FlowPredictor-Corrector:一种血流动力学引导的两步深度学习血管血流预测框架
《IEEE Journal of Biomedical and Health Informatics》:FlowPredictor–Corrector: A Hemodynamics-Guided Two-Step Deep Learning Framework for Vascular Flow Prediction
【字体:
大
中
小
】
时间:2026年10月12日
来源:IEEE Journal of Biomedical and Health Informatics 7.7
编辑推荐:
摘要:准确的血流动力学评估在心血管和脑血管疾病的诊断、预后和治疗规划中具有重要的临床价值。然而,获取无创、快速且高保真的血流动力学信息仍然具有挑战性。有创测量存在风险,数值模拟依赖复杂的建模和较高的计算能力,而深度学习方法虽然高效,但往往缺乏物理约束,导致在复杂多样的血管几
摘要:
准确的血流动力学评估在心血管和脑血管疾病的诊断、预后和治疗规划中具有重要的临床价值。然而,获取无创、快速且高保真的血流动力学信息仍然具有挑战性。有创测量存在风险,数值模拟依赖复杂的建模和较高的计算能力,而深度学习方法虽然高效,但往往缺乏物理约束,导致在复杂多样的血管几何结构中性能不稳定。为此,我们提出了一种创新的两步框架——预测-校正框架(FlowPredictor–Corrector,FPC),该框架将点云学习与基于物理的血流动力学校正相结合,实现了从血管几何形态到4D血流动力学的快速映射。我们构建了涵盖三个颈动脉解剖区域(正常颈内动脉C1段、正常颈动脉分叉、颈动脉分叉狭窄)的数据集,并与主流点云模型(PointNet、PointNet++、Point Transformer)进行了系统比较。我们的结果表明,所提出的方法在血流动力学预测方面与参考数据高度一致(R2>0.92)。此外,该方法在基于颈内动脉(ICA)/颈总动脉(CCA)收缩期峰值流速(PSV)的狭窄程度分类中,与计算流体力学(CFD)及临床超声报告表现出高度一致性(AUC=0.947)。模型推理时间约为每例1.0秒。总之,FPC不仅兼顾了效率与精度,还表现出很强的物理一致性和临床可解释性,为快速4D血流动力学预测及潜在临床应用提供了支持。为方便复现和进一步研究,代码及一个代表性测试用例已在 https://anonymous.4open.science/r/FPC-B09E 公开。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号