基于高效八叉树深度学习模型的瞬态血流动力学预测
机器学习
2023-02-14 v1
摘要
患者特异性血流动力学评估可支持神经血管疾病的诊断与治疗。目前，常规医学影像模态无法准确获取评估复杂神经血管病变所需的高分辨率血流动力学信息。因此，可将计算流体动力学（CFD）模拟应用于断层重建以获得临床相关信息。然而，三维（3D）CFD模拟需要巨大的计算资源和模拟相关的专家知识，而这些通常在临床环境中无法获得。近来，基于深度学习的方法被提出作为CFD的替代模型以提高计算效率。尽管如此，对复杂血管几何结构的高分辨率瞬态CFD模拟预测对常规深度学习模型构成了挑战。在本工作中，我们提出了一种专门用于在复杂合成血管几何结构上预测高分辨率（空间和时间）速度场的架构。为此，将基于八叉树的空间离散化与隐式神经函数表示相结合，以高效处理每个时间步的3D速度场预测。所提方法在颈内动脉（ICA）造影前后脑血流动力学预测任务上进行了评估。与CFD模拟相比，速度场估计的平均绝对误差为0.024 m/s，而运行时间从高性能集群上的数小时缩短至消费级图形处理单元上的几秒。
引用
@article{arxiv.2302.06557,
title = {Transient Hemodynamics Prediction Using an Efficient Octree-Based Deep Learning Model},
author = {Noah Maul and Katharina Zinn and Fabian Wagner and Mareike Thies and Maximilian Rohleder and Laura Pfaff and Markus Kowarschik and Annette Birkhold and Andreas Maier},
journal= {arXiv preprint arXiv:2302.06557},
year = {2023}
}
备注
13 pages, 5 figures