算提供了一个非侵入性的替代方案,但模拟是计算密集的.
• 几何深度学习 (GDL) 对学习复杂的网格数据,包括心血管应用有希望.

研究的目的:

• 实证地分析和比较不同GDL后端的性能,用于预测vFFR字段.
• 评估GDL模型作为冠状动脉中CFD模拟的替代品.
• 为了确定最佳的网络架构和学习变量用于vFFR预测.

主要方法:

• 在合成和患者特定的冠状动脉数据集上训练了六个GDL后台.
• 在预测与压力相关的场和vFFR中的模型性能比较,使用CFD解决方案作为地面真相.
• 基于各种学习变量和网络输出的预测准确性的评估模型.

主要成果:

• 大多数GDL后端在合成数据上表现良好,特别是在学习压力下降时.
• 基于变压器的后端在预测压力和vFFR领域的表现明显优于其他后端.
• 在患者特定数据上,变压器架构在准确性和狭窄性损伤vFFR预测方面表现出卓越的表现.

结论:

• GDL模型可以作为简单几何形状的有效CFD替代品.
• 基于变压器的网络是复杂,异质的冠状动脉数据集的最佳选择.
• 预测压力下降是学习压力相关领域在vFFR分析中最有效的策略.