[論文レビュー] Physics-informed neural networks for blood flow inverse problems

Jeremías Garay, Jocelyn Dunstan+2 more|arXiv (Cornell University)|Aug 2, 2023

Electrical and Bioimpedance TomographyEngineering被引用数 3

ひとこと要約

本論文では、2次元のノイズが混入した希なMRTに類似した測定値から、3次元速度場を再構築し、Windkesselモデルのパラメータを推定することで、血行動態学的逆問題を解くための物理情報付きニューラルネットワーク（PINN）フレームワークを提案する。この手法は、3次元のナビエ＝ストークス方程式と低次元のWindkesselモデルを結合し、物理法則を損失項として組み込み、定常流れでは高精度なパラメータ推定を達成し、一時的流れでは中程度の再構築精度を示し、患者特異的な血行動態モデル化の可能性を示している。

ABSTRACT

Physics-informed neural networks (PINNs) have emerged as a powerful tool for solving inverse problems, especially in cases where no complete information about the system is known and scatter measurements are available. This is especially useful in hemodynamics since the boundary information is often difficult to model, and high-quality blood flow measurements are generally hard to obtain. In this work, we use the PINNs methodology for estimating reduced-order model parameters and the full velocity field from scatter 2D noisy measurements in the ascending aorta. The results show stable and accurate parameter estimations when using the method with simulated data, while the velocity reconstruction shows dependence on the measurement quality and the flow pattern complexity. The method allows for solving clinical-relevant inverse problems in hemodynamics and complex coupled physical systems.

研究の動機と目的

• 患者特異的な血液流れのシミュレーションにおいて、不完全でノイズが多く、希な臨床的測定値から血行動態パラメータと速度場を推定する課題に対処すること。
• 完全な物理モデルに依存し、モデル仮定に敏感である従来の逆問題手法の限界を克服すること。
• 物理法則をニューラルネットワークの学習プロセスに直接統合することで、より高いロバスト性と精度を実現する柔軟なデータ駆動型フレームワークを構築すること。
• 限られた現実的MRTに類似したデータと物理的制約のみを用いて、臨床応用可能な個別化血行動態モデルの実現を可能にすること。

提案手法

• 物理情報付きニューラルネットワーク（PINN）を用いて、大動脈血行動態のための3次元ナビエ＝ストークス方程式と3要素Windkesselモデルを連成して解く。
• PINNは、2次元のノイズが混入した希な速度測定値に加え、平均圧力曲線と境界条件を入力として用い、ネットワークを学習させる。
• 物理法則（ナビエ＝ストークス方程式、滑らかでない壁条件、質量保存則、Windkesselモデル方程式）が、学習の目的関数として損失関数として埋め込まれる。
• 質量保存則を正確に満たすためにベクトルポテンシャル表現が採用され、推定精度が向上するが、計算時間が増加する。
• 損失関数には、データ適合性、物理的一致性（ナビエ＝ストークスおよびWindkessel）、境界条件の項が含まれており、出口流束条件が安定化制約として機能する。
• 本手法は定常流れおよび一時的流れの両方の流れ状態で評価され、参照解との比較を通じてパラメータ推定と速度場再構築が評価された。

実験結果

リサーチクエスチョン

• RQ1 PINNは、患者特異的な大動脈血行動態設定において、2次元でノイズが混入した希なMRTに類似した速度測定値から、Windkesselモデルのパラメータを高精度に推定できるか？
• RQ2 ナビエ＝ストークス方程式、滑らかでない壁条件、質量保存則といった物理的制約の組み込みが、速度場再構築およびパラメータ推定の精度に与える影響は何か？
• RQ3 流れ状態の複雑さ（定常対一時的）が、PINNフレームワークの性能に与える影響は何か？
• RQ4 ベクトルポテンシャル表現の使用が、速度再構築の精度および安定性に与える影響は何か？
• RQ5 出口流束条件は、壁境界条件の不正確な実装をどの程度補償できるか？

主な発見

• PINNフレームワークは定常流れ状態において、参照値とよく一致する高精度なWindkesselパラメータ推定を達成した。
• 一時的流れ状態では、パラメータ数とデータ次元の増加により、推定精度が若干低下したが、依然として臨床的に許容可能な範囲内に保たれた。
• 測定密度が高く、流れのパターンが単純な領域では、速度再構築が安定的かつ高精度であったが、血管壁付近や複雑な流れ領域では性能が劣化した。
• 最適化の制約により、滑らかでない壁条件が完全に満たされず、一部の速度ベクトルが血管壁を貫通する現象が観察されたが、出口流束値は正確に保たれた。
• ベクトルポテンシャル表現の使用により、質量保存則を正確に満たすことで、全体の速度推定精度が向上したが、計算コストが4倍に増加した。
• 出口流束条件は安定化機構として機能し、壁における速度不正確さを補って、血管内での流れの連続性を強化した。