使用正确的直角分解和机器学习来有效预测脑囊动脉瘤的血流
Wajdi Rajhi1, Zakarya Ahmed2, Ali B M Ali3
1Department of Mechanical Engineering, College of Engineering, University of Ha'il, Ha'il City, 81451, Saudi Arabia.
Scientific reports
|September 2, 2025
概括
这项研究引入了混合框架,结合了计算流体动力学 (CFD),正确直角分解 (POD) 和机器学习 (ML) 以有效评估内动脉瘤破裂风险. 该方法准确地模拟血流,减少临床决策支持的计算成本.
科学领域:
- 生物医学工程
- 计算流体动力学
- 机器学习
背景情况:
- 准确评估内动脉瘤破裂风险对于患者的治疗至关重要,尤其是中脑动脉动脉瘤.
- 了解患者特定的血液动力学行为是预测破裂风险的关键.
- 现有的方法可能是计算密集的,限制实时临床应用.
研究的目的:
- 开发和验证结合CFD,POD和ML的综合框架,以高效地对内动脉瘤进行血液动力学建模.
- 评估这种混合方法在预测压力,墙面剪切应力 (WSS) 和振荡剪切指数 (OSI) 等关键血动力学因素中的有效性.
- 降低血液动力学模拟的计算成本,以提供潜在的临床决策支持.
主要方法:
- 根据DICOM数据重建了患者特有的血管几何形状.
- 使用卡森非牛顿流体模型进行计算流体动力学 (CFD) 模拟.
- 使用正确的直角分解 (POD) 来减少数据的维度,然后使用机器学习 (ML) 模型训练来预测血液动力学场.
主要成果:
- 不到10个POD模式捕获了99%的压力和WSS能量.
- 混合POD-ML方法为压力和WSS提供了合理的预测.
- 测试区域的OSI预测精度下降,这表明模型需要改进.
结论:
- 集成的POD-ML框架显著降低了计算成本,同时保留了关键的血液动力学信息.
- 这种方法显示出在脑动脉瘤管理中有效的非侵入性风险评估和治疗规划的潜力.
- 为了准确预测像OSI这样复杂的血液动力学参数,还需要进一步的进展.
