基于计算流体动力学的血压预测方法，用于通过冠状动脉计算机断层扫描血管造影诊断冠状动脉疾病 Rene Lisasi、 Huan Huang、 William Pei、 Michele Esposito 和 Chen Zhao

《Journal of Imaging》：Computed Fluid Dynamics-Based Blood Pressure Prediction for Coronary Artery Disease Diagnosis Using Coronary Computed Tomography Angiography Rene Lisasi, Huan Huang, William Pei, Michele Esposito and Chen Zhao

　　

摘要

基于计算流体动力学（CFD）的冠状动脉血流仿真为诊断冠状动脉疾病（CAD）提供了宝贵的血流动力学指标，如压力梯度。然而，CFD 计算成本高、耗时较长，且难以集成到大规模临床工作中。这些限制影响了标记血流动力学数据在训练人工智能模型中的可用性，阻碍了非侵入性、基于生理学的 CAD 评估方法的大规模应用。为了解决这些问题，我们开发了一个端到端的流程，该流程能够自动从冠状动脉计算机断层扫描（CCTA）中提取冠状动脉几何结构，优化仿真数据生成，并有效学习冠状动脉血压分布。该流程减少了传统 CFD 工作流程中的手动操作负担，同时产生了高质量的训练数据。此外，我们还引入了一种基于扩散的回归模型——即逆条件扩散（ICD）模型，该模型可以直接从 CCTA 中提取的特征预测冠状动脉血压，从而避免了在推理过程中对计算资源的高需求。所提出的模型在两个 CCTA 数据集上进行了训练和验证，使用的优化器为 Adam，权重衰减为 ，学习率为 ，批量大小为 100，损失函数为 Huber 损失。然后在十个模拟的冠状动脉血流动力学病例的测试集上对该模型进行了评估。实验结果表明，该模型的性能处于行业领先水平。与长短期记忆网络（LSTM）相比，该模型将分数提高了 19.78%，均方根误差（RMSE）降低了 19.44%，归一化均方根误差（NRMSE）降低了 18%；与多层感知器（MLP）相比，该模型将分数提高了 8.38%，RMSE 降低了 4.3%，NRMSE 降低了 5.4%。这项工作为开发一个可扩展、易于使用的基于 CFD 的快速非侵入性血压预测框架奠定了基础，有望支持 CAD 的诊断。