基于深度学习的主动脉血流患者特异性CFD模拟自动化建模技术突破

心血管疾病(CVD)诊断面临患者特异性血管模型构建效率低、误差大的难题。研究团队创新性开发集成LoGB-Net分割模块与GNN-LDDMM表面变形模块的AI框架，实现从医学影像到CFD模拟就绪模型的端到端自动化，Dice系数达93.7%，处理时间从传统手工的数十小时缩短至分钟级，为精准医疗提供新范式。

　　

心血管疾病(CVD)长期占据全球死因首位，传统基于医学影像的诊断手段如CT、MRI虽能提供解剖细节，却难以直接获取血流动力学参数。虽然4D流MRI等技术可测量血流速度场，但受限于分辨率和噪声，临床亟需更精准的血流动力学分析方法。计算流体力学(CFD)通过模拟血流动力学弥补了这一空白，然而构建患者特异性血管模型仍面临巨大挑战——当前主流的SimVascular平台需要专家手动提取血管中心线、逐层分割二维切片、通过B样条重建三维几何，单例处理耗时长达数天，且结果受操作者经验影响显著。

为突破这一瓶颈，研究人员在《SCIENCE ADVANCES》发表创新成果，开发出融合Laplacian-of-Gaussian贝叶斯网络(LoGB-Net)与图神经网络-大变形微分同胚度量映射(GNN-LDDMM)的自动化建模框架。研究采用来自VMR和AVT数据集的48例主动脉样本（含人类与兔类不同分支构型），通过多尺度LoG核与贝叶斯推理实现血管分割，结合LDDMM物理约束完成表面优化，全程无需人工干预。

Voxel分割评估

LoGB-Net在分支血管分割中取得92.7%的Dice系数，显著优于U-Net3D（76%）等10种对比模型。其创新的五层级LoG核设计（3×3×3至11×11×11）有效捕捉不同管径血管特征，在兔主动脉异常分支拓扑中仍保持90%以上准确率。

表面构建分析

相较于SimVascular手工模型，自动化重建表面在血管分叉处几何差异降低34.9%。CFD模拟显示自动模型压力极值范围更广（-11.89~8.61 Pa vs -1.62~5.09 Pa），更敏感捕捉血流动力学变化。

不确定性量化

贝叶斯框架生成的20%变异度分割结果经GNN-LDDMM优化后，主主动脉区域不确定带宽收窄60%。SNR与分割误差呈负相关（斜率-0.28），揭示图像质量对结果的影响规律。

框架消融研究

移除LDDMM模块导致入口/出口区域出现明显畸变，验证了微分同胚变换对保持解剖合理性的关键作用。五层LoG结构相较简化版性能提升15%，但六层设计因过度平滑导致性能下降。

这项研究实现了三大突破：首先，将传统数十小时的手工建模压缩至自动化分钟级流程；其次，通过贝叶斯框架首次在血管建模中引入不确定性量化；最后，GNN-LDDMM创新组合解决了复杂分支结构的非刚性形变难题。尽管在低信噪比远端分支和罕见解剖变异处理上仍有局限，但该框架已展现出改变心血管精准医疗范式的潜力——未来结合更大规模的多中心数据，有望成为临床决策支持的标准化工具。