一种基于残差多尺度注意力生成对抗网络的颅内动脉瘤血流动力学预测方法OA

目的颅内动脉瘤是一种严重威胁患者生命安全的疾病,其速度、压力和涡量的血流动力学预测对于诊断和治疗具有重要的临床意义。计算流体力学(computational fluid dynamics,CFD)能够有效地模拟血流动力学特征,但其计算成本较高。为此本文建立一种新型的深度学习架构,用于快速预测颅内动脉瘤的血流动力学。方法基于210例颅内动脉瘤患者的形状数据进行计算流体力学模拟,并根据计算结果构建压力、速度和涡量数据库。设计了一种结合了残差-挤压激励-模块(Res-SEBlock)和多尺度注意块(multi-scale attention block,MAB)的残差多尺度注意力生成对抗网络(residual multi-scale attention generative adversarial network,RMAGAN),基于动脉瘤的形状信息来进行压力、速度和涡量的血流动力学预测。生成器采用了残差多尺度U-Net架构,用以提高网络的性能和预测能力,判别器采用了马尔可夫判别器,来提高网络的运行速度,损失函数结合了CGAN的损失函数与Smooth损失函数。最后使用均方根误差(root mean square error,RMSE)、归一化平均绝对误差(normalized mean absolute error,NMAE)和皮尔逊相关系数(r)指标对本文的深度学习模型进行评估,同时与多层感知机和卷积神经网络进行了比较。结果深度学习模型的预测结果与计算流体力学模拟的速度、压力和涡量非常吻合,两种方法的相似度和准确性达到RMSE<0.2804,NMAE<12.5096%,r>0.8153,同时减少了1500倍的计算成本。结论本文的深度学习模型能够进行血流动力学的快速预测,并且大幅降低计算成本,为血流动力学模拟提供了一种全新的解决思路,在颅内动脉瘤的临床诊断和治疗研究中具有潜力。