利用图 Transformer 与稳态流动数据增强针对真实多样颅内动脉瘤形态的实时脉动流预测
机器学习
2026-01-30 v2
摘要
大量研究表明，由计算流体力学 (CFD) 导出的颅内动脉瘤 流体力学标志物能够指示疾病进展风险，但迄今为止这尚未在临床上得到转化应用。这是因为 CFD 需要专业知识，且耗时、通量低，难以支持临床试验。一个将 IA 形态映射到生物力学标志物的深度学习模型可以解决这一问题，使医生无需执行 CFD 即可实时获取这些标志物。在此，我们展示了一个结合时间信息的 Graph Transformer 模型，在大规模 CFD 数据监督下，能够从 IA 表面网格准确预测整个心动周期的壁面剪应力。该模型有效捕捉了 WSS 模式的时间变化，结构相似性指数 (SSIM) 高达 0.981，基于最大值的相对 L2 误差为 2.8%。消融研究与 SOTA 对比证实了其最优性。此外，由于脉动 CFD 数据生成计算成本高且样本量有限，我们采用了一种策略，将生成成本极低的大量稳态 CFD 数据作为数据增强注入。当脉动 CFD 数据样本量较小时，该方法显著提升了网络性能。我们的研究提供了一个概念验证，即使用深度学习模型可以从几何网格实时计算心血管流体力学参数的时间序列，并且即使在脉动 CFD 样本量较小的情况下也是可行的。我们的方法可能适用于其他心血管场景。
引用
@article{arxiv.2601.19876,
title = {Real-Time Pulsatile Flow Prediction for Realistic, Diverse Intracranial Aneurysm Morphologies using a Graph Transformer and Steady-Flow Data Augmentation},
author = {Yiying Sheng and Wenhao Ding and Dylan Roi and Leonard Leong Litt Yeo and Hwa Liang Leo and Choon Hwai Yap},
journal= {arXiv preprint arXiv:2601.19876},
year = {2026}
}