录用日期: 2024-11-20
摘要:
目的 使用基于物理信息神经网络(physics-informed neural network, PINN)的模型预测颅内动脉瘤血流动力学,解决传统计算流体力学(computational fluid dynamics, CFD)仿真耗时长、计算成本高的问题。方法 仅使用临床患者的CFD数据中的计算域坐标和稀疏速度测量点训练PINN模型,并比较PINN模型预测的血流速度、压力和壁剪切应力(wall shear stress, WSS)与CFD仿真结果的差异。结果 该方法在四个不同患者的数据上进行了测试与验证,模型在速度预测中的平均绝对误差(平均MAE)为4.60%,平均均方误差(平均MSE)为6.61% 和平均均方误差(平均MSE)为0.229%。对于WSS预测,平均MAE为5.54%,平均MRE为8.58%,平均MSE为0.510%。PINN模型在不同动脉瘤模型上有较好的泛化性,且能将血流动力学的计算时间从数小时压缩至数秒。结论 PINN模型能够在边界条件未知且测量数据稀疏的情况下,通过物理约束有效地补偿不完整的测量信息,快速并准确模拟颅内动脉瘤的血流动力学情况。该方法有望在颅内动脉瘤临床风险预测中提供有效的辅助支持。