Hemo-MPO：一种用于血流动力学预测的基于网格的物理信息算子网络

《Alexandria Engineering Journal》：Hemo-MPO: A mesh-based physics-informed operator network for hemodynamics prediction

　　

为解决血流动力学预测中精度与计算效率之间的长期权衡问题，本研究提出Hemo-MPO——一种基于网格的物理信息算子网络。现有方法常难以处理复杂血管几何、泛化能力有限且计算成本高，亟需更稳健的方案。Hemo-MPO集成三个核心模块：用于捕捉血管结构的SE(3)-等变基于网格的几何编码器(Mesh-based Geometry Encoder, MGE)；用于保证物理一致性的分数阶物理信息神经网络(fractional Physics-Informed Neural Network, fPINN)；以及用于高效实现从几何到血流动力学参数映射的基于DeepONet的算子学习解码器。在BDFE和Aneumo数据集上的实验表明，Hemo-MPO相比基准模型将预测精度提升18%–22%，同时保持实时能力。置信区间分析与统计检验证实了改进的稳定性和显著性。消融实验进一步凸显了各模块对整体性能不可或缺的贡献。结果表明，Hemo-MPO为血流模拟提供了一个精确、物理一致且计算高效的框架，在临床与科研场景中具有潜在应用价值。

Hemo-MPO论文解读

研究背景与意义

血流动力学预测是心血管疾病诊疗中的核心课题，血压、流速、壁面剪应力等参数是评估血管健康、预测疾病进展及制定治疗方案的关键。传统方法以计算流体力学（Computational Fluid Dynamics, CFD）为代表，虽可给出高精度血流预测，但面临计算成本高、耗时长、难处理复杂几何结构等瓶颈，难以满足临床实时性需求。

近年来，深度学习逐渐应用于此领域：卷积神经网络（Convolutional Neural Network, CNN）和循环神经网络（Recurrent Neural Network, RNN）在图像分割与时序预测上有一定成效，但在复杂流场建模、梯度消失及长时依赖方面存在局限；物理信息神经网络（Physics-Informed Neural Network, PINN）通过嵌入控制方程提升鲁棒性与泛化能力，却在多维复杂血管几何中受限于可扩展性、几何灵活性与泛化能力；图神经网络（Graph Neural Network, GNN）、生成对抗网络（Generative Adversarial Network, GAN）亦分别面临多物理场耦合与稳定性的问题。

为兼顾精度、物理一致性与计算效率，研究人员设计了Hemo-MPO（Hemodynamics Prediction via Mesh-based Physics-informed Operator Network），相关工作发表于《Alexandria Engineering Journal》。

关键技术方法概览

研究人员以血管三角网格为几何输入，构建三模块协同框架：

1）基于网格的几何编码器（Mesh-based Geometry Encoder, MGE）：采用SE(3)-等变图神经网络（SE(3)-Equivariant GNN），以血管树网格为输入，通过图卷积逐节点/边提取局部几何并聚合全局形态，保证旋转平移不变性，输出几何嵌入向量。

2）分数阶物理信息约束模块（fPINN模块）：将生理边界条件（入口流波形、出口压力）与几何嵌入融合，以Caputo分数阶导数（阶数α∈(0,1)）刻画血液与管壁的黏弹性记忆效应，将分数阶Navier–Stokes方程与分数阶Windkessel模型作为软约束嵌入训练。

3）算子学习解码器（Operator Learning Decoder）：基于DeepONet，分支网络编码几何+边界条件函数，主干网络编码时空坐标，通过内积近似解算子G(u)(y)，实现从几何/边界到速度场、压力场、壁面剪应力的快速全場预测。

实验在BDFE（脑血流4D Flow MRI，150+样本）与Aneumo（动脉瘤三维几何+CFD模拟，100+样本）两个数据集上开展，严格按患者划分训练/验证集以防数据泄漏，采用PyTorch 2.1.0、双RTX 4090、混合精度与分布式并行，优化器为AdamW，损失为数据拟合+分数阶PDE残差加权和。

研究结果

4.1 数据集

BDFE提供不同脑区4D Flow MRI数据，适合预测脑血流动力学；Aneumo提供动脉瘤几何及对应CFD高保真解（速度、压力、壁面剪应力）。预处理含去噪、空间对齐、归一化、网格生成、变量筛选及患者级分离，保证可复现性。

4.2 实验细节

硬件：2×NVIDIA RTX 4090(24 GB)、64 GB RAM、1 TB NVMe SSD；软件：Ubuntu 22.04、PyTorch 2.1.0、CUDA 12.1。训练重复5次同划分以算置信区间与标准差；初始学习率1×10^?3阶梯衰减（每10轮×0.1），最终批次64、学习率1×10^?4、80轮；物理损失加权平衡Dirichlet/Neumann边界。

4.3 评估指标

研究人员选用：终点误差（End-Point Error, EPE）、归一化平均绝对误差（Normalized Mean Absolute Error, NMAE）、决定系数（R²）、时间平均壁面剪应力（Time-Averaged Wall Shear Stress, TAWSS）、振荡剪切指数（Oscillatory Shear Index, OSI），从矢量场精度、多物理量误差、方差解释、血管壁负荷与动脉硬化风险角度综合评估。

4.4 对比实验与分析

在BDFE与Aneumo上，Hemo-MPO全面优于LaB-GATr、MeshGraphNet、PointNet++、PINN、VNet及DeepONet/FNO等近期基线：

• •
  BDFE上，EPE较LaB-GATr降约24%（12.8 vs 16.8 mm/s），NMAE较MeshGraphNet降约45%（0.052 vs 0.094），R²较PointNet++升28%（0.91 vs 0.72），TAWSS较MeshGraphNet改善15%–25%，OSI较PointNet++与PINN改善约30%（0.10 vs 0.17/0.18）。
• •
  Aneumo上，EPE较PINN降约62%（12.7 vs 35.0 mm/s），NMAE较LaB-GATr降31%（0.050 vs 0.078），R²较MeshGraphNet升10.9%（0.92 vs 0.83），TAWSS与OSI分别较PointNet++改善约20%与25%。
  置信区间更窄、配对t检验p<0.05，表明提升稳定且显著。

4.5 消融实验与分析

单模块移除：

• •
  无MGE：EPE升约18.75%，NMAE升17.31%，R²降3.30%，说明几何嵌入对速度场与多物理量预测关键。
• •
  无fPINN：EPE升32.03%，NMAE升38.46%，R²降6.59%，显示分数阶物理约束对一致性及长程依赖至关重要。
• •
  无DeepONet：EPE升43.75%，NMAE升63.46%，R²降10.99%，TAWSS/OSI明显退化，证实算子学习在几何→物理场映射中不可替代。

多模块组合移除进一步放大退化：同时去MGE+fPINN致EPE+35%、NMAE+27%、R²?7.7%；去MGE+DeepONet致EPE+50%、NMAE+35%、R²?11.2%；三者全去致EPE+56%、NMAE+43%、R²?15.4%，印证三模块协同增效。

讨论与结论（翻译/浓缩）

5.1 关键发现

研究人员提出Hemo-MPO——一种用于血流动力学预测的基于网格的物理信息算子网络。通过网格几何编码器(MGE)、分数阶物理信息神经网络(fPINN)与DeepONet解码器三者结合，框架在深度学习框架下融合几何、物理与时空特征。物理信息约束与算子学习协同，在保持物理一致性与实时性的同时实现高精度血流预测。模块化设计可灵活适配多样血流问题，提升临床可行性与稳定性。

实验显示Hemo-MPO较常规基准模型总体性能提升约18%–22%，在精度与稳定性上显著改善；推理耗时远低于CFD而保真度接近；单/多模块消融验证了各部件不可或缺及模块间协同效应。综上，Hemo-MPO在复杂血管网络中有效平衡精度、效率与物理一致性。

5.2 研究局限

SE(3)-等变网格几何编码器提升复杂结构精度但增加计算；模型跨生理条件与罕见血管形态的泛化需进一步评估；更大规模血管网络的实时性表现可能波动，临床部署或需优化；分数阶参数α虽具生理解释，但个体化调参可能抬高大规模应用门槛。

5.3 未来建议

后续可在更广生理/疾病场景中验证以强化泛化；探索更简几何编码器或混合架构以权衡效率与精度；拓展至动脉硬化风险评估、血管健康监测或实时临床决策支持等生物医学领域；持续优化使Hemo-MPO演进为稳健、高效、可落地的血流动力学预测工具。