Learning Hemodynamic Scalar Fields on Coronary Artery Meshes: A Benchmark of Geometric Deep Learning Models

要約

アテローム性動脈硬化による冠血管の狭窄によって引き起こされる冠動脈疾患は、世界中で主な死因となっています。
診断のゴールドスタンダードである血流予備量比（FFR）は、最大血管拡張時の狭窄通過圧力比を測定しますが、侵襲的で高価です。
これにより、数値流体力学 (CFD) を使用して冠状動脈の流れをシミュレートする仮想 FFR (vFFR) の開発が推進されました。
幾何学的な深層学習アルゴリズムは、心臓血管研究アプリケーションなど、メッシュ上の学習機能に有望であることが示されています。
この研究では、冠状動脈の vFFR 場を CFD サロゲートとして予測するためのさまざまなバックエンドを実証的に分析し、CFD ソリューションをグラウンド トゥルースとして使用してメッシュ上の血行動態を学習するための 6 つのバックエンドを比較しています。
この研究は 2 つの部分で構成されています。 i) 1,500 個の人工左冠状動脈分岐部を使用して、さまざまな学習変数を比較しながら、vFFR 再構築のための圧力関連フィールドを予測するようにモデルをトレーニングしました。
ii) 427 の患者固有の CFD シミュレーションを使用して、合成データセットから最もパフォーマンスの高い学習変数に焦点を当てて実験を繰り返しました。
ほとんどのバックエンドは、特にマニホールド上の圧力降下を予測する場合に、合成データセットで良好なパフォーマンスを発揮しました。
トランスベースのバックエンドは、圧力フィールドと vFFR フィールドの予測において他のモデルよりも優れたパフォーマンスを発揮し、患者固有のデータで優れたパフォーマンスを達成した唯一のモデルであり、狭窄病変における点ごとの平均誤差と vFFR 精度の両方で優れていました。
これらの結果は、幾何学的なディープ ラーニング バックエンドが単純なジオメトリに対して CFD を効果的に置き換えることができる一方で、複雑で異種のデータセットに対してはトランスフォーマー ベースのネットワークが優れていることを示唆しています。
圧力降下は、圧力関連分野を学習するための最適なネットワーク出力として特定されました。

要約(オリジナル)

Coronary artery disease, caused by the narrowing of coronary vessels due to atherosclerosis, is the leading cause of death worldwide. The diagnostic gold standard, fractional flow reserve (FFR), measures the trans-stenotic pressure ratio during maximal vasodilation but is invasive and costly. This has driven the development of virtual FFR (vFFR) using computational fluid dynamics (CFD) to simulate coronary flow. Geometric deep learning algorithms have shown promise for learning features on meshes, including cardiovascular research applications. This study empirically analyzes various backends for predicting vFFR fields in coronary arteries as CFD surrogates, comparing six backends for learning hemodynamics on meshes using CFD solutions as ground truth. The study has two parts: i) Using 1,500 synthetic left coronary artery bifurcations, models were trained to predict pressure-related fields for vFFR reconstruction, comparing different learning variables. ii) Using 427 patient-specific CFD simulations, experiments were repeated focusing on the best-performing learning variable from the synthetic dataset. Most backends performed well on the synthetic dataset, especially when predicting pressure drop over the manifold. Transformer-based backends outperformed others when predicting pressure and vFFR fields and were the only models achieving strong performance on patient-specific data, excelling in both average per-point error and vFFR accuracy in stenotic lesions. These results suggest geometric deep learning backends can effectively replace CFD for simple geometries, while transformer-based networks are superior for complex, heterogeneous datasets. Pressure drop was identified as the optimal network output for learning pressure-related fields.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google