优化用于动脉瘤治疗的血流导向支架配置：一种结合深度学习和差分进化优化的计算方法

《Physical and Engineering Sciences in Medicine》：Optimizing flow-diverting stent configurations for aneurysm treatment: a computational approach integrating deep learning and differential evolution optimization

血流动力学优化方法：结合CFD仿真、DNN模型和DEO算法，通过2700组支架构型模拟数据训练神经网络，成功筛选出七支架构（最优尺寸0.3184-2.9283，间隙0.0371-0.5897），显著降低峰值速度、涡量和壁面剪切应力，验证了支架颈端密集结构对血流再分配的促进作用。

　　

摘要

动脉或静脉的扩张（即动脉瘤）会削弱周围的血管壁，使其容易发生破裂并可能导致危及生命的出血，最终可能导致死亡。放置分流支架是治疗动脉瘤的一种广泛使用且有效的方法。本研究提出了一种新的方法，结合了计算流体动力学（CFD）模拟、深度神经网络（DNN）和差分进化优化（DEO）来优化动脉瘤的血液流动状况。首先，通过CFD模拟生成了包含2,700种不同支架配置的全面数据集。然后利用该数据集训练了一个DNN模型，从而能够准确预测任何支架配置下的流速、涡度和壁面剪切应力。该模型在不同配置下均表现出一致且可靠的性能。接着应用DEO来确定最佳支架配置，最终选择了具有七个支撑杆的支架结构。最佳支撑杆尺寸分别为0.3184、0.9599、0.7889、0.9599、1.0073、1.0073和2.9283，支撑杆之间的间隙尺寸分别为0.2238、0.5897、0.3379、0.2996、0.2052、0.0371和0.3068。这种配置在降低流速、涡度和最大壁面剪切应力方面表现更为出色。研究表明，增加支撑杆的数量，并将其集中在动脉瘤的近端颈部，可以增强血流分流效果并最大限度地降低血液流动风险，尤其是在容易发生破裂的区域。通过额外的CFD模拟验证，证实了优化后支架的有效性，表明所提出的方法有助于改进支架设计并改善动脉瘤治疗的血液流动效果。