基于包含血小板浓度相关黏度的物理信息神经网络估计血流动力学参数
数值分析
2025-08-06 v1 数值分析
摘要
物理信息神经网络 (PINN) 在观测有限且稀疏时显示出巨大的潜力，前提是已知相关物理方程。我们使用 PINN 从合成 4D 流 MRI 数据中估计平滑的速度和压力场。我们分析了五种非牛顿动力学三维血流案例，均基于真实的人主动脏模型，覆盖血小板浓度从贫血到多发性骨髓性贫血的范围。为增强状态估计结果，我们考虑了 various PINN 的设计和训练技术，包括自适应损失平衡、课程训练和现实的测量算子。关于血液黏度，PINN 方法在峰值收缩期准确地估计了全球和局部黏度。它还为舒张阶段提供了清晰的模式识别。关于质量守恒，PINN 估计有效再现了血流通过主动脏不同分支的分流，展示了在壁面上表现出良好的无滑移条件，准确估计了压力降，其在整个压力场中的相对误差低于 5%。我们将我们的压力降估计与最新方法虚拟工作能量相对压力 (vWERP) 估计器进行比较，发现我们的结果在准确性和时间分辨率方面均优于 vWERP。此外，我们发现通过 PINN 计算速度场，然后输入到 vWERP 框架中，可实现时间亚采样和高阶近似，具有临床可接受的准确性。
引用
@article{arxiv.2508.03326,
title = {Estimation of Hemodynamic Parameters via Physics Informed Neural Networks including Hematocrit Dependent Rheology},
author = {Moises Sierpe and Ernesto Castillo and Hernan Mella and Felipe Galarce},
journal= {arXiv preprint arXiv:2508.03326},
year = {2025}
}