基于几何深度学习的左心耳血栓风险评价
机器学习
2022-10-20 v1 人工智能
摘要
随着患者特异性计算流体动力学（CFD）模拟的采用，左心耳（LAA）血栓形成评估取得了重大进展。然而，由于流体动力学求解器需要庞大的计算资源与漫长的执行时间，旨在基于神经网络开发流体流动模拟替代模型的研究日益增多。本研究在此基础之上，开发了一个深度学习（DL）框架，能够仅从患者特异性 LAA 几何结构预测与血栓风险相关的内皮细胞活化势（ECAP）。为此，我们利用了几何深度学习（Geometric DL）的最新进展，其将卷积神经网络（CNN）无与伦比的潜力无缝扩展到网格等非欧几里得数据上。该模型使用包含 202 个合成与 54 个真实 LAA 的数据集进行训练，瞬时预测 ECAP 分布，平均绝对误差为 0.563。此外，所得框架即使在仅以合成病例训练时，也能预测与较高 ECAP 值相关的解剖特征。
引用
@article{arxiv.2210.10563,
title = {Geometric Deep Learning for the Assessment of Thrombosis Risk in the Left Atrial Appendage},
author = {Xabier Morales and Jordi Mill and Guillem Simeon and Kristine A. Juhl and Ole De Backer and Rasmus R. Paulsen and Oscar Camara},
journal= {arXiv preprint arXiv:2210.10563},
year = {2022}
}