[논문 리뷰] Machine learning in cardiovascular flows modeling: Predicting pulse wave propagation from non-invasive clinical measurements using physics-informed deep learning

Georgios Kissas, Yibo Yang외 4명|arXiv (Cornell University)|2019. 05. 13.

Cardiovascular Health and Disease Prevention인용 수 5

한 줄 요약

이 논문은 비침습적 임상 측정값과 일차원 혈류역학 모델을 통합하여 체계적 동맥 내 파동 전파를 예측하는 물리 기반 딥 러닝 프레임워크를 제안한다. 신경망 제약 조건을 통해 질량 및 운동량 보존을 강제함으로써, 기존 시뮬레이터에 의존하지 않고도 물리적으로 일관된 혈류역학 예측(속도, 압력, 벽 이동 거리)을 생성한다. 또한 윈크셀 모델의 매개변수를 효율적으로 추정할 수 있다.

ABSTRACT

Advances in computational science offer a principled pipeline for predictive modeling of cardiovascular flows and aspire to provide a valuable tool for monitoring, diagnostics and surgical planning. Such models can be nowadays deployed on large patient-specific topologies of systemic arterial networks and return detailed predictions on flow patterns, wall shear stresses, and pulse wave propagation. However, their success heavily relies on tedious pre-processing and calibration procedures that typically induce a significant computational cost, thus hampering their clinical applicability. In this work we put forth a machine learning framework that enables the seamless synthesis of non-invasive in-vivo measurement techniques and computational flow dynamics models derived from first physical principles. We illustrate this new paradigm by showing how one-dimensional models of pulsatile flow can be used to constrain the output of deep neural networks such that their predictions satisfy the conservation of mass and momentum principles. Once trained on noisy and scattered clinical data of flow and wall displacement, these networks can return physically consistent predictions for velocity, pressure and wall displacement pulse wave propagation, all without the need to employ conventional simulators. A simple post-processing of these outputs can also provide a cheap and effective way for estimating Windkessel model parameters that are required for the calibration of traditional computational models. The effectiveness of the proposed techniques is demonstrated through a series of prototype benchmarks, as well as a realistic clinical case involving in-vivo measurements near the aorta/carotid bifurcation of a healthy human subject.

연구 동기 및 목표

• 임상 환경에서 전통적인 심혈관계 유동 시뮬레이션의 높은 계산 비용과 사전 처리 부담을 해결하기 위해.
• 혈류 및 벽 이동 거리와 같은 비침습적 실시간 측정값만을 사용하여 파동 전파를 정확하게 예측할 수 있도록 하기 위해.
• 질량 및 운동량 보존과 같은 기본 물리 법칙을 딥 뉴럴 네트워크에 통합하여 물리적 일관성을 확보하는 기계학습 프레임워크를 개발하기 위해.
• 기존 혈류역학 모델 캘리브레이션에 일반적으로 필요로 하는 윈크셀 모델 매개변수를 추정하는 데 있어 계산적으로 효율적인 대안을 제공하기 위해.
• abdominal/aorta 및 carotid 분지 부위에서의 실제 임상 데이터를 활용하여 이 접근법의 타당성을 입증하기 위해.

제안 방법

• 깊이 신경망은 실시간 측정값에서 유도된 노이즈가 많고 산재한 혈류 및 벽 이동 거리 측정값을 기반으로 훈련된다.
• 손실 함수에 일차원 혈류역학 방정식에서 유도된 물리 기반 제약 조건이 추가되어 질량 및 운동량 보존이 강제된다.
• 모델은 혈관 네트워크 전반에 걸쳐 물리적으로 일관된 방식으로 혈류역학 파형(속도, 압력, 벽 이동 거리)을 예측한다.
• 완전한 유체역학 시뮬레이션을 필요로 하지 않고도 환자별 혈관 구조에 일반화할 수 있도록 아키텍처가 설계되었다.
• 네트워크 출력의 후처리를 통해 윈크셀 모델 매개변수를 효율적으로 추정할 수 있으며, 이는 기존 혈류역학 모델의 캘리브레이션에 핵심적인 역할을 한다.
• 프레임워크는 합성 벤치마크와 실제 임상 사례(abdominal/aorta 및 carotid 분지 부위 측정 포함)에서 검증되었다.

실험 결과

연구 질문

• RQ1 희소하고 노이즈가 많은 임상 측정값으로 훈련된 딥 러닝 모델이 전체 스케일의 시뮬레이션에 의존하지 않고도 혈류역학적으로 정확한 파동 전파를 예측할 수 있는가?
• RQ2 물리 기반 제약 조건이 혈류역학 모델링에서 신경망 예측의 물리적 타당성과 일반화 능력을 어느 정도 향상시킬 수 있는가?
• RQ3 제안된 프레임워크는 비침습적 측정값만으로 윈크셀 모델 매개변수를 효과적으로 추정할 수 있는가?
• RQ4 기존의 계산 모델링 기법과 비교하여 실제 실시간 측정 데이터에서 모델의 성능은 어느 정도인가?
• RQ5 이 방법은 최소한의 사전 처리와 계산 비용으로 환자별 혈관 네트워크에 적용할 수 있는가?

주요 결과

• 물리 기반 신경망은 질량 및 운동량 보존 원칙을 만족하는 속도, 압력, 벽 이동 거리 파형을 성공적으로 예측하였다.
• 기존의 유체역학 시뮬레이터나 광범위한 사전 처리 없이도 물리적으로 일관된 예측을 달성하였다.
• 네트워크 출력의 후처리를 통해 윈크셀 모델 매개변수를 정확하게 추정할 수 있었으며, 캘리브레이션 작업의 부담을 줄였다.
• 합성 벤치마크와 실제 임상 사례(실시간 측정 포함)에서 모두 뛰어난 성능을 보였다.
• 기존 혈류역학 모델링 대비 계산 비용을 크게 감소시켰지만 예측 정확도는 유지하였다.
• 손실 함수에 물리 법칙을 통합함으로써 노이즈가 많고 희소한 임상 데이터에서도 예측의 일반화 능력과 신뢰성을 향상시켰다.