Voxel2Hemodynamics：一种从体数据预测冠状动脉血流动力学的端到端深度学习方法
计算机视觉与模式识别
2023-05-31 v1
摘要
局部血流动力学力在决定冠状动脉狭窄的功能学意义以及理解冠脉疾病进展机制方面起着重要作用。计算流体动力学（CFD）已被广泛用于从冠状动脉计算机断层扫描血管造影（CCTA）图像中非侵入性地模拟血流动力学。然而，精确的计算分析仍受限于患者特异性建模的复杂构建和耗时的计算。在本工作中，我们提出了一种端到端深度学习框架，可从 CCTA 图像预测冠状动脉血流动力学。该模型在合成与真实数据集的三维模拟所获得的血流动力学数据上训练。大量实验表明，我们的方法预测的血流动力学分布与 CFD 推导结果吻合良好。在定量上，所提方法对合成数据集和真实数据集分别以平均误差 0.5% 和 2.5% 预测血流储备分数。特别地，相较于以点点云为输入的 PointNet++，我们的方法在真实数据集上取得了好得多的精度。本研究证明了我们的端到端深度学习方法作为一种快速准确的血流动力学分析方法的可行性与巨大潜力。
引用
@article{arxiv.2305.19107,
title = {Voxel2Hemodynamics: An End-to-end Deep Learning Method for Predicting Coronary Artery Hemodynamics},
author = {Ziyu Ni and Linda Wei and Lijian Xu and Simon Yu and Qing Xia and Hongsheng Li and Shaoting Zhang},
journal= {arXiv preprint arXiv:2305.19107},
year = {2023}
}
备注
8pages