中文

融合物理信息神经网络与三维血管几何学习的脑动脉瘤检测与多模态破裂风险预测

计算工程、金融与科学 2026-07-12 v1
作者: Eshan Vipuil , Xianqi Li
在 arXiv 上查看 ↗ PDF ↗

摘要

脑动脉瘤是颅内动脉的局部扩张，可能破裂并导致蛛网膜下腔出血。目前的评估依赖于人类对影像和临床风险因素的解读，但将血管形态、血流相关信息和患者层面变量整合到一个统一的定量模型中仍然具有挑战性。本研究开发了一个模块化框架，利用三维血管几何学习、物理信息血流动力学描述符和临床变量进行脑动脉瘤检测和破裂风险预测。基于PointNeXt的检测器首先从血管点云中识别动脉瘤的存在。对于动脉瘤阳性病例，一个非稳态物理信息神经网络在规定的Navier-Stokes残差和边界条件约束下，生成几何条件的压力、速度、壁面剪切应力（WSS）、时间平均WSS、振荡剪切指数（OSI）和相对停留时间描述符。然后，多模态模型整合血管形态、物理信息血流动力学描述符和临床变量，以产生破裂风险评分。动脉瘤检测器实现了合并的折叠外受试者工作特征曲线下面积（AUROC）为0.959，精确率-召回率曲线下面积（AUPRC）为0.859。对于破裂风险预测，固定的70/30后期融合在评估的模型中取得了最高性能，合并AUROC为0.827，AUPRC为0.732，在Holm校正的配对DeLong检验后超过了所有比较模型（所有调整后p < 0.05）。特征分析确定OSI分布、动脉瘤位置、径向几何和TAWSS描述符是横断面破裂风险区分的重要贡献者。总之，这些结果为病例特异性动脉瘤评估提供了一种定量的多模态策略。

关键词

脑动脉瘤检测 破裂风险预测 物理信息神经网络 三维血管几何 多模态学习 血流动力学描述符 PointNeXt

引用

@article{arxiv.2607.10530,
  title  = {Integrating Physics-Informed Neural Networks and 3D Vascular Geometry Learning for Cerebral Aneurysm Detection and Multimodal Rupture-Risk Prediction},
  author = {Eshan Vipuil and Xianqi Li},
  journal= {arXiv preprint arXiv:2607.10530},
  year   = {2026}
}