物理引导的神经网络用于心室内矢量血流成像
图像与视频处理
2024-06-28 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
心室内矢量血流成像(Intraventricular vector flow mapping, iVFM)旨在增强并量化心脏成像中的彩色多普勒信号。本研究提出了两种有别于传统 iVFM 优化方案的新方法,即基于物理信息神经网络(physics-informed neural networks, PINNs)的方法与基于物理引导的 nnU-Net 监督学习方法。在基于患者特异性计算流体动力学模型生成的仿真彩色多普勒图像以及体内多普勒采集数据上进行评估时,两种方法均展现出与原始 iVFM 算法相当的重建性能。其中,PINNs 的效率通过双阶段优化与预优化权重得到了显著提升;而 nnU-Net 方法则在泛化能力与实时性能方面表现优异。值得注意的是,nnU-Net 在稀疏及截断多普勒数据上表现出卓越的鲁棒性,同时无需依赖显式边界条件。总体而言,我们的研究结果凸显了上述方法在重建心室内矢量血流方面的有效性。该研究还表明 PINNs 在超快彩色多普勒成像中具有潜在应用价值,并可通过融入流体动力学方程,推导出基于血流的用于心血管疾病诊断的生物标志物。
引用
@article{arxiv.2403.13040,
title = {Physics-Guided Neural Networks for Intraventricular Vector Flow Mapping},
author = {Hang Jung Ling and Salomé Bru and Julia Puig and Florian Vixège and Simon Mendez and Franck Nicoud and Pierre-Yves Courand and Olivier Bernard and Damien Garcia},
journal= {arXiv preprint arXiv:2403.13040},
year = {2024}
}
备注
12 pages, accepted for publication in IEEE TUFFC; camera ready corrections, corrected acknowledgments