[论文解读] Automated generation of 0D and 1D reduced-order models of patient-specific blood flow

Martin R. Pfaller, Jonathan T. Pham+6 more|arXiv (Cornell University)|Nov 8, 2021

Model Reduction and Neural Networks被引用 12

一句话总结

本文提出了一种完全自动化、开源的框架，基于患者特异性3D血管几何结构在无需先前模拟数据的情况下，自动生成0D和1D简化模型（ROMs）。其精度极高——血流和血压的平均相对误差仅为1%–10%，同时相比3D模拟将计算成本降低了90%以上，使在标准硬件上实现快速临床和研究应用成为可能。

ABSTRACT

Three-dimensional (3D) cardiovascular fluid dynamics simulations typically require hours to days of computing time on a high-performance computing cluster. One-dimensional (1D) and lumped-parameter zero-dimensional (0D) models show great promise for accurately predicting blood bulk flow and pressure waveforms with only a fraction of the cost. They can also accelerate uncertainty quantification, optimization, and design parameterization studies. Despite several prior studies generating 1D and 0D models and comparing them to 3D solutions, these were typically limited to either 1D or 0D and a singular category of vascular anatomies. This work proposes a fully automated and openly available framework to generate and simulate 1D and 0D models from 3D patient-specific geometries, automatically detecting vessel junctions and stenosis segments. Our only input is the 3D geometry; we do not use any prior knowledge from 3D simulations. All computational tools presented in this work are implemented in the open-source software platform SimVascular. We demonstrate the reduced-order approximation quality against rigid-wall 3D solutions in a comprehensive comparison with N=72 publicly available models from various anatomies, vessel types, and disease conditions. Relative average approximation errors of flows and pressures typically ranged from 1% to 10% for both 1D and 0D models, measured at the outlets of terminal vessel branches. In general, 0D model errors were only slightly higher than 1D model errors despite requiring only a third of the 1D runtime. Automatically generated ROMs can significantly speed up model development and shift the computational load from high-performance machines to personal computers.

研究动机与目标

• 开发一种完全自动化的框架，从3D患者特异性血管几何结构生成0D和1D简化模型（ROMs），且无需依赖先前的3D模拟数据。
• 实现准确、快速且可扩展的血流动力学模拟，适用于临床工作流程以及不确定性量化和优化等大规模研究。
• 量化在各种解剖结构、血管类型和疾病状态下，自动生成的0D和1D ROM的准确性，为未来ROM开发建立基准。
• 通过最小化运行时间，将计算负担从高性能计算集群转移至标准个人电脑，同时保持预测保真度。
• 提供基于SimVascular的开源、可复现的端到端流程，支持自动检测血管分叉点和狭窄段。

提出的方法

• 利用几何特征（如血管中心线的局部半径最小值和斜率变化）自动检测血管分叉点和狭窄段。
• 基于泊肃叶定律和血流动力学原理，使用集中参数网络（LPN）元件（如电阻、电容和惯性元件）构建0D模型。
• 通过“线法”从3D几何结构推导1D模型，采用有限体积离散化方法求解1D血流方程，并使用Rusanov黎曼求解器。
• 采用隐式广义-α时间积分格式求解0D系统，通过预测-校正迭代和牛顿-拉夫森线性化确保稳定性和精度。
• 通过单元级贡献计算牛顿-拉夫森求解器的切线矩阵，包括残差对状态变量的导数。
• 所有模型均在开源SimVascular平台内完全生成和模拟，确保可复现性和可及性。

Figure 1 : Computation of cross-sectional area using slicing (left) and maximum inscribed sphere radius (MISR, middle). The color shows cross-sectional area in both images. The graph (right) shows both measures of cross-sectional area over the path of the branch, starting at the inlet.

实验结果

研究问题

• RQ1 在多样化患者特异性血管解剖结构中，完全自动化的0D和1D ROM在多大程度上能准确复现3D血流动力学波形？
• RQ2 在广泛解剖和病理条件下，0D与1D ROM在精度和计算成本方面的相对表现如何？
• RQ3 在3D几何结构中自动检测血管分叉点和狭窄段是否能实现无需人工干预或先前模拟数据的可靠ROM生成？
• RQ4 与完整3D模拟相比，0D和1D ROM在多大程度上降低了计算成本，同时保持了预测保真度？
• RQ5 在缺乏基于3D模拟校准的情况下，0D和1D ROM在不同血管类型和疾病状态下，血流和血压波形的误差如何变化？

主要发现

• 该框架成功从72个公开的患者特异性3D几何结构中生成了0D和1D ROM，涵盖多样化解剖结构、血管类型和疾病状态。
• 在终末血管出口处，0D和1D模型在血流和血压上的平均相对近似误差范围为1%至10%，表现出高度的预测准确性。
• 尽管运行时间仅为1D模型的三分之一，0D ROM的误差仅略高于1D模型，凸显了其卓越的计算效率。
• 在无需人工输入的情况下，该框架对各种血管形态的血管分叉点和狭窄段检测均表现出稳健且一致的性能。
• 整个流程（包括模型生成和模拟）均在标准个人电脑上完成，显著降低了对高性能计算集群的依赖。
• 在SimVascular中的开源实现支持可复现性、可扩展性，并可集成到临床和研究工作流中，适用于不确定性量化和优化。

Figure 2 : The 3D surface of model 0003_0001 (normal aortafemoral) is colored by proximity to centerline branch segments (left), slices labeled as branches are shown in white. The corresponding split of the centerline (middle) shows branches in white and junctions in red. The junction domains are la