基于模板深度学习框架实现腹主动脉瘤壁面切应力快速预测及输入设计优化
研究针对腹主动脉瘤高度异质性的解剖结构，系统评估了输入空间分辨率、邻域距离配置、数据划分策略以及模拟临床影像噪声等因素对模型预测性能的影响。研究构建了基于患者特异性AAA几何结构的CFD-深度学习配对数据集，并通过多组实验场景分析不同输入设计策略对WSS预测精度和模型泛化能力的作用。结果显示，该模板化深度学习框架能够实现与CFD参考结果较高一致性的WSS预测，其中合理的邻域距离设置以及更高空间分辨率输入能够进一步提升预测准确性和鲁棒性，同时噪声实验验证了模型对于临床影像数据不确定性的适应能力。
该研究的创新性在于，将模板网格空间映射、患者特异性血管几何建模以及深度学习代理模型相结合，使复杂腹主动脉瘤结构能够转换为具有空间对应关系的标准化输入形式，从而降低不同患者之间解剖差异对模型训练和预测的影响。研究不仅探索了深度学习替代传统CFD进行快速血流动力学估计的可行性，同时进一步揭示了输入特征设计对于三维血管WSS预测的重要作用，为构建近实时、个体化血管血流动力学分析系统提供了新的技术路径。
一、研究亮点
1. 提出基于模板映射的深度学习框架，实现腹主动脉瘤WSS快速预测
研究提出了一种基于模板网格（template mesh）的深度学习框架，用于预测腹主动脉瘤（AAA）患者特异性壁面切应力（WSS）。该方法通过将不同患者CTA重建得到的三维血管结构以及CFD计算获得的血流动力学特征映射到统一模板空间，使不同患者之间的血管表面特征具有一致的空间对应关系。
相比传统直接处理复杂三维血管结构的方法，该框架通过标准化模板表示降低了患者间解剖差异带来的影响，使深度学习模型能够更加有效地学习血管几何特征与WSS分布之间的关系，为复杂血管结构的快速血流动力学预测提供了新的方法。
2. 针对高度异质性的腹主动脉瘤结构，优化输入设计策略提升模型性能
腹主动脉瘤具有明显的形态差异，包括不规则扩张、不对称膨大以及复杂空间变化，使传统深度学习模型难以获得稳定的空间特征。该研究系统分析了不同输入设计因素对WSS预测性能的影响，包括输入空间分辨率、血管壁邻域距离配置、数据划分方式以及噪声干扰等。
研究设计了12组实验场景，对不同输入参数组合进行定量比较，从而评估各种特征设计策略对于模型预测精度、泛化能力和鲁棒性的影响，为三维血管深度学习代理模型的输入构建提供了优化依据。
3. 实现患者特异性血管结构与CFD血流动力学信息的统一映射
该方法建立了从患者CTA血管模型到统一模板空间的数据处理流程，通过模板配准和网格对齐实现不同患者之间血管表面特征的空间匹配。模型输入不仅包含血管空间信息，还融合了CFD获得的血流速度等血流动力学特征，使网络能够学习血管结构与局部流动状态之间的复杂关系。
该策略避免了不同患者血管形态差异导致的空间错位问题，提高了模型在复杂腹主动脉瘤结构中的特征提取能力。
4. 验证深度学习模型对临床影像噪声和数据变化的适应能力
考虑实际临床影像数据存在测量误差和信噪比限制，研究进一步引入高斯噪声模拟CTA/MRI等医学影像采集过程中的不确定性，并测试噪声条件下模型预测稳定性。
结果表明，经过噪声增强训练后，模型能够保持较好的预测性能，说明该方法不仅适用于理想化CFD数据，同时具备一定面对真实临床数据变化的鲁棒性，为未来临床部署提供支持。
5. 实现接近实时的患者特异性WSS评估，展现替代传统CFD的潜力
研究结果显示，基于模板的深度学习框架能够获得与CFD参考结果较高一致性的WSS预测效果。其中，更高空间分辨率输入以及合理的邻域距离设置能够进一步提高预测精度和空间结构保持能力。
该方法通过将传统CFD中耗时较高的数值求解过程转移至模型训练阶段，使预测过程更加快速，为未来实现近实时、患者个体化血流动力学分析以及辅助临床决策提供了技术路径。
二、研究结果
图1展示了CFD计算过程中网格密度选择对血流动力学结果稳定性的影响。研究通过逐步增加计算网格数量，观察不同患者模型中周期平均壁面切应力的变化趋势。当网格数量达到约40万个单元后，预测结果趋于稳定，说明该分辨率能够在保证计算精度的同时降低计算成本，为后续大规模患者数据模拟提供合理的计算基础。
图1.三个具有代表性的患者特定模型的网格独立性测试结果。这些曲线图说明了随着网格密度的增加，周期平均WSS的收敛情况。选定的分辨率(约40万个元素，由黑色三角形表示)显示出稳定的收敛，证实了网格的独立性。
图2用于验证血流模拟达到稳定状态所需的时间周期。研究比较连续多个心动周期中的平均WSS变化情况，发现初始周期中的瞬态影响会随着计算推进逐渐消失，而第三个心动周期后血流状态基本保持稳定。因此，后续模型训练采用稳定阶段的数据作为深度学习监督信息，以避免非稳定流动状态对预测结果产生影响。
图2.连续五个心动周期内时间收敛的验证。这些图表显示了第三、第四和第五个周期的周期平均WSS。在所有接受测试的患者中，第4周期和第5周期(绿色方框中所示)之间的相对差异可以忽略不计(<；1.5%)，证实溶液在第3周期达到周期性稳定状态。
图3展示了从患者特异性腹主动脉瘤模型到深度学习输入数据的整体转换流程。由于不同患者之间血管形态存在明显差异，研究首先通过空间配准方法将三维血管表面转换到统一参考模板中，再利用参数化映射将复杂三维结构转化为规则二维特征空间，使不同病例之间能够建立对应关系，为神经网络学习提供标准化输入。
图3.基于模板的配准和预处理工作流程概述，将3D腹主动脉瘤几何形状和血流动力学映射为2D特征张量。
图4进一步说明模板配准方法在不同患者腹主动脉瘤结构中的应用效果。通过将患者原始血管模型与模板空间进行匹配，可以观察到不同形态、不同扩张程度的主动脉瘤均能够映射到统一结构中。这种空间标准化处理减少了解剖差异造成的信息偏移，提高了模型对于不同患者血管形态特征的学习能力
图4.三个具有代表性的AAA病例的登记结果。灰色：原始特定于患者的几何体；蓝色：从模板映射的对齐网格。具体地说，患者1，表现出最小的曲度和对称的纺锤形形状，被指定为基线模板网。
图5对研究中设计的不同输入变量组合进行了可视化比较，包括不同空间分辨率、邻域距离范围、噪声条件以及数据划分方式。通过改变这些输入因素，研究能够分析深度学习模型对于局部血流信息和空间尺度变化的响应规律，从而确定影响WSS预测效果的重要因素。
图5.实验场景中考虑的输入配置的可视比较。(A)输入分辨率(56*56 vs 88*56)；(B)速度场中包含或排除高斯噪声；(C)基于距离的特征提取策略(从血管壁的近距离与远距离)；(D)数据分割策略(通过训练/验证/测试分离的时间分割与患者分割)。
图6展示了用于WSS预测的改进深度学习网络结构。模型采用U-Net形式，通过编码路径提取血管空间和流场特征，再利用解码路径恢复壁面切应力分布。输入数据包含血管位置、不同距离处的速度信息等多维特征，最终输出每个空间位置对应的WSS向量，实现从血流状态到壁面力学参数的快速映射。
图6.修改后的WSSNet体系结构。基于U网的网络处理88个*56*15输入以预测3个通道的wss映射。
图7反映了模型训练过程中的收敛情况，通过比较训练集和验证集性能变化，可以判断网络学习过程是否稳定以及是否出现过拟合现象。结果显示，随着训练轮次增加，模型误差逐渐降低并趋于稳定，验证集表现与训练趋势保持一致，说明大量扩展后的训练样本有效增强了模型的泛化能力。
图7.WSSNet体系结构在100个时期的训练和验证学习曲线。左图和右图分别说明了总损失和均方误差的收敛情况。
图8通过统计分析方法比较深度学习预测结果与CFD计算结果之间的一致性。研究利用回归分析评价预测值与真实值之间的相关程度，同时采用Bland–Altman分析观察两者之间的误差分布范围，从多个角度验证模型对于时间平均WSS和振荡剪切相关指标预测的可靠性。
图8.三个典型测试用例的TAWSS和OSI的回归图和Bland-Altman图。回归图(顶行)显示了WSSNet预测和CFD得出的地面真实值之间的对应关系。Bland-Altman图(底行)直观地显示了预测误差的分布，显示了预测值和参考值之间的一致性和偏差。
图9对不同实验输入方案下模型预测性能进行了综合比较，通过多个评价指标展示输入设计变化对WSS预测结果的影响。研究分别考察平均绝对误差、相对误差、结构相似性以及相关性指标，从定量角度分析不同空间分辨率、邻域距离组合以及噪声条件对于模型性能的贡献。结果表明，不同输入策略会显著影响模型对血管壁局部流动特征的提取能力，其中更加精细的空间表示能够帮助网络恢复更准确的WSS空间分布。
图9.WSSNet性能的场景比较，使用四个评估指标：MAE(Pa)、相对误差(%)、SSIM和皮尔逊相关系数。每个条形表示给定情况下所有测试样本的平均值，误差条形表示标准偏差。
图10展示了模型在典型病例中的预测表现，通过将深度学习预测结果与CFD计算结果进行对比，直观体现网络对于复杂腹主动脉瘤血流动力学模式的重建能力。不同实验条件下预测结果表现出一定差异，说明输入特征设计不仅影响数值误差大小，也会影响模型对于局部血管扩张区域和复杂流动区域的表达能力。
图10.该场景下三个典型测试用例的WSSNet预测性能比较
图11进一步从空间分布角度分析模型预测结果，包括时间平均壁面切应力（TAWSS）、振荡剪切指数（OSI）以及预测残差的变化情况。通过热图形式，可以观察预测结果与CFD参考结果在血管表面不同区域的对应关系，同时识别误差集中出现的位置。该分析表明，深度学习模型不仅能够预测整体血流动力学趋势，还能够较好保持复杂血管表面的空间分布特征
图11.不同情况下TAWSS、OSI和预测残差的代表性热图。
研究结果表明，基于模板的深度学习框架能够有效实现腹主动脉瘤患者特异性壁面切应力（WSS）的快速预测。该方法通过将不同患者的CTA重建血管结构和CFD计算获得的血流动力学数据映射至统一模板空间，建立了具有空间对应关系的训练数据集，使深度学习模型能够学习复杂血管结构与WSS分布之间的映射关系。研究在71组患者特异性CTA-CFD数据基础上开展实验，验证了模型在复杂腹主动脉瘤形态中的预测能力。
三、结论
研究证明，基于模板映射的深度学习框架能够有效应用于腹主动脉瘤复杂血管结构的壁面切应力预测，并在一定程度上克服传统CFD方法计算成本高、难以快速推广的问题。通过建立统一模板空间，不同患者之间高度差异化的血管形态能够被转换为具有一致空间关系的数据表示，从而提高深度学习模型对于复杂血管结构的学习效率。
研究进一步指出，深度学习血流动力学预测模型的性能不仅取决于网络结构本身，输入特征设计同样具有重要作用。合理的空间分辨率和邻域信息范围能够提高模型对于局部血流变化和壁面切应力分布的表达能力，而不合理的输入尺度可能降低预测精度。
总体而言，该研究建立了一种面向患者特异性腹主动脉瘤分析的快速WSS预测方法，实现了从传统CFD高成本计算到深度学习快速推理的转变。该框架为未来构建近实时血管血流动力学评估系统提供了技术基础，并为深度学习代理模型在复杂心血管疾病分析中的应用提供了新的研究方向。
原文参考：Evaluation of input design strategies for wall shear stress prediction in abdominal aortic aneurysms using a template-based deep learning framework
四、写在最后
1、精品课限时秒杀，低至五折
我们挑了平台上口碑好、销量高的近100门精品课程，国庆期间低至五折。读者朋友可以在仿真秀官网限时秒杀板块查看，或者搜索学习强国关键词下的课程。
覆盖哪些方向？结构、流体、电磁、热、多物理场，你能想到的基本都有。工具方面，Fluent、LS-DYNA、COMSOL、Maxwell、SpaceClaim、Abaqus……主流工具全覆盖。从零基础入门，到项目实战进阶，不同阶段的人都能找到适合自己的课。
2、100万+代金券，人人有份
秒杀是给"想好了要买什么"的朋友准备的。如果你还在犹豫、还没想好先学哪门，没关系——我还准备了国庆专属优惠-100万+学习强国代金券，9月29日之前注册仿真秀的账号自动获得。
不用拼团、不用转发、没有套路。登录就能领，领了就能用。全场课程通用，有效期到10月8日。相当于什么？相当于你先把优惠揣兜里，慢慢挑，挑好了再买，也不亏。
登录仿真秀账号即可领取
