基于物理的生长和重建模型用于虚拟腹腔大动脉动脉瘤的演变和生长预测

科学领域:

• 生物医学工程 生物医学工程
• 计算生物学 计算生物学
• 医疗成像医学成像

背景情况:

• 计算增长和重塑 (G&R) 模型对于研究腹腔大动脉瘤 (AAA) 进展和帮助临床决策至关重要.
• 开发预测性AAA模型的一个重大局限是大规模纵向成像数据集的稀缺性.

研究的目的:

• 开发基于物理的G&R框架来模拟AAA形状演变并生成虚拟队列.
• 通过整合基于物理的模拟与机器学习来解决数据限制,以改进AAA增长预测.

主要方法:

• 开发了一种新的动脉G&R模型,结合了弹性质降解和压力介导的原生成,并修改了弹性质降解配方以实现现实的几何形状.
• 进行了200个不同的G&R模拟,并使用基于 kriging 的空间插值扩展了数据集,以创建一个大型的 in silico 队列.
• 四个机器学习模型 (DBN,RNN,LSTM,GRU) 使用合成数据集与患者成像数据相结合进行训练和验证,以预测最大动脉瘤直径和生长速度.

主要成果:

• 长短期记忆 (LSTM) 模型实现了最大直径预测的最高性能 (R2 = 0.92).
• 循环神经网络 (RNN) 模型表现出强大的整体性能,最大直径为R2 = 0.90,增长速度为R2 = 0.89.
• 深信网络 (DBN) 和门式循环单元 (GRU) 模型也表现出具有竞争力的预测能力.

结论:

• 将基于物理的G&R模拟与机器学习相结合,可以准确预测AAA增长和最大直径.
• 拟议的框架提供了一个可扩展的战略,用于增加有限的临床数据集,支持个性化风险评估和AAA的治疗规划.