面向稳态和脉动条件的冠状动脉血流仿真的自动化高效框架
机器学习
2024-08-30 v1 人工智能
摘要
分数流动储备(FFR)是诊断冠状动脉疾病(CAD)的金标准。FFRCT使用计算流体动力学(CFD)对FFR进行非侵入性评估，通过模拟从CT重建的几何结构中的冠状动脉血流。然而，其面临计算成本高和定义患者特异边界条件(BC)不确定性等挑战。我们调查使用稳态BC代替脉动BC以减少计算时间，并部署自调整方法以调整BC以匹配患者临床数据。133条冠状动脉从CAD患者的CT图像中重建。对于每一条血管，均测量了侵入性FFR。稳态BC的CFD定义分为两个步骤：i)从临床和图像派生的数据 extrapolate 静息BC；ii)从静息条件计算诱导BC。通过迭代调整流量，直到匹配患者主动脉压力。脉动BC使用稳态BC的收敛值定义。计算病灶特异的血流动力学指数，并在接受手术和不接受手术的患者组之间进行比较。整个管道实现为一个简单、全自动的过程。稳态和脉动FFRCT显示出强相关性(r=0.988)，并与侵入性FFR相关(r=0.797)。两种方法的压力和FFRCT场预测值之间的点差分别小于0.01和0.02。两种方法均表现出良好的诊断性能：准确率分别为0.860和0.864，AUC分别为0.923和0.912。稳态BC的CFD计算时间约为脉动情况的30倍。这一工作表明，使用稳态BC的CFD可用于计算冠状动脉的FFRCT，其在全自动管道中的性能优异。
引用
@article{arxiv.2408.16495,
title = {On-device AI: Quantization-aware Training of Transformers in Time-Series},
author = {Tianheng Ling and Gregor Schiele},
journal= {arXiv preprint arXiv:2408.16495},
year = {2024}
}
备注
This paper is accepted by 2023 IEEE International Conference on Pervasive Computing and Communications(PhD Forum)