Physics-Guided Neural Networks for Intraventricular Vector Flow Mapping

本研究提出了利用物理知识神经网络（PINNs）和基于物理引导的nnU-Net监督方法的新型方案，以增强和量化心脏成像中的彩色多普勒。通过对来自特定患者计算流体动力学模型和体内多普勒采集的模拟彩色多普勒图像进行严格评估，这两种方法均表现出与原始iVFM算法相当的重建性能。PINNs的效率通过双阶段优化和预优化权重得到提高。另一方面，nnU-Net方法在泛化能力和实时性方面表现出色。值得注意的是，nnU-Net在稀疏和截断多普勒数据上表现出优越的稳健性，同时保持独立于显式边界条件。总体而言，我们的结果突出了这些方法在重建心室矢量血流方面的有效性。该研究还提出了利用流体动力学方程派生基于血流的心血管疾病生物标志物和在超快速彩色多普勒成像中应用PINNs的潜在应用。

本文旨在通过利用物理引导的神经网络（PINN）和基于nnU-Net的监督方法提出新的替代方案，以增强和量化心脏成像中的彩色多普勒。研究旨在重建心脏内部向量血流，解决心血管疾病诊断中的问题。

本文提出的两种方法（PINN和nnU-Net）均能够实现与原始iVFM算法相当的重建性能。其中，PINN方法通过双阶段优化和预优化权重提高了效率，而nnU-Net方法则在稀疏和截断多普勒数据方面表现出卓越的鲁棒性和实时性能。

本文使用了基于患者特异性计算流体动力学模型的模拟彩色多普勒图像和体内多普勒采集数据集进行了严格的评估。实验结果表明，本文提出的方法在重建心脏内部向量血流方面具有很大的潜力，并且可以用于心血管疾病的生物标志物研究。文章还提出了使用PINNs进行超快速彩色多普勒成像的可能性。

最近的相关研究包括使用深度学习算法进行心脏图像分割和分类的研究，如“Cardiac MRI Segmentation using Multi-View Convolutional Neural Networks”和“Cardiac MRI classification using machine learning and deep learning methods”。