少样本场景下AI+医疗诊断创新突破：局域优化PINN脑血管血流动力学预测

仿真圈

1小时前浏览39

关注

血流动力学参数是脑血管疾病诊断与治疗的关键，然而，由于当前医学成像和计算技术的局限性，其实时、高分辨率且精准的获取仍面临巨大挑战。此外，基于人工智能（AI）的血流动力学预测在临床环境中还面临数据稀缺的问题，这主要是由伦理考量所导致。

为解决这一难题，我们提出了一种定制化的点云预处理策略，并设计了一种新型神经网络架构，以提升在有限患者数据集下的学习性能。该预处理策略通过应用体素化和距离加权插值等重采样技术，确保点云的空间均匀性，从而优化从计算流体动力学（CFD）获得的数据，使其更适于AI模型的训练。同时，引入物理信息神经网络（PINNs）模块，使网络从完全数据驱动逐步过渡到半数据驱动的框架，有效降低对数据的依赖性。

我们利用51例患者的有限CFD数据集开展了4组对照实验，其中11例用于测试，以评估不同模型组合的表现——包括是否集成PINNs模块以及是否采用点云预处理方法。结果表明，结合上述两种方法的模型在预测空间各向异性血流场（如速度分量和压力）方面表现出色，能够高效地将空间坐标映射至三维血流动力学变量。这一方法不仅与CFD模拟结果实现了高度视觉一致性，还将预测时间大幅缩短至仅1秒。在测试集上，模型对速度的归一化平均绝对误差达到7.79 ± 2.14%，对压力的误差则为6.63 ± 2.80%，与此前基于大规模合成数据集的研究成果相当。这些结果充分证明了该方法在数据受限场景下进行临床血流动力学建模时的高效性、准确性和实时应用潜力。

01    

研究亮点与方法    

• 提出结合点云预处理与物理信息神经网络（PINNs）的新框架，解决数据稀缺与空间不均匀问题；
• 首次实现基于有限真实患者数据的脑血管三维血流预测，无需合成数据；
• 模型可在1秒内完成CFD级别精度预测，具有临床实时潜力；
• 在PointNet架构上引入PINNs模块，由纯数据驱动转向半物理驱动，显著减少对大数据依赖；
• 提出体素化+距离加权插值点云均一化策略，改善空间分布不均衡导致的网络训练不稳定。

图1 本研究中所探讨的颈内动脉及其各段解剖结构

图2. 通过体素化和距离加权插值对点云进行预处理以增强均匀性并同时保持速度分布

图3. 所提出的包含三个模块的深度学习网络

图4. 模型的训练与测试流程图

02    

研究结果    

在3.1节中为了评估不同预处理方法和网络架构下针对患者特异性血管的流场预测性能，并确定最优的基于深度学习的血流动力学预测方法，开展了四组对照实验。每种模型均在数据集随机划分的四个子集中反复进行训练与测试，以确保对预测性能进行稳健且无偏的评估。表1和表2总结了深度学习模型在压力场和速度场预测精度方面与CFD模拟的对比结果，数据以测试集上的均值 ± 标准偏差形式呈现。

表1 压力场的DL性能评估

表2 速度场的DL性能评估

在3.2节中的图5展示了采用CFD和深度学习模型获得的压力预测结果的可视化对比，分别包括是否纳入PINNs模块和点云预处理的对比。

在3.3节中由于患者脑血管在三维空间中呈现持续旋转的几何特征，CFD预测的流场在三个方向上均表现出高度非线性且不一致的速度分量。局部来看，边界层的存在导致了在任意高度截面上，中心区域与壁面区域之间的速度大小存在显著差异。采用三维速度分量的点云表示法（见图6）、各截面的速度 magnitude 等值线（见图7）以及速度流线（见图8），以全面评估的结果与CFD预测的一致性。

图5. CFD与深度学习（DL）预测结果的可视化对比，分别展示了无点云预处理和有点云预处理两种情况下的压力P分布，以及是否引入PINNs模块的对比。数值已通过数据集内的最大值和最小值进行归一化处理。

图6. CFD与深度学习（DL）预测结果的可视化对比，包括无点云预处理和有点云预处理两种情况，以及是否引入PINNs模块时的速度分量Vx、Vy、Vz的差异。

图7. CFD与深度学习（DL）预测结果在无点云预处理及有/无PINNs模块条件下，平面1和平面2截面上速度的可视化对比。

图8. CFD与深度学习（DL）预测结果的流线可视化对比。该模型采用预处理后的点云数据及PINNs模块进行训练。

图9. 经CFD和深度学习（DL）模型预测的动脉瘤颈部血流比（a）（FR）及压力差（b）（PD），其中采用了点云预处理和PINNs模块。

03    

AI+医疗行业深度学习教程    

本研究提出了一种结合点云预处理与物理信息神经网络（PINNs）的三维脑血流动力学预测框架，在有限临床数据条件下实现了高精度、实时的血流预测。通过体素化与距离加权插值提高点云均匀性，并在PointNet结构中引入Navier–Stokes方程作为物理约束，模型在仅51例患者数据训练下即可达到与大规模数据集相当的精度（速度NMAE 7.79%，压力NMAE 6.63%），预测时间缩短至1秒。该方法兼具数据驱动与物理一致性优势，显著降低了深度学习对样本量的依赖，增强了模型的可解释性与临床可用性。研究为脑血管疾病的实时血流建模提供了新的技术路径，并为未来数字孪生血管系统的构建奠定了基础。

前不久，笔者在仿真秀官网独家原创发布视频课程《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，让用户掌握CFD仿真+体外循环实验+AI深度学习技能，全面判断血管疾病和制定科学治疗方案。

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。

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。

来源：仿真秀App