基于几何深度学习的冠状动脉网格上血流标量场学习：几何深度学习模型基准测试
图像与视频处理
2025-01-24 v2 计算机视觉与模式识别
机器学习
摘要
冠状动脉疾病由动脉粥样硬化导致的冠状血管狭窄所致，是全球死亡的主要原因。诊断金标准为分数流经学位（FFR），其在最大血管舒张时测量跨狭窄区的压力比，但属于侵入性且成本高昂。这推动了基于计算流体动力学（CFD）的虚拟FFR（vFFR）开发，以模拟冠状动脉血流。几何深度学习算法在网格上学习特征方面显示出前景，包括心血管研究应用。本研究经验性地分析了用于预测冠状动脉中vFFR场的各种后端模型，将其作为CFD的替代模型，比较了使用CFD解作为基准的六种后端模型在网格上学习血流动力学的能力。该研究包含两个部分：i) 使用1500个人工左冠状动脉分叉，训练模型以预测vFFR重构相关的压力场，比较不同学习变量。ii) 使用427个患者特异的CFD仿真，聚焦于合成数据集中最佳性能的学习变量。大多数后端在合成数据集上表现良好，尤其是在预测流体图上上的压力降时表现突出。基于Transformer的后端在预测压力和vFFR场方面优于其他模型，是唯一在患者特异数据上实现强性能的模型，在平均每点误差和狭窄病变处的vFFR精度方面均表现出色。这些结果表明，几何深度学习后端可有效取代简单几何形状下的CFD，而基于Transformer的网络在复杂且异构数据集中优势更为突出。确定了压力降作为学习压力相关场的最佳网络输出。
引用
@article{arxiv.2501.09046,
title = {Learning Hemodynamic Scalar Fields on Coronary Artery Meshes: A Benchmark of Geometric Deep Learning Models},
author = {Guido Nannini and Julian Suk and Patryk Rygiel and Simone Saitta and Luca Mariani and Riccardo Maragna and Andrea Baggiano and Gianluca Pontone and Jelmer M. Wolterink and Alberto Redaelli},
journal= {arXiv preprint arXiv:2501.09046},
year = {2025}
}