面向患者个体化血管血流动力学预测的几何引导图编码网络（G3e-Net）

《Medical Image Analysis》：Geometry-Guided Graph Encoding Network (G3e-Net) for Patient-Specific Prediction of Vascular Haemodynamics

　　

- 几何引导图实现无需网格的快速三维血流动力学预测。
- 多尺度先验增强结构编码与跨患者泛化能力。
- 注意力机制自适应融合全局拓扑与局部几何。
- G3e-Net在峰值收缩期和时均血流预测中均展现出更高精度。

**引言**

心血管疾病与血流动力学紊乱及异常血流动力学参数密切相关，包括流速（Itatani等，2022；Wu等，2025；Zhu等，2023）、压力（Allach等，2024；Barry-Loncq De Jong等，2025；Fuchs和Whelton，2020）和壁面剪切应力（WSS）（Alamir等，2024；Candreva等，2024；Ekmejian等，2024）。计算流体力学（CFD）能够实现患者特异性血流动力学模拟，提供血管内血流的高分辨率重建，从而辅助临床诊断和治疗规划（Zhong等，2018）。尽管基于CTA数据的CFD方法能够提供精确的血流动力学重建，但患者特异性CFD分析仍需要复杂的工作流，包括血管分割、三维重建、网格生成、血流动力学边界条件赋值以及控制方程的数值求解（图1）。在图像导出的血管几何形状和边界信息获取后，迭代数值求解过程仍然是主要的计算瓶颈，根据网格分辨率、时间步设置和计算资源的不同，患者特异性主动脉CFD模拟通常每个病例需要数小时（Qin等，2021）。这种计算负担限制了CFD在交互式或迭代式图像导出功能性评估中的应用，尤其是当需要评估多种患者特异性血管构型或治疗相关解剖场景时。因此，亟需高效、基于图像的血流动力学分析框架，能够在保持复杂血管解剖中具有生理意义的血流特征表征的同时，实现快速的患者特异性功能评估。

深度学习已成为基于图像的血管血流动力学建模的一种有前景的策略，能够从患者特异性血管解剖中实现快速的功能估算。现有的基于学习的血管血流动力学建模方法大致可分为三类：基于多层感知机（MLP）的模型，直接将血管点云的空间坐标映射为血流动力学参数（Du等，2022；Gharleghi等，2022；Liang等，2020）；基于点云的方法，从血管点云数据中学习层次化表示（Li等，2021a；Wang等，2023）；以及基于图神经网络（GNNs）的方法，捕获基于点的结构中的关系依赖性（Liu等，2024）。这些方法大幅提高了计算效率，并证明了直接从点云输入中学习血管特异性血流模式的可行性。然而，有效的血流动力学学习需要保留与拓扑、曲率、分支结构和壁面距离相关的解剖学线索的血管表示。

基于MLP的血流动力学学习框架证明了学习血管点云坐标与三维流场之间直接映射的可行性。Liang等（Liang等，2020）在从统计形状模型导出的主动脉几何结构上训练深度神经网络，证明了从患者特异性血管解剖中高效估算血流动力学的可行性。Gharleghi等（Gharleghi等，2022）进一步采用全连接网络，以亚秒级推理时间预测内皮激活潜力和瞬态WSS。尽管这些方法高效，但它们需要大量参数来处理高分辨率点云数据，限制了其可扩展性和对复杂血管几何结构的适应性。

基于点云的方法为表示不规则的患者特异性血管解剖和从图像导出结构中学习与几何相关的血流动力学特征提供了灵活的框架。Wang等（Wang等，2023）开发了一种双通道点云网络来预测颈动脉血流动力学；Li等（Li等，2021a）将基于PointNet（Qi等，2017a）的模型应用于预测旁路移植术后的颈动脉血流动力学，通过提取边界和管腔内特征，该方法在此称为双采样通道深度学习网络（DSC-Net）。Zhang等（Zhang等，2023b）进一步将PointNet++（Qi等，2017b）与物理信息神经网络（PINNs）（Raissi等，2019）相结合，将物理约束纳入主动脉血流预测，尽管该研究主要在合成血管数据集上进行评估。最近，Suk等（Suk等，2026）开发了一种物理信息图框架，通过将基于PointNet++的层次化学习与Navier-Stokes残差正则化相结合，从活体4D流动MRI中估算颈动脉速度场，本研究将其简称为PIGN。虽然这些方法能够表示非欧几里得血管形态，但它们往往忽略精细尺度的边界特征，导致在血管壁、分叉和高曲率区域的精度下降。

基于GNN的模型通过将点云建模为节点-边图来建立血管拓扑的结构化框架（Shin等，2019）。该方法能够联合建模局部几何特征和全局血管拓扑，从而为复杂血管解剖中与解剖相关的空间关系提供结构化表示。LAFlowNet（Liu等，2024）利用GNNs预测左心房的流速和压力场，与CFD模拟相比实现了300倍的计算时间缩减。然而，许多现有的GNN架构仍然仅依赖于基于坐标的学习，未能编码曲率、中心线拓扑和壁面距离等关键血管特征。

尽管基于学习的血流动力学建模取得了近期进展，许多现有框架仍然依赖于通用的基于坐标或点云的表示，对血管解剖组织的编码不足。然而，血流动力学行为与血管拓扑、中心线组织、分叉几何、曲率变化和近壁形态密切相关（Beier等，2016；Bollache等，2018）。这些解剖先验对于表征流动分离、二次流、压力梯度和WSS分布至关重要。然而，许多现有的深度学习方法在简化或合成的血管几何结构上进行训练，无法充分保留患者特异性解剖的复杂性（Li等，2021a；Liang等，2020；Zhang等，2023b），而过度简化的边界表示进一步限制了近壁预测精度。缺乏解剖感知的几何先验不仅降低了分叉和高曲率区域的预测保真度，还损害了跨异质血管解剖的泛化能力。因此，具有生理意义的基于图像的血流动力学分析需要显式编码血管拓扑和形态的表示学习策略，而不仅仅依赖于数值场近似。

为了解决这些局限性，我们提出了一种几何引导图编码网络（G3e-Net），用于从基于CTA的解剖表示中实现患者特异性血流动力学预测。在本研究中，CFD导出的速度和压力场被用作监督参考标签；因此，G3e-Net被设计为一种CFD监督的基于图像预测框架，其方法论重点放在解剖表示学习上，而非控制方程的直接数值求解。与主要从空间坐标近似血流动力学场的通用数据驱动代理不同，G3e-Net通过中心线引导的谱图建模、多尺度几何描述子和边界-管腔内特征融合，显式地纳入了患者特异性血管拓扑和形态。这种设计使框架能够编码全局血管拓扑和局部管腔形态，从而实现密集功能预测，将重点从单纯的数值加速转移到基于CTA导出血管解剖的血流动力学信息结构-功能建模。主要贡献总结如下：

- 我们提出了一种双通道图网络，用于基于图像的患者特异性血流动力学评估，能够准确预测复杂三维血管解剖中的速度和压力场。
- 我们在自适应谱图卷积框架中嵌入了具有解剖信息的中心线引导表示和多尺度几何描述子，以保留血管拓扑和形态相关的结构特征，从而提高了跨异质血管解剖的泛化能力。
- 我们开发了一种基于注意力的融合机制，自适应地平衡边界和管腔内表示，捕获多尺度血管细节并提高预测鲁棒性。
- 我们在多中心胸主动脉和颈动脉数据集上，在峰值收缩期和周期平均条件下进行了广泛评估，证明了在预测血流动力学功能生物标志物（包括速度、压力、WSS和涡量）方面相比最先进方法的持续精度提升。

**总体框架**

本研究的目的是开发一种高效的神经网络来处理三维（3D）点云，利用高质量数据集实现血管系统中速度和压力场的快速临床评估。为实现这一目标，我们提出了一种双组件框架，用于有效评估血流动力学参数。如图2所示，我们从三维血管结构中提取几何和解剖特征，并辅以

**G3e-Net性能**

本节展示了G3e-Net在基于CTA数据集上对血管速度和压力场进行三维预测的评估结果。与CFD基准的定性和定量比较表明，G3e-Net能够准确重建跨多种血管几何结构的解剖学真实且方向一致的血液动力学模式。G3e-Net与代表性基线方法进行了比较，包括DSC-Net（Li等，2021a）和PointNet++的层次化

**讨论**

在本文中，我们提出了G3e-Net，一种用于快速患者特异性血管血流动力学预测的几何引导图编码网络。结果表明，纳入显式解剖先验能够提高与CFD导出参考场在不同血管几何结构上的一致性。通过在有向图架构中整合中心线引导的谱编码、多尺度曲率描述子和自适应特征融合，G3e-Net捕获了全局血管拓扑和

**结论**

综上所述，G3e-Net通过将解剖先验纳入基于图的学习架构，提供了一种高效的几何感知框架，用于基于CTA的血管血流动力学评估。通过联合编码中心线拓扑、多尺度曲率和自适应特征融合，该网络提高了复杂血管几何中全局血管连通性、局部壁面形态和近壁流动特征的表示能力。在胸主动脉和颈动脉的评估

**生成式AI和AI辅助技术在稿件准备过程中的声明**

在准备本工作期间，作者使用了ChatGPT-5以完善稿件的语法流畅性和清晰度。在使用该工具/服务后，作者根据需要审查和编辑了内容，并对出版物的内容承担全部责任。

**CRediT作者贡献声明**

Linyu Qin：写作 – 审阅与编辑，写作 – 初稿，可视化，验证，方法论，调查，正式分析，数据管理，概念化；Shuaitong Zhang：写作 – 审阅与编辑，项目管理，方法论，调查，资金获取，概念化；Xuyang Zhang：方法论，调查，正式分析，概念化；Xuehuan Zhang：写作 – 审阅与编辑，正式分析，数据管理；Yuting Yang：写作 – 审阅与

**数据与代码可用性**

本研究使用的数据采集自中国解放军总医院、北京安贞医院和阜外医院。由于机构和国家隐私法规的限制，原始CTA图像和完整的患者特异性临床数据无法公开提供。由于重建的血管几何形状和CFD导出的血流动力学场源自患者特异性图像，这些衍生数据也受到受控访问限制。去标识验证

**伦理声明**

本研究涉及人类受试者，已获北京理工大学医学和实验动物伦理委员会批准（批准号BIT-EC-H-2024152），并按照《赫尔辛基宣言》及适用地方法规进行。

**CRediT作者贡献声明**

Linyu Qin：写作 – 审阅与编辑，写作 – 初稿，可视化，验证，方法论，调查，正式分析，数据管理，概念化。Shuaitong Zhang：写作 – 审阅与编辑，项目管理，方法论，调查，资金获取，概念化。Xuyang Zhang：方法论，调查，概念化。Xuehuan Zhang：写作 – 审阅与编辑，正式分析，数据管理。Yuting Yang：写作 – 审阅与编辑，正式

**利益冲突声明**

作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。

**致谢**

本研究受国家自然科学基金（批准号T2425020）、批准号U23A20484和批准号62576036支持。

Linyu Qin | Shuaitong Zhang | Xuyang Zhang | Xuehuan Zhang | Yuting Yang | Xiaofan Li | Shichao Liang | Yao Xu | Jiang Xiong | Haiyang Li | Yiannis Ventikos | Duanduan Chen