机构名称：
¥ 1.0
背景心血管疾病包括包括动脉粥样硬化的全球崛起，对准确的诊断工具的需求很高，可以在短暂咨询中使用。异常的血流模式是动脉粥样硬化病变位置，进展和斑块破裂的有力预测指标。特定于患者的血流模式通常是从基于3D成像的计算流体动力学获得的。但是，高计算成本使这些方法不切实际。在这里，我们提出了一种新方法，以加快数据还原（POD和T-SNE）和深度学习的组合加快3D速度场的重新构造。方法和结果我们开发了一种半自动管道，该管道产生了从动脉粥样硬化的猪冠状动脉（n = 7）获得的大型数据集（n = 3,500）（n = 3,500），以在经典方式（带有Abaqus）的方式中以数值模拟的血液。然后使用此数据集生成一个大的协方差矩阵，该矩阵被奇异值分解以获得“ eigen”模式，其中选择了五种模式以表示> 90％的信号能量。接下来，使用T-SNE降低了〜110,000个节点的网格。然后使用还原的数据集来训练一组神经网络，该神经网络准确地预测了看不见的动脉几何形状中的血流模式（> 95％）。新方法能够重现冠状动脉中的3D速度场及其衍生物（压力，WSS）的速度比以前快200倍。结论CFD天生就太慢了，无法在临床决策中具有重要意义。利益冲突没有在这里，我们提出了一种新的基于物理的技术，该技术能够在一分钟内在人类冠状动脉中产生3D生物力学图。
摘要
主要关键词
相关文件推荐
