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

Georgios Kissas, Yibo Yang+4 more|arXiv (Cornell University)|May 13, 2019

Cardiovascular Health and Disease Prevention被引用 5

一句话总结

本文提出了一种物理信息深度学习框架，将非侵入性临床测量与一维血流动力学模型相结合，用于预测体循环动脉中的脉搏波传播。通过在神经网络中施加质量与动量守恒约束，该方法在不依赖传统模拟器的情况下，生成了物理上一致的血流动力学预测——包括速度、压力和血管壁位移，同时还能高效估计Windkessel模型参数。

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.

研究动机与目标

• 解决传统心血管血流模拟在临床环境中计算成本高和预处理负担重的问题。
• 仅利用非侵入性体内测量（如血流和血管壁位移）实现对脉搏波传播的准确预测。
• 开发一种机器学习框架，将质量与动量守恒等基本物理原理嵌入深度神经网络，以保证物理一致性。
• 为通常用于血流动力学模型校准的Windkessel模型参数提供一种计算高效的替代估计方法。
• 在基准案例和靠近主动脉/颈部分叉的真实临床数据集上，证明该方法的可行性。

提出的方法

• 在来自体内数据的稀疏、噪声较大的血流和血管壁位移临床测量数据上训练深度神经网络。
• 通过从一维脉动流方程推导出的物理约束，增强网络的损失函数，以强制实现质量与动量守恒。
• 该模型以物理一致的方式预测动脉网络中的血流动力学波形——包括速度、压力和血管壁位移。
• 网络架构设计为可在无需完整计算流体动力学模拟的情况下，泛化至个体患者特定的动脉拓扑结构。
• 对网络输出进行后处理，可高效估计Windkessel模型参数，这些参数对于校准传统血流动力学模型至关重要。
• 该框架在合成基准数据和一个涉及主动脉/颈部分叉处测量的真实临床案例上进行了验证。

实验结果

研究问题

• RQ1 在仅使用稀疏、噪声较大的临床测量数据训练的深度学习模型，是否能在不依赖全尺度模拟的情况下，准确预测血流动力学中的脉搏波传播？
• RQ2 物理信息约束在多大程度上能提升神经网络在血流动力学建模中预测的物理合理性与泛化能力？
• RQ3 所提出的框架是否能仅从非侵入性测量中有效估计Windkessel模型参数？
• RQ4 与标准计算建模方法相比，该模型在真实体内数据上的表现如何？
• RQ5 该方法是否能以极少的预处理和计算成本，应用于个体患者特定的动脉网络？

主要发现

• 物理信息神经网络成功预测了满足质量与动量守恒原理的速度、压力和血管壁位移波形。
• 该模型在无需传统计算流体动力学模拟或大量预处理的情况下，实现了物理一致的预测。
• 通过后处理网络输出，该框架能够准确估计Windkessel模型参数，显著降低了校准工作量。
• 该方法在合成基准数据和一个涉及主动脉/颈部分叉处体内测量的真实临床案例中均表现出稳健性能。
• 与传统血流动力学建模相比，该方法显著降低了计算成本，同时保持了预测精度。
• 将物理定律整合到损失函数中，增强了模型在噪声大、稀疏的临床数据上的泛化能力与预测可靠性。