基于边界条件编码的BiLSTM的冠脉流场压力实时预测方法研究

目的基于深度学习的冠脉流场预测是冠脉血流动力学研究的热点。然而,目前的研究无法解决不同冠脉解剖结构和边界条件的流场压力快速预测,且依赖于大量的计算资源,临床应用能力有限。本研究基于数据驱动的方法构建冠脉流场深度学习预测模型,实现冠脉流场压力的快速求解。方法使用包含2446支血管分支的265例临床数据进行个性化的稳态冠脉血流动力学模拟。将200例三维血流动力学模拟数据作为训练集,构建边界条件编码的双向长短期记忆递归网络(BEBi LSTM)模型。网络输入边界条件以及冠脉几何结构,实时迭代预测冠脉中心线节点处压力。将剩余的65例数据作为测试集,用于验证模型预测结果的准确性。结果对比BE-Bi LSTM模型预测结果与0D~3D几何多尺度模型模拟的结果,压力预测数值误差在4.53%。以血流储备分数(FFR=0.8)作为心肌缺血诊断阈值,相比于临床实测结果,BE-Bi LSTM预测结果的准确性、敏感性、特异性、阳性预测值、阴性预测值和ROC曲线下面积(AUC)分别为0.89、0.97、0.87、0.90、0.91和0.92,且预测完整冠脉的平均时间在5s以内。结论提出的方法可应用于不同冠脉解剖结构和边界条件的流场压力实时预测,预测结果具有较高的准确性,且无需耗费大量的计算资源,具有显著的临床应用价值。