基于AI快速虚拟支架植入取得突破！血流动力学临床医学研究请收藏
导读：对于主动脉夹层的腔内介入治疗（TEVAR）而言，快速虚拟支架植入（FVS）是一种有非常前景的术前规划辅助工具，其目标是在特定的手术方案下，数字化地预测TEAVR后的主动脉真腔（TL）的重塑形态信息，以评估并规避再手术风险。但是，由于现有FVS模型难以实现精确且具有术后时间依赖性的重塑形态预测，该技术尚未真正应用于临床。为了解决这些问题，北京理工大学陈端端教授团队提出了一个基于深度学习的FVS模型来解决上述问题。
一、基于深度学习的FVS模型
具体地，将FVS任务建模为主动脉内壁变形的时变预测任务，同时引入主动脉外壁的结构形态特征来提高预测性能。该方法生成了两个点云（PCiw和PCow）来分别表示主动脉的内、外壁，并将患者信息、手术方案和术后时间设计为 PCiw 的属性，随后基于点云构建图结构数据，利用自主设计的图深度网络来学习其特征，用于预测逐点内壁形变，最终生成具有术后时间依赖性的动态TL重塑。
该模型可以成功感知并利用手术方案的虚拟设定，在108名患者（269次真实随访）数据上成功实现了动态的重塑形态预测。
此外，与现有的基于规则的 FVS 模型相比，该模型所预测的远期TL重塑体积、表面积和中心线长度的平均相对误差分别降低了 9%、5% 和 2%，而且支持对于并发症风险因素的更加精准的临床形态参数测量。该模型对于优化TEVAR手术方案，降低TEVAR再手术风险，最终提高TEVAR的有效性和安全性具有重要意义。
二、研究方法
基于深度学习FVS模型的总体结构如图1所示，整个框架分为两部分。数据预处理：利用 CT 影像重建术前与术后内外壁，结合关键术前信息构建点云数据，并基于术前、后壁面数据实现逐点内壁变形的量化标注。主要步骤如下：
（1）内外壁的重建：根据CT影像重建每位患者的内、外壁，分别用于生成点云训练数据PCiw和PCow，主要通过分割提取主动脉结构，并使用marching cube算法提取TL和整体主动脉的表面作为内、外壁；
（2）输入点云的获取：PCiw的坐标由预先存在于内壁的点坐标生成，每个点的属性包括患者年龄、发病到手术时间（POT）、术后时间、支架半径和支架品牌，其中支架相关信息均为仅存在于支架部署区段的局部属性。
（3）逐点形变的量化计算：为了训练模型，需获取特定术后时间的量化内壁形变，采用从术后空间到术前空间的内壁映射，消除自然存在的非刚性形态差异，并为每一个内壁点预设形变方向。
图1. 本文提出的深度学习FVS模型的总体结构
本研究构建的图深度网络需要学习从 PCiw 和 PCow 到内壁变形的映射。网络结构的具体成分包括（图2）：
（1）层级式图编码器：包含多个提取特征层级，每个层次由一个或多个图聚合层（GAL）构成。每个 GAL 通过对内、外壁点云进行局部分组（采用最远点采样和 KNN 找相邻点）来构建图结构，利用注意力特征聚合（AFA）模块实现各组中心点的属性更新。部分层级引入了池化操作，有效扩大了特征聚合的感受野，同时需要保持内、外壁之间的逐点对应关系。
图2. 图深度网络结构及具体成分
（2）AFA模块：用于为每组内的中心点聚合其邻域内的特征，生成新属性。具体地，该模块采用多层感知机（MLP）计算中心点和邻接点的隐藏特征，并将隐藏特征转化为邻接点各个信道的注意力权重，最后通过加权求和生成新的中心线属性。
（3）解码器：解码器同样由多个层级构成，每个层级首先利用插值方法将低分辨率特征上采样，再与编码器对应层级提供的跳跃特征进行融合，由 MLP进行融合处理。最后一个解码层级输出一个大小为 1×N 的矩阵，表示初始内壁点云中每个点的变形幅度，结合预定义的逐点形变方向，最终形成具有术后时间依赖性的动态重塑结果。
三、研究结果
图3. S1～4为主动脉上的四个独立区段，其中S1位于支架部署区域近端，S2～3为支架部署区域由近及远的两个等分区段，S4位于支架部署区域远端。CD（倒角距离）和HD（Hausdorff距离）均为基于点云间宏观距离的误差度量。通过对比不同属性对模型预测精度的影响，发现SG半径和患者年龄对提高预测精度有显著贡献。
图4. 通过调整支架部署位置和半径，发现均会导致预测误差增加（与无调整时的金标准相比），验证了模型对于虚拟手术方案的变动可以表现出符合预期的响应。
图5. 通过可视化确认，调整支架部署位置会有效改变内壁形变的分布，而调整半径则主要影响形变幅度。同时，该模型能够利用术后时间信息，有效预测具有术后时间依赖性的动态TL重塑。
图6. 与现有的基于规则的FVS模型相比，本模型对于长期TL重塑结果的预测表现出更低的形态学误差和血流特征误差。
图7. 本算法可以支持更加精准的dSINE风险因素的临床测量。
图8. 关于外壁特征及利用方式的消融测试，证明了引入外壁特征的有效性，并确认本研究所采用的利用方法（即2PC+Fβ+Fχ）能够显著改善预测结果的平滑性和准确性。
四、自学CFD仿真+体外循环实验+AI深度学习
从上文来看，基于图深度学习可以有效实现面向主动脉夹层TEVAR的FVS。该方法不仅能够有效感知并利用手术方案的虚拟设定，成功预测TEVAR后随时间变化的动态TL重塑，而且在预测长期TL重塑形态和支持dSINE风险因素测量方面均优于现有基于规则的FVS模型，在TEVAR术前规划场景中具有极大的应用潜力。
众所周知，血液循环系统涉及丰富的力学理论，仅根据医学影像和形态学数据判断血管疾病和制定治疗方案是不够全面的，缺乏相关力学数据支撑。随着科学技术的发展，计算流体力学（CFD）数值模拟、体外循环实验和深度学习引起了研究人员的巨大兴趣。CFD可模拟血流场并获取血流动力学参数，弥补了医学影像分析和形态学指标的不足；体外循环实验可直观展现压力变化、流场分布，具有高度可控性和可重复性；深度学习可高效实现医学图像的精准分割和血流动力学参数的快速预测，显著提升诊断和治疗效率。当前血流动力学现已普遍应用于血管疾病研究（如主动脉夹层、腹主动脉瘤、颈动脉狭窄）和手术方案制定（如烟囱支架的选择和设计、不同旁路搭桥策略的对比、胸主动脉支架长度的确定）。
近日，笔者在仿真秀官网独家原创首发视频课程《血流动力学临床医学研究高级进阶33讲：自学CFD仿真、体外循环实验和AI深度学习》正式上线了。希望帮助血流动力学基础的临床医生、医学科研人员和高校学生快速地掌握血流动力学的基础概念和流程，以及了解血流动力学在血管疾病的起因、发展，手术疗效评估和手术方案设计中的应用。
《血流动力学临床医学研究高级进阶33讲：自学CFD仿真、体外循环实验和AI深度学习》
本课程分为基础版和高级版。以下是基础版课程
可回放，开发票、培训通知和申请奖学金
讲师提供vip交流群/答疑/相关学习资料
扫码立即试看
4月10日20时，笔者受邀在工程师职场仿真应用技术报告会第六期做《基于医学影像的AI+体外实验+CFD血流动力学研究》，分享已有医工案例获取科研灵感，血流动力学仿真原理与基本流程，以及在临床上的应用；介绍血流动力学相关的结合体外实验、深度学习等拓展研究等，欢迎从事心脑血管CFD血流动力学仿真的医工研究者、临床医生、医疗器械和科技公司研发工程师报名和交流，报名后支持反复回看。
工程师职场仿真（六）：基于医学影像的AI+体外实验+CFD血流动力学研究-仿真秀直播
为了让大家更好地将所学知识应用到实际工作中，欢迎读者朋友联系仿真秀与我开展技术交流与合作。
与作者或仿真秀开展合作咨询
来源：仿真秀App
