[논문 리뷰] Physics-informed neural networks for blood flow inverse problems

Jeremías Garay, Jocelyn Dunstan외 2명|arXiv (Cornell University)|2023. 08. 02.

Electrical and Bioimpedance TomographyEngineering인용 수 3

한 줄 요약

이 논문은 3D 속도장을 2D 노이즈가 많고 희소한 MRI 유사 측정치로부터 추정하고, 혈류역학적 역문제를 해결하기 위해 물리학 기반 신경망(PINN) 프레임워크를 제안한다. 이 방법은 3D 라우르-스토크스 방정식과 축소된 순위의 윈크셀 모델을 결합하여 물리 법칙을 손실 항으로 강제하고, 정 steady 유동에서는 정확한 매개변수 추정을 달성하며, 일시적 유동에서는 중간 정도의 재구성 정확도를 보이며, 환자별 혈류역학 모델링의 잠재력을 입증한다.

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.

연구 동기 및 목표

• 환자 맞춤 혈류 시뮬레이션에서 완전하지도 않고 노이즈가 많고 희소한 임상 측정치로부터 혈류역학적 매개변수와 속도장을 추정하는 데 도전하는 것.
• 완전한 물리 모델에 의존하고 모델링 가정에 민감한 전통적인 역방법의 한계를 극복하는 것.
• 물리 법칙을 직접 신경망 학습 과정에 통합하여 개선된 강건성과 정확도를 확보하는 유연한 데이터 기반 프레임워크를 개발하는 것.
• 제한된 실제적인 MRI 유사 데이터와 물리 제약 조건만을 사용하여 임상 적용이 가능한 개인 맞춤 혈류역학 모델을 가능하게 하는 것.

제안 방법

• 물리학 기반 신경망(PINN)이 대동맥 혈류역학을 위한 3D 라우르-스토크스 방정식과 3요소 윈크셀 모델을 함께 풀 수 있도록 훈련된다.
• PINN는 2D 노이즈가 많고 희소한 속도 측정치를 입력으로 사용하며, 평균 압력 곡선과 경계 조건도 함께 사용하여 네트워크를 훈련시킨다.
• 물리 법칙—라우르-스토크스 방정식, 비스레기 벽 조건, 질량 보존, 윈크셀 모델 방정식—이 훈련 목표에 손실 함수로 통합된다.
• 질량 보존을 정확히 구현하기 위해 벡터 포텐셜 표현을 사용하며, 이는 계산 시간 증가를 감수하고도 추정 정확도를 향상시킨다.
• 손실 함수에는 데이터 적합성, 물리 일관성(Laurent-Stokes 및 윈크셀), 경계 조건 항이 포함되며, 출구 유량 조건은 안정화 제약 조건으로 작용한다.
• 방법은 정 steady 및 일시적 유동 영역 모두에서 평가되며, 기준 솔루션과 비교하여 매개변수 추정 및 속도 재구성 성능이 평가된다.

실험 결과

연구 질문

• RQ1 환자 맞춤 대동맥 혈류 설정에서 2D, 노이즈가 많고 희소한 MRI 유사 속도 측정치로부터 PINNs가 윈크셀 모델 매개변수를 정확하게 추정할 수 있는가?
• RQ2 라우르-스토크스, 비스레기, 질량 보존 등의 물리 제약 조건의 포함이 속도장 재구성 및 매개변수 추정 정확도에 어떤 영향을 미치는가?
• RQ3 유동 제도 복잡성(정 steady 대비 일시적)이 PINN 프레임워크 성능에 어떤 영향을 미치는가?
• RQ4 벡터 포텐셜 표현의 사용이 속도 재구성의 정확도와 안정성에 어떤 영향을 미치는가?
• RQ5 출구 유량 조건이 벽 경계 조건 강제의 부정확성에 대해 어느 정도 상쇄하는가?

주요 결과

• PINN 프레임워크는 정 steady 유동 영역에서 윈크셀 매개변수 추정에 매우 높은 정확도를 달성하여 기준 값과 밀접하게 일치시켰다.
• 일시적 유동 영역에서는 매개변수 수와 데이터 차원의 증가로 인해 추정 정확도가 다소 감소했지만, 여전히 임상적으로 허용 가능한 범위 내에 유지되었다.
• 측정 밀도가 높고 유동 패턴이 단순한 영역에서는 속도 재구성이 안정적이고 정확했지만, 혈관 벽 근처 및 복잡한 유동 영역에서는 성능이 떨어졌다.
• 최적화 제약 조건으로 인해 비스레기 벽 조건이 완벽하게 만족되지 않아 일부 속도 벡터가 혈관 벽을 관통하는 현상이 발생했지만, 출구 유량 값은 정확하게 유지되었다.
• 벡터 포텐셜 표현의 사용은 질량 보존을 정확히 구현함으로써 전체 속도 추정 정확도를 향상시켰지만, 계산 비용을 4배로 증가시켰다.
• 출구 유량 조건은 루멘 내 흐름 연속성을 강화함으로써 벽 속도 정확도 부족을 보완하는 안정화 메커니즘으로 작용했다.