基于流体粒子浓度和Physics-informed Point-Net的冠脉流场速度快速预测方法研究

目的传统计算流体动力学(CFD)方法求解流场效率低下。流场的快速求解方法是近年来的热点和前沿问题,尤其对于不同边界条件的流场快速求解,目前尚没有很好的解决方案。依据浓度扩散定理,流体速度与粒子浓度具有密切相关性,依据流场粒子的浓度有望准确反衍求解流场速度。方法本研究临床收集了205例冠心病患者的冠状动脉CTA图像,重建其3D血管几何模型;分别在流场中设置血液和造影剂两种流体材料,模拟造影剂在血液中的流动,提供粒子浓度信息;为不同模型施加11种不同的入口流速和生理压力边界条件,共进行了2255例CFD仿真,作为深度学习模型训练和测试样本;设计了双路径的Physics-informed Point-Net(PIPN)卷积神经网络。网络的双路径分别输入冠脉模型3D点云和流场内造影剂粒子浓度3D点云,并在网络中编码浓度扩散定理,利用造影剂浓度和流体速度的关系加速驱动神经网络计算收敛,实现不同边界条件下流场速度的精准预测。结果结果显示,造影剂浓度和流体速度呈现非常好的相关性(r=0.94,P<0.001)。相比于CFD计算结果,利用PIPN对255例测试集的流场速度预测结果误差小于5%,并且计算时间小于10 s/例。结论本研究提出的PIPN模型可实现不同边界条件的流场速度快速求解,对于CFD走向临床和实际工程应用具有重要的技术价值。