基于几何参数与入口波形参数的数据驱动框架用于识别髂动脉易狭窄区域
流体动力学
2025-12-09 v2
摘要
计算流体动力学(CFD)导出的血流指标，如时间平均壁面剪应力(TAWSS)和摆动剪应力指数(OSI)，与外周动脉疾病(PAD)的狭窄风险密切相关。然而，将这些洞察力转化为临床实践可能需要计算效率更高的方法，如简化模型(ROM)或机器学习(ML)。本研究开发了一种 ML-ROM 框架，用于预测考虑血管几何形态和入口流波形的关键、易狭窄血流区域。我们生成了 500 个参数化为六个几何参数的仿真髂动脉几何模型，通过主成分分析(PCA)对患者数据进行建模，创建了符合生理学的入口流波形。利用 CFD 计算得到壁面剪应力(WSS)分布，进而计算 TAWSS 和 OSI。随后，通过对 TAWSS 和 OSI 施加阈值条件定义关键区域。考察了四种关键区域定义：两种基于血管相关相对阈值(TAWSS< 第 33 百分位和 OSI> 第 66 百分位)，两种基于绝对阈值(TAWSS< 0.5 Pa 和 OSI> 0.2)。随后对高维关键区域数据应用正交模态分解(POD)，获得简化模型(ROM)；这些模型随后用于训练 ML 模型，以重构关键区域。探索了三种 ML 架构：基于傅里叶的架构、长短期记忆(LSTM)架构和卷积神经网络(CNN)架构。傅里叶模型在所有关键区域定义下实现了最高性能，其平衡准确率(BA)中位数均超过 0.92。该 ML-ROM 框架还提供了约九级数量级的速度提升，远快于传统 CFD。
引用
@article{arxiv.2512.01024,
title = {A data-driven framework to identify restenosis-prone regions in femoral arteries from geometric and inflow waveform parameters},
author = {Chotirawee Chatpattanasiri and Federica Ninno and Vanessa Dıaz-Zuccarini and Stavroula Balabani},
journal= {arXiv preprint arXiv:2512.01024},
year = {2025}
}