[论文解读] 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 4

一句话总结

本文提出一种物理信息神经网络（PINN）框架，将稀疏经颅多普勒（TCD）超声测量与3D血管造影数据融合，以预测高分辨率、物理一致的脑血流动力学参数，包括血流速度、血管横截面积和压力。该模型通过减少边界条件不确定性与建模误差的影响，显著提升了血流动力学预测精度，相较于纯物理模型，其预测结果与4D血流MRI高度一致，可实现脑血管痉挛的精准诊断。

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.

研究动机与目标

• 解决纯物理计算模型在预测脑血流动力学时因边界条件不确定性与建模误差导致的局限性。
• 开发一种数据驱动框架，将稀疏临床测量（TCD）与计算流体动力学（CFD）相结合，以提升血流动力学预测精度。
• 生成整个脑血管系统中速度、血管横截面积与压力的高时空分辨率分布图。
• 通过与体内4D血流MRI数据对比验证模型，并展示其在脑血管痉挛诊断中的临床应用价值。
• 通过将物理定律嵌入神经网络架构，减少血流动力学建模中对理想化假设的依赖。

提出的方法

• 该框架采用物理信息神经网络（PINN），在损失函数中通过纳维-斯托克斯方程强制满足质量与动量守恒。
• 输入特征包括多个颅内位置的实时TCD血流速度测量值，以及来自3D血管造影的基线血管横截面积。
• PINN被训练以预测整个脑血管系统中完整的3D速度场、面积场与压力场，同时满足物理约束。
• 通过结合数据保真度（TCD测量值）与物理一致性（纳维-斯托克斯残差）的损失函数进行模型优化。
• 网络架构设计具备跨受试者泛化能力，可处理稀疏且含噪的临床数据，同时保持物理合理性。
• 通过与体内4D血流MRI扫描对比进行验证，评估血流动力学参数估计的准确性。

实验结果

研究问题

• RQ1 当与稀疏临床测量结合时，物理信息神经网络是否能有效提升血流动力学预测性能？
• RQ2 TCD数据与3D血管造影的融合在多大程度上提升了脑血流动力学图谱的预测精度，相较于纯物理模型？
• RQ3 在仅使用有限血流速度测量的情况下，该模型在多大程度上能预测与脑血管痉挛相关的局部血管直径变化？
• RQ4 在神经网络损失函数中嵌入物理定律是否能带来更可靠、更符合物理规律的血流动力学预测？
• RQ5 仅使用少量临床测量，该模型是否能实现整个脑血管系统中高分辨率的血流动力学映射？

主要发现

• 与纯物理CFD模拟相比，PINN框架在预测血流动力学参数方面表现显著更优，对边界条件不确定性的敏感性明显降低。
• 模型预测结果与体内4D血流MRI测量值高度一致，验证了其在整个脑血管系统中的预测准确性。
• 该框架仅基于稀疏TCD血流速度测量，成功预测了与脑血管痉挛相关的局部血管直径变化。
• 在神经网络损失函数中引入物理定律，显著提升了血流动力学预测的物理一致性与可靠性。
• 该模型在仅使用有限临床数据的情况下，仍能稳健生成高分辨率的速度、面积与压力分布图，实现对血流动力学的全面评估。
• 该方法实现了无创、实时、全血管系统血流动力学评估，显著提升了脑血管疾病诊断的潜力。