Image2Flow：一种用于基于 3D 心脏 MRI 数据快速进行患者特异性肺动脉分割及 CFD 流场计算的混合图像与图卷积神经网络
计算机视觉与模式识别
2025-02-18 v1
摘要
计算流体动力学 (CFD) 可用于血流动力学评估。然而，其常规应用受限于耗时的人工分割、CFD 网格生成以及漫长的模拟过程。本研究旨在训练一个深度学习模型，以从 3D 心脏 MRI 数据中生成患者特异性的肺动脉体网格，并直接估计 CFD 流场。本研究使用了来自公共和私有数据集的 135 例 3D 心脏 MRI 数据。对 MRI 中的肺动脉进行手动分割并转换为体网格。在真实网格上执行 CFD 模拟，并将其插值到点对点对应的网格上以创建真实数据集。数据集按 85/10/15 的比例划分为训练集、验证集和测试集。Image2Flow 是一种混合图像和图卷积神经网络，被训练用于将肺动脉模板转换为患者特异性解剖结构和 CFD 值。从分割精度方面对 Image2Flow 进行了评估，并通过节点级比较评估了 CFD 预测的准确性。还进行了 Image2Flow 与基于机器学习分割生成的体积网格上进行的传统 CFD 模拟之间的中心线比较。Image2Flow 实现了卓越的分割精度，中位 Dice 系数为 0.9（四分位距 IQR: 0.86-0.92）。压力和速度幅值的中位节点级归一化绝对误差分别为 11.98%（IQR: 9.44-17.90%）和 8.06%（IQR: 7.54-10.41%）。中心线分析显示，Image2Flow 与在机器学习生成的体网格上进行的传统 CFD 模拟之间无显著差异。这项概念验证研究表明，同时执行基于患者特异性体网格的分割以及压力和流场估计是可行的。Image2Flow 完成分割和 CFD 计算仅需约 205 毫秒，比人工方法快约 7000 倍，使其在临床环境中更具可行性。
引用
@article{arxiv.2402.18236,
title = {Image2Flow: A hybrid image and graph convolutional neural network for rapid patient-specific pulmonary artery segmentation and CFD flow field calculation from 3D cardiac MRI data},
author = {Tina Yao and Endrit Pajaziti and Michael Quail and Silvia Schievano and Jennifer A Steeden and Vivek Muthurangu},
journal= {arXiv preprint arXiv:2402.18236},
year = {2025}
}
备注
22 pages, 7 figures, 3 tables