用于快速获取主动脉三维压力与速度流场的深度神经网络
流体动力学
2023-07-19 v2 机器学习
摘要
计算流体动力学（CFD）可用于模拟血管血流动力学并分析潜在治疗方案。CFD 已证明有助于改善患者预后。然而，CFD 用于常规临床实践尚待实现。CFD 的障碍包括高计算资源需求、设计仿真设置所需的专业知识以及较长的处理时间。本研究旨在探索利用机器学习（ML）以自动且快速的回归模型复现常规主动脉 CFD。用于训练/测试模型的数据由在合成生成的 3D 主动脉形状上进行的 3,000 次 CFD 仿真组成。这些对象由基于真实患者特异性主动脉（N=67）构建的统计形状模型（SSM）生成。在 200 个测试形状上的推断结果中，压力与速度的平均误差分别为 6.01% ± 3.12 SD 与 3.99% ± 0.93 SD。我们的基于 ML 的模型执行 CFD 耗时 ±0.075 秒（比求解器快 4,000 倍）。该概念验证研究表明，常规血管 CFD 的结果可用 ML 以更快的速率、自动化的过程和高精度复现。
引用
@article{arxiv.2208.12156,
title = {Deep neural networks for fast acquisition of aortic 3D pressure and velocity flow fields},
author = {Endrit Pajaziti and Javier Montalt-Tordera and Claudio Capelli and Raphael Sivera and Emilie Sauvage and Silvia Schievano and Vivek Muthurangu},
journal= {arXiv preprint arXiv:2208.12156},
year = {2023}
}
备注
22 pages, 19 figures