乔治·基萨斯；杨一波；艾琳·胡昂；Walter R.Witschey。；John A.Detre。；巴黎佩迪卡里斯 心血管血流建模中的机器学习：使用物理信息神经网络从非侵入性4D流MRI数据预测动脉血压。 （英语） Zbl 1441.76149号 计算。方法应用。机械。工程师。 358，文章ID 112623，28 p.（2020）. 摘要：计算科学的进步为心血管流量的预测建模提供了一条原则性管道，并希望为监测、诊断和手术规划提供一个有价值的工具。如今，此类模型可以应用于系统动脉网络的大型患者特定拓扑结构，并返回有关流型、壁切应力和脉搏波传播的详细预测。然而，它们的成功在很大程度上依赖于繁琐的预处理和校准程序，这些程序通常会导致巨大的计算成本，从而阻碍了它们的临床应用。在这项工作中，我们提出了一个机器学习框架，可以无缝地合成非侵入性体内测量技术和计算流体动力学模型源自第一物理原理。我们通过展示脉动流的一维模型如何用于约束深层神经网络的输出，从而使其预测满足质量守恒和动量守恒原理，来说明这一新范式。一旦对流动和壁位移的噪声和分散的临床数据进行训练，这些网络就可以返回速度、压力和壁位移脉冲波传播的物理一致性预测，而无需使用传统模拟器。对这些输出进行简单的后处理也可以为估计Windkessel模型参数提供一种相对廉价和有效的方法，这些参数是校准传统计算模型所需的。通过一系列原型基准以及一个涉及以下内容的实际临床案例，证明了所提议技术的有效性体内健康人体主动脉/颈动脉分叉附近的测量。 引用于62文件 MSC公司： 76Z05个 生理流量 68T05型 人工智能中的学习和自适应系统 92立方米 生理流量 92 C55 生物医学成像和信号处理 关键词：深度神经网络；血流建模；脉冲波传播；数据驱动模型；非侵入性诊断 软件：亚当；Seg3D公司；贝叶斯DA；PyTorch公司；阿达格拉德；TensorFlow公司；高斯人 PDF格式BibTeX公司 XML格式引用 \textit{G.Kissas}等人，计算。方法应用。机械。工程358，文章ID 112623，28 p.（2020；Zbl 1441.76149） 全文： 内政部 arXiv公司 参考文献： [1] Rose，G.A。；布莱克本，H。；吉勒姆·R。；Prineas，R.，《心血管调查方法》（1982年），世卫组织：世卫组织，瑞士日内瓦 [2] A.C.卡克。；斯莱尼，M。；王刚，计算机断层成像原理，医学物理。，29, 1, 107 (2002) [3] 哈里斯，M。；辛格，A。；蔡，K。；科根，F。；McGarvey，J。；DeBrosse，C。；兹西多，G.A。；Witschey，W.R。；Koomalsingh，K。；Pilla，J.J.，《心肌肌酸激酶代谢体内定位技术》，《自然医学》，20，2，209（2014） [4] Formaggia，L。；Quarteroni，A。；Veneziani，A.，《心血管数学：循环系统的建模和模拟》（2010），施普林格科学与商业媒体 [5] Figueroa，C.A。；Vignon Clementel，I.E。；Jansen，K.E。；休斯·T·J。；Taylor，C.A.，三维可变形动脉血流建模的耦合动量方法，计算。方法应用。机械。工程，195，41-43，5685-5706（2006）·Zbl 1126.76029号 [6] 雷蒙德，P。；梅伦达，F。；佩伦，F。；Rufenacht，D。；Stergiopulos，N.，全身动脉树一维模型的验证，Amer。《生理学杂志》。心脏循环。生理学。，297，1，H208-H222（2009） [7] 格林伯格，L。；Cheever，E。；阿诺，T。；Madsen，J.R。；Karniadakis，G.，《颅内动脉网络中的血流循环建模：一项3D/1D对比模拟研究》，Ann.Biomed。工程，39，1，297-309（2011） [8] Stefanovska，A.，《人类心血管系统物理学》，康斯坦普。物理。，40, 1, 31-55 (1999) [9] 马云（Ma，Y.）。；Choi，J。；Hourlier-Fargette，A。；薛，Y。；Chung，H.U。；Lee，J.Y。；王，X。；谢，Z。；Kang，D。；Wang，H.，人体动脉血压和脉搏波速度之间的关系，Proc。国家。阿卡德。科学。，115, 44, 11144-11149 (2018) [10] O'Rourke，M.，动脉疾病的力学原理，高血压，26，1，2-9（1995） [11] Chan，C。；Poon，C。；Wong，R.C。；Zhang，Y.，用于连续和长期测量动脉血压的混合体传感器网络，（2007年第四届IEEE/EMBS国际暑期学校和医疗设备和生物传感器研讨会（2007年），IEEE），121-123 [12] Kett-White，R。；Hutchinson，P.J。；Al-Rawi，P.G。；古普塔，A.K。；Pickard，J.D。；Kirkpatrick，P.J.，使用脑氧和微透析探针检测蛛网膜下腔出血后的不良脑事件，神经外科，50，6，1213-1222（2002） [13] Edelstein，W.A。；哈奇森，J.M。；约翰逊，G。；Redpath，T.，自旋扭曲核磁共振成像及其在人体全身成像中的应用，Phys。医学生物学。，25, 4, 751 (1980) [14] 安提瓜，L。；Piccinelli，M。；博蒂，L。；Ene-Iordache，B。；雷穆齐，A。；Steinman，D.A.，基于图像的患者特异性计算血液动力学建模框架，医学生物学。工程计算。，46, 11, 1097 (2008) [15] 尤什凯维奇，P.A。；Piven，J。；Hazlett，H.C。；史密斯，R.G。；Ho，S。；Gee，J.C。；Gerig，G.，《解剖结构的用户引导三维主动轮廓分割：显著提高效率和可靠性》，《神经影像》，31，3，1116-1128（2006） [16] CIBC，P.A.，Seg3D：体积图像分割与可视化（2016），科学计算与成像研究所（SCI），下载地址：网址：http://www.seg3d.org [17] 阿索利德，R。；马克瓦尔德，T.-M。；Nornes，H.，基底脑动脉血流速度的无创经颅多普勒超声记录，神经外科杂志，57，6，769-774（1982） [18] 米切尔，G.F。；van Buchem，医学硕士。；Sigurdsson，S。；Gotal，J.D。；Jonsdottir，M.K。；澳大利亚克雅坦松。；加西亚，M。；Aspelund，T。；哈里斯·T·B。；Gudnason，V.，《动脉硬度、压力和血流脉动与大脑结构和功能：年龄、基因/环境敏感性——雷克雅未克研究》，《大脑》，134，11，3398-3407（2011） [19] 马克尔，M。；Frydrychowicz，A。；科泽克，S。；霍普，M。；O.Wieben，4D流MRI，J.Magn。Reson公司。成像，36，5，1015-1036（2012） [20] Plein，S。；布鲁默，T.N。；里奇韦，J.P。；琼斯·T·R。；班布里奇，G.J。；Sivananthan，M.U.，心脏的稳态自由进动磁共振成像：与分段k空间梯度回波成像的比较，J.Magn。Reson公司。成像官J.Int.Soc.Magn。Reson公司。《医学》，第14期，第3期，第230-236页（2001年） [21] 巴克，A.T。；Jalinous，R。；Freeston，I.L.，人类运动皮层的非侵入性磁刺激，《柳叶刀》，32584371106-1107（1985） [22] 乌尔基扎，S。；布兰科，P。；维内尔，M。；Feijóo，R.，颈动脉血流的多维建模，计算机。方法应用。机械。工程师，195，33-36，4002-4017（2006）·Zbl 1178.76395号 [23] Sherwin，S。；弗兰克，V。；佩罗，J。；Parker，K.，时空变量中血管网络的一维建模，J.Eng.Math。，47, 3-4, 217-250 (2003) ·Zbl 1200.76230号 [24] 马提斯，K.S。；阿拉斯特鲁伊，J。；佩罗，J。；Khir，A.W。；Segers，P。；Verdonck，P.R。；帕克·K·H。；Sherwin，S.J.，《人体动脉网络模型中的脉搏波传播：针对体外测量的一维数值模拟评估》，J.Biomech。，40, 15, 3476-3486 (2007) [25] Revie，J.A。；史蒂文森，D.J。；蔡斯，J.G。；Hann，C.E。；兰伯蒙特，公元前。；Ghuysen，A。；科尔，P。；Shaw，G.M。；赫尔德曼，S。；Desaive，T.，《来自猪测量的受试者特定心血管系统模型的验证》，计算。生物识别方法程序。，109, 2, 197-210 (2013) [26] 陈，P。；Quarteroni，A。；Rozza，G.，《基于模拟的人类动脉网络血流动力学不确定性量化》，国际期刊数字。方法生物识别。工程，29，6，698-721（2013） [27] 北卡罗来纳州韦斯特霍夫。；兰卡，J.-W。；韦斯特霍夫，B.E.，《温克塞尔动脉》，《医学生物学》。工程计算。，47、2、131-141（2009），网址https://doi.org/10.1007/s11517-008-0359-2 [28] 格林伯格，L。；Karniadakis，G.E.，《具有多个出口的动脉网络的流出边界条件》，Ann.Biomed。工程，36，9，1496-1514（2008） [29] Olufsen，M.S.，全身大动脉血流的结构化树流出条件，Amer。《生理学杂志》。心脏循环。生理学。，276，1，H257-H268（1999） [30] 佩迪卡里斯，P。；格林伯格，L。；Karniadakis，G.E.，《模拟大动脉网络中血流的有效分形树闭合模型》，Ann.Biomed。Eng.，43，6，1432-1442（2015），网址https://doi.org/10.1007/s10439-014-1221-3 [31] 莱斯，M。；佩迪卡里斯，P。；Karniadakis，G.，《基于物理的神经网络：解决非线性偏微分方程正问题和逆问题的深度学习框架》，J.Compute。物理。，378, 686-707 (2019) ·Zbl 1415.68175号 [32] 莱斯，M。；佩迪卡里斯，P。；Karniadakis，G.E.，使用高斯过程的线性微分方程的机器学习，计算机。物理。，348, 683-693 (2017) ·Zbl 1380.68339号 [33] 杨，Y。；Perdikaris，P.，《物理信息神经网络中的对抗不确定性量化》，J.Compute。物理。，394, 136-152 (2019) ·Zbl 1452.68171号 [34] Zhu，Y。；Zabaras，N.，《替代建模和不确定性量化的贝叶斯深度卷积编解码网络》，J.Compute。物理。，366, 415-447 (2018) ·Zbl 1407.62091号 [35] 雷蒙德，P。；Bohraus，Y。；佩伦，F。；拉泽拉斯，F。；Stergiopulos，N.，全身动脉树患者特定一维模型的验证，Amer。《生理学杂志》。心脏循环。生理学。，301、3、H1173-H1182（2011） [36] Sherwin，S。；Formaggia，L。；佩罗，J。；Franke，V.，具有可变机械特性的一维血流计算模型及其在人类动脉系统中波传播模拟中的应用，国际。J.数字。液体方法，43，6-7，673-700（2003）·Zbl 1032.76729号 [37] Lamponi，D.，《血流循环的一维和多尺度模型技术》。代表（2004），EPFL [38] 莱斯，M。；佩迪卡里斯，P。；Karniadakis，G.E.，《物理学指导的深度学习（第一部分）：非线性偏微分方程的数据驱动解》（2017），arXiv预印本arXiv:1711.10561 [39] 莱斯，M。；佩迪卡里斯，P。；Karniadakis，G.E.，《物理学为基础的深度学习》（第二部分）：非线性偏微分方程的数据驱动发现（2017），arXiv预印本arXiv:1711.10566 [40] 塔塔科夫斯基，A.M。；马里罗，哥伦比亚特区。；塔塔科夫斯基，D。；巴拉哈斯·索拉诺（Barajas-Solano），D.，《学习参数和与物理相关的深层神经网络的本构关系》（2018），arXiv预印本arXiv:1808.03398 [41] 肖，N。；阿拉斯特鲁伊，J。；Alberto Figueroa，C.，顺应性动脉模型中1-D和3-D血流动力学的系统比较，国际期刊数字。方法生物识别。工程，30，2，204-231（2014） [42] Stein，M.，使用拉丁超立方体采样的模拟大样本特性，技术计量学，29，2，143-151（1987）·Zbl 0627.62010号 [43] Paszke，A。；毛重，S。；钦塔拉，S。；Chanan，G。；杨，E。；德维托，Z。；林，Z。；Desmaison，A。；安提瓜，L。；Lerer，A.，《pytorch中的自动区分》（2017） [44] M.阿巴迪。；巴勒姆，P。；陈，J。；陈，Z。；A.戴维斯。；迪安·J。；德文，M。；Ghemawat，S。；欧文，G。；Isard，M.，Tensorflow:大规模机器学习系统，（OSDI，第16卷（2016）），265-283 [45] Cockburn，B。；Karniadakis，G.E。；Shu，C.-W.，《间断Galerkin方法：理论、计算和应用》，第11卷（2012年），施普林格科学与商业媒体 [46] Ruder，S.，梯度下降优化算法概述（2016），arXiv预印本arXiv:1609.04747 [47] 金玛，D.P。；Ba，J.，Adam：随机优化方法（2014），arXiv预印本arXiv:1412.6980 [48] 杜奇，J。；哈赞，E。；Singer，Y.，在线学习和随机优化的自适应次梯度方法，J.Mach。学习。2011年7月12日第2121-2159号决议·Zbl 1280.68164号 [49] X.Glrot，Y.Bengio，《理解深度前馈神经网络训练的困难》，载《第十三届国际人工智能与统计会议论文集》，2010年，第249-256页。 [50] Famiglietti，J。；Wood，E.，空间可变水和能量平衡过程的多尺度建模，水资源。研究，30，11，3061-3078（1994） [51] LeCun，Y.A。；博图，L。；Orr，G.B。；Müller，K.-R.，《高效反向支持》（Neural Networks:Tricks of the Trade，2012），施普林格出版社，9-48 [52] 段木，Z。；Chen，W。；高，H。；Yang，X.先生。；罗，X。；Hill，N.A.，冠状动脉树的一维血流动力学模型，Front。生理学。，10（2019） [53] 奥德伯特，C。；Bucur，P。；维伯特，E。；杰布·J·F。；Vignon Clementel，I.，闭环心血管系统模型和部分肝切除模拟（2015） [54] 阿拉斯特鲁伊，J。；摩尔，S。；Parker，K。；大卫，T。；佩罗，J。；Sherwin，S.，《大脑循环中血液流动的简化模型：耦合1-D、0-D和大脑自动调节模型》，国际期刊Numer。《液体方法》，56，8，1061-1067（2008）·兹比尔1131.92021 [55] 伊斯梅尔，M。；Wall，W.A。；Gee，M.W.，针对特定患者血管模型的windkessel参数的基于辅助的反演分析，J.Compute。物理。，244, 113-130 (2013) ·兹比尔1377.76044 [56] Spilker，R.L。；Taylor，C.A.，调整多区域血液动力学模拟以匹配生理测量，Ann.Biomed。工程师，38，8，2635-2648（2010），网址https://doi.org/10.1007/s10439-010-0011-9 [57] Spilker，R.L。；Feinstein，J.A。；D.W.帕克。；雷迪，V.M。；Taylor，C.A.，《基于形态计量学的肺动脉血流患者特定建模阻抗边界条件》，Ann.Biomed。工程师，35，4，546-559（2007），网址https://doi.org/10.1007/s10439-006-9240-3 [58] Yu，Y.-C。；波士顿，J.R。；医学硕士Simaan。；Antaki，J.F.，人工心脏控制系统血管床参数估计，IEEE Trans。自动化。控制，43，6，765-778（1998） [59] 长裤，S。；Fabrèges，B。；杰布·J·F。；Vignon Clementel，I.，《针对患者的多尺度CFD模拟的方法学范式：从临床测量到个体分析的参数估计》，国际数值杂志。方法生物识别。工程师，30，12，1614-1648（2014） [60] Schiavazzi，D.E。；Baretta，A。；Pennati，G。；夏，T.-Y。；Marsden，A.L.，《不确定条件下单心室集总循环模型中患者特定参数的估计》，国际期刊数值。方法生物识别。工程，33，3，文章e02799 pp.（2017） [61] 佩迪卡里斯，P。；Karniadakis，G.E.，《一维血流模型中的分数阶粘弹性》，《生物医学年鉴》。工程师，42，5，1012-1023（2014），网址https://doi.org/10.1007/s10439-014-0970-3 [62] Fossan，F.E。；Mariscal-Harana，J。；阿拉斯特鲁伊，J。；Hellevik，L.R.，一维动脉血流模型拓扑复杂性的优化，J.R.Soc.Interface，15，149，20180546（2018） [63] 拉斯穆森，C.E.（Bousquet，O.；von Luxburg，U。；Rätsch，G.，机器学习中的高斯过程。机器学习中的高斯过程，ML暑期学校2003，澳大利亚堪培拉，2003年2月2日至14日，德国图宾根，2003年8月4日至16日，修订讲座。机器学习中的高斯过程。机器学习中的高斯过程，2003年2月2日至14日，澳大利亚堪培拉ML暑期学校，2003年8月4日至16日，德国TüBingen，2003年，修订讲座，机器学习高级讲座（2004），斯普林格-柏林-海德堡：斯普林格–柏林-海德堡-柏林，海德堡），63-71，URLhttps://doi.org/10.1007/978-3-540-28650-9_4 ·Zbl 1120.68436号 [64] Rudy，S.H。；库茨，J。；Brunton，S.L.，《动力学的深度学习和带时间步进约束的信号噪声分解》（2018），arXiv预印本arXiv:1808.02578 [65] Lakshminarayanan，B。；Pritzel，A。；Blundell，C.，使用深度集成进行简单且可扩展的预测不确定性估计，（神经信息处理系统进展（2017）），6402-6413 [66] 奥斯班德，I。；Aslanides，J。；Cassirer，A.，深度强化学习的随机先验函数，（神经信息处理系统进展（2018）），8617-8629 [67] Gelman，A。；Carlin，J.B。；斯特恩，H.S。；邓森，D.B。；Vehtari，A。；Rubin，D.B.，贝叶斯数据分析（2013），Chapman和Hall/CRC [68] 杨，Y。；Perdikaris，P.，Physics-informed deep generative models（2018），arXiv预印本arXiv:1812.03511 [69] Zhu，Y。；北卡罗来纳州扎巴拉斯。；Koutsourelakis，P.-S。；Perdikaris，P.，《无标记数据的高维代理建模和不确定性量化的物理约束深度学习》（2019年），arXiv预印本arXiv:1901.06314·Zbl 1452.68172号 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。