GReAT：利用几何动脉数据改进壁面剪切应力评估

利用大数据进行患者护理在心血管健康等许多医学领域具有广阔前景。例如，壁面剪切应力等血流动力学生物标志物可以通过机器学习算法从患者特定的医学图像中进行评估，从而绕过耗时的计算流体动力学模拟。然而，收集足够大的数据集来有效训练此类模型极具挑战性。我们可以利用基于几何动脉模型大型数据集的自监督预训练和基础模型来解决这一数据稀缺问题。在冠状动脉背景下，利用学习到的表示来改善血流动力学生物标志物评估尚未得到充分研究。在这项工作中，我们通过研究一个由 3D 血管几何模型组成的大型数据集（8449 个形状）是否能使小规模临床试验（49 名患者）的冠状动脉模型在壁面剪切应力评估中受益，从而填补了这一空白。我们通过计算热核签名为 3D 血管创建了一个自监督目标，该量是通过拉普拉斯特征向量获得的，能够捕捉形状的本质。我们展示了从该数据集中学习到的几何表示如何提升冠状动脉分割为低、中、高（时间平均）壁面剪切应力区域的性能，即使在训练数据有限的情况下也是如此。