用于时间分辨血管造影对比剂浓度重建的物理信息学习
计算机视觉与模式识别
2025-10-03 v1
摘要
三维数字减影血管造影（3D-DSA）是一种成熟的基于X射线的血管解剖结构可视化技术。最近，四维DSA（4D-DSA）重建算法被开发出来，能够通过时间序列体积实现体积对比剂流动动力学的可视化。该重建问题是病态的，主要原因是投影方向上的血管重叠和几何血管缩短，这导致了记录的投影图像中的信息丢失。然而，关于底层流体动力学的知识可以被用来约束解空间。在我们的工作中，我们将这一信息隐式地包含在一个基于神经网络并基于图像血流模拟数据集训练的模型中。该模型预测血管系统每个中心线点随时间变化的空间平均对比剂浓度，从而降低了整体计算需求。训练后的网络能够重建相对对比剂浓度，其平均绝对误差为0.02 0.02，平均绝对百分比误差为5.31% 9.25%。此外，该网络对不同程度的血管重叠和血管缩短具有鲁棒性。我们的方法展示了在时间分辨血管造影血流重建中整合机器学习与血流模拟的潜力。
引用
@article{arxiv.2403.01993,
title = {Physics-Informed Learning for Time-Resolved Angiographic Contrast Agent Concentration Reconstruction},
author = {Noah Maul and Annette Birkhold and Fabian Wagner and Mareike Thies and Maximilian Rohleder and Philipp Berg and Markus Kowarschik and Andreas Maier},
journal= {arXiv preprint arXiv:2403.01993},
year = {2025}
}