[論文レビュー] Physics-informed neural networks for improving cerebral hemodynamics predictions

Mohammad Sarabian, Hessam Babaee+1 more|arXiv (Cornell University)|Aug 25, 2021

Advanced MRI Techniques and Applications参考文献 44被引用数 4

ひとこと要約

本稿では、希釈した経頭ドプラ（TCD）超音波測定値と3次元アンジオグラフィー画像データを統合する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し、速度、血管断面積、圧力を含む高分解能で物理的に整合性のある脳血流動態を予測する。このモデルは境界条件の不確実性やモデル化誤差に起因する誤差を低減することで、純粋に物理ベースのシミュレーションに比べて血流動態予測を著しく改善し、4Dフローマイリョグラフィー（4D flow MRI）と強い一致を示し、脳血管痙攣の正確な診断を可能にする。

ABSTRACT

Determining brain hemodynamics plays a critical role in the diagnosis and treatment of various cerebrovascular diseases. In this work, we put forth a physics-informed deep learning framework that augments sparse clinical measurements with fast computational fluid dynamics (CFD) simulations to generate physically consistent and high spatiotemporal resolution of brain hemodynamic parameters. Transcranial Doppler (TCD) ultrasound is one of the most common techniques in the current clinical workflow that enables noninvasive and instantaneous evaluation of blood flow velocity within the cerebral arteries. However, it is spatially limited to only a handful of locations across the cerebrovasculature due to the constrained accessibility through the skull's acoustic windows. Our deep learning framework employs in-vivo real-time TCD velocity measurements at several locations in the brain and the baseline vessel cross-sectional areas acquired from 3D angiography images, and provides high-resolution maps of velocity, area, and pressure in the entire vasculature. We validated the predictions of our model against in-vivo velocity measurements obtained via 4D flow MRI scans. We then showcased the clinical significance of this technique in diagnosing the cerebral vasospasm (CVS) by successfully predicting the changes in vasospastic local vessel diameters based on corresponding sparse velocities measurements. The key finding here is that the combined effects of uncertainties in outlet boundary condition subscription and modeling physics deficiencies render the conventional purely physics-based computational models unsuccessful in recovering accurate brain hemodynamics. Nonetheless, fusing these models with clinical measurements through a data-driven approach ameliorates predictions of brain hemodynamic variables.

研究の動機と目的

• 境界条件の不確実性やモデル化誤差に起因する純粋に物理ベースの計算モデルの限界を解消するため。
• 希釈した臨床的測定値（TCD）と計算流体力学（CFD）を統合するデータ駆動型フレームワークを構築し、血流動態予測を向上させること。
• 全脳血管動脈系にわたる速度、血管断面積、圧力の高空間・時間分解能マップを生成すること。
• 体内4Dフローマイリョグラフィー（4D flow MRI）データとの比較によるモデルの妥当性を検証し、脳血管痙攣の診断における臨床的有用性を示すこと。
• 血流動態モデルにおける理想化された仮定への依存を低減するため、物理法則をニューラルネットワークアーキテクチャに組み込むこと。

提案手法

• フレームワークは、損失関数内にナビエ-ストークス方程式を用いて質量および運動量の保存則を強制する物理情報付きニューラルネットワーク（PINN）を採用する。
• 入力特徴量には、複数のくも膜下腔内位置におけるリアルタイムTCD速度測定値と、3次元アンジオグラフィーからのベースライン血管断面積が含まれる。
• PINNは、脳血管動脈系全体にわたる3次元速度場、断面積、圧力場を予測するが、物理的制約を満たすように設計されている。
• 最適化には、データ適合性（TCD測定値）と物理的一致性（ナビエ-ストークスの残差）の両方を含む損失関数が使用される。
• アーキテクチャは、被験者間での一般化を可能にし、希釈でノイズの多い臨床データを処理しながらも物理的に妥当な予測を維持できるように設計されている。
• 精度評価は、体内4Dフローマイリョグラフィー走査と比較して、血流動態パラメータ推定の正確性を評価するために実施される。

実験結果

リサーチクエスチョン

• RQ1 希釈した臨床的測定値と組み合わせた物理情報付きニューラルネットワークが、血流動態予測を著しく改善できるか。
• RQ2 TCDデータと3次元アンジオグラフィーの統合は、純粋に物理ベースのモデルと比較して、脳血流動態マップの精度をどの程度向上させるか。
• RQ3 限られた速度測定値から、脳血管痙攣に関連する局所的血管径の変化をどの程度正確に予測できるか。
• RQ4 物理法則をニューラルネットワークの損失関数に組み込むことで、より信頼性が高く物理的に整合性のある血流動態予測が得られるか。
• RQ5 わずかな臨床的測定値のみを用いて、全脳血管動脈系にわたる高分解能の血流動態マッピングを達成できるか。

主な発見

• 境界条件の不確実性への感受性が低減したため、PINNフレームワークは純粋に物理ベースのCFDシミュレーションに比べ、血流動態パラメータの予測性能が著しく優れていた。
• 体内4Dフローマイリョグラフィー測定値と強い一致を示し、脳血管動脈系全体における予測精度の妥当性が検証された。
• 希釈したTCD速度測定値のみを用いても、脳血管痙攣に関連する局所的血管断面積の変化を効果的に予測できた。
• 損失関数に物理法則を組み込むことで、より物理的に整合的で信頼性の高い血流動態予測が得られた。
• 限られた臨床的データからも、高分解能の速度、断面積、圧力マップを生成する能力を示し、包括的な血流動態評価が可能になった。
• 本アプローチにより、非侵襲的でリアルタイムかつ全血管動脈系にわたる血流動態評価が可能となり、脳血管疾患の診断可能性が向上した。