心血管流动建模中的机器学习——利用物理信息神经网络从无创 4D 流动 MRI 数据预测动脉血压
机器学习
2019-09-19 v2 机器学习
摘要
计算科学的进步为心血管流动的预测建模提供了一条原则性流程，并期望为监测、诊断和手术规划提供有价值的工具。此类模型如今可部署在系统动脉网络的大型患者特异性拓扑上，并返回关于流动模式、壁面剪应力和脉搏波传播的详细预测。然而，它们的成功严重依赖于繁琐的预处理和校准过程，这通常带来显著的计算成本，从而阻碍其临床适用性。在这项工作中，我们提出一种机器学习框架，能够无缝融合无创体内测量技术与源自第一性物理原理的计算流动动力学模型。我们通过展示一维脉动流模型如何用于约束深度神经网络的输出使其预测满足质量与动量守恒原理，来阐明这一新范式。一旦在噪声且稀疏的流动与管壁位移临床数据上训练，这些网络可返回物理一致的流速、压力和管壁位移脉搏波传播预测，且均无需使用传统模拟器。对这些输出进行简单后处理还可提供廉价有效的方式来估计传统计算模型校准所需的 Windkessel 模型参数。所提技术的有效性通过一系列原型基准以及涉及健康人类受试者主动脉/颈动脉分叉附近体内测量的真实临床案例得到证明。
引用
@article{arxiv.1905.04817,
title = {Machine learning in cardiovascular flows modeling: Predicting arterial blood pressure from non-invasive 4D flow MRI data using physics-informed neural networks},
author = {Georgios Kissas and Yibo Yang and Eileen Hwuang and Walter R. Witschey and John A. Detre and Paris Perdikaris},
journal= {arXiv preprint arXiv:1905.04817},
year = {2019}
}
备注
30 pages, 13 figures