Development of high-resolution hemodynamic biomarker calculation method for cerebral aneurysms using 4D-Flow and deep learning

点击翻译按钮获取中文摘要

本研究の目的は、深層学習を用いた人工知能（AI）を用いて脳動脈瘤の磁気共鳴流体解析(MRFD)結果の速度ベクトルのノイズを低減し、計算流体解析 (CFD)に匹敵する精度を持つ結果に変換することである。初めに、空間2次元ノイズ低減モデルを開発した。このモデルでは、CFDで得られた脳動脈の3方向速度ベクトルデータを正解データ、このデータにMRFDを模倣したノイズを加えたデータを入力データとして作成した教師データを、ノイズ除去モデルWin5-RBに学習させた。モデルの精度検証には、2種類のテストデータを用いた。1つは、CFDにノイズを加えることで作成した疑似MRFDデータ、もう１つは、実際のMRFDデータを用いた。その結果、定性的・定量的に、ベクトルに影響を及ぼすノイズが低減可能である深層学習モデルが開発できた。しかし、壁剪断応力 (wall shear stress, WSS) において、収縮期でノイズ低減が不十分であった。これは、流速の高い収縮期や、流速の低い拡張期の違いをモデルが学習できていないことが原因であると推測された。次に、収縮期のWSSに影響を及ぼすノイズの低減を目指すため、空間2次元に時間の要素を加えた3次元ノイズ低減モデルを開発した。2次元ノイズ低減モデルの教師データに時間変化を追加することで、教師データを作成した。このデータを、ノイズ除去モデルWin5-RBに学習させ、深層学習モデルを作成した。2次元ノイズ低減モデルと同様に精度検証を行った結果、定性的・定量的に、ベクトルに影響を及ぼすノイズの低減が可能であり、さらに収縮期のWSSのノイズ低減も可能な深層学習モデルを開発できた。また、Physics informed neural networks を用いた高空間分解能高精度の深層学習モデル開発も現在並行して研究中である。