Physics-Guided Neural Networks for Intraventricular Vector Flow Mapping

要約

心室内ベクトル フロー マッピング (iVFM) は、心臓イメージングにおけるカラー ドップラーを強化し、定量化することを目的としています。
この研究では、物理情報に基づいたニューラル ネットワーク (PINN) と物理ガイド付き nnU-Net ベースの教師ありアプローチを利用することで、従来の iVFM 最適化スキームに代わる新しい代替案を提案します。
患者固有の数値流体力学モデルと生体内ドップラー取得から得られたシミュレートされたカラー ドップラー画像で評価すると、どちらのアプローチも元の iVFM アルゴリズムと同等の再構成パフォーマンスを示します。
PINN の効率は、2 段階の最適化と事前に最適化された重みによって向上します。
一方、nnU-Net方式は汎用性とリアルタイム性に優れています。
特に、nnU-Net は、明示的な境界条件からの独立性を維持しながら、まばらで切り詰められたドップラー データに対して優れた堅牢性を示します。
全体として、我々の結果は、心室内ベクトル血流の再構築におけるこれらの方法の有効性を強調しています。
この研究はまた、超高速カラードップラーイメージングにおけるPINNの潜在的な応用や、血流に基づいて心血管疾患のバイオマーカーを導出する流体力学方程式の組み込みも示唆している。

要約(オリジナル)

Intraventricular vector flow mapping (iVFM) seeks to enhance and quantify color Doppler in cardiac imaging. In this study, we propose novel alternatives to the traditional iVFM optimization scheme by utilizing physics-informed neural networks (PINNs) and a physics-guided nnU-Net-based supervised approach. When evaluated on simulated color Doppler images derived from a patient-specific computational fluid dynamics model and in vivo Doppler acquisitions, both approaches demonstrate comparable reconstruction performance to the original iVFM algorithm. The efficiency of PINNs is boosted through dual-stage optimization and pre-optimized weights. On the other hand, the nnU-Net method excels in generalizability and real-time capabilities. Notably, nnU-Net shows superior robustness on sparse and truncated Doppler data while maintaining independence from explicit boundary conditions. Overall, our results highlight the effectiveness of these methods in reconstructing intraventricular vector blood flow. The study also suggests potential applications of PINNs in ultrafast color Doppler imaging and the incorporation of fluid dynamics equations to derive biomarkers for cardiovascular diseases based on blood flow.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google