Estimating blood flow is important for diagnosing cardiovascular disease functionally. Blood flow can be measured non-invasively using medical image data or invasively by inserting medical devices into the arteries of interest. Medical image data often utilizes contrast to enhance the intensity of blood and due to the advection and diffusion of the injected contrast by blood motion, we can estimate blood flow inversely by measuring the motion of the contrast. We estimate blood flow by extracting the agent concentration from patient-specific contrast-based medical image data and solving an inverse problem of advection-diffusion and mass conservation equations using machine learning methods. The measured concentration values from medical image data is insufficient for data-driven machine learning techniques. We develop a data-efficient deep learning method by adding constraints based on the governing equations. We formulate an advection-diffusion equation for agent propagation in idealized one-dimensional flow conditions. The mass conservation is formulated with an outflow function to model flow distribution to bifurcating vessels. The derived system of equations is solved using a physics-informed neural network (PINN) whereby the agent concentration function of a neural network is constrained by extracted agent concentration values. This approach is mesh-free and both forward differentiation required for derivative terms for the governing equation and the backpropagation for optimization are performed by automatic differentiation. Finally, we will construct an end-to-end machine learning pipeline that performs direct concentration extraction from angiography data followed by flow estimation. To evaluate the developed methods, we will perform a validation study by solving three-dimensional advection-diffusion equations on ideal geometries and compare estimated flow values against the assigned ones.
혈류를 추정하는 것은 심혈관 질환을 기능적으로 진단하는 데 중요합니다. 의료 영상 데이터를 사용하여 비침습적으로 또는 관심 있는 동맥에 의료 기기를 삽입하여 혈류를 측정할 수 있습니다. 의료 영상 데이터는 종종 조영제를 활용하여 혈액의 강도를 높이며 혈액 움직임에 의해 주입된 조영제의 가류 및 확산으로 인해 조영제의 움직임을 측정하여 혈류를 역으로 추정할 수 있습니다. 저희는 환자별 조영제 기반 의료 영상 데이터에서 에이전트 농도를 추출하고 기계 학습 방법을 사용하여 이류-확산 및 질량 보존 방정식의 역 문제를 해결하여 혈류를 추정합니다. 의료 영상 데이터에서 측정된 농도 값은 데이터 기반 기계 학습 기술에 충분하지 않습니다. 저희는 지배 방정식을 기반으로 제약 조건을 추가하여 데이터 효율적인 딥 러닝 방법을 개발합니다. 저희는 이상적인 1차원 흐름 조건에서 에이전트 전파를 위한 이류-확산 방정식을 공식화합니다. 질량 보존은 분기 혈관에 대한 흐름 분포를 모델링하는 유출 함수로 공식화됩니다. 도출된 방정식 시스템은 추출된 에이전트 농도 값으로 신경망의 에이전트 집중 함수가 제한되는 물리 정보 신경망(PINN)을 사용하여 해결됩니다. 이 접근 방식은 메쉬가 없으며 지배 방정식에 대한 도함수에 필요한 전방 미분과 최적화를 위한 역전파 모두 자동 미분에 의해 수행됩니다. 마지막으로 혈관 조영 데이터에서 직접 농도 추출을 수행한 후 흐름 추정을 수행하는 종단 간 기계 학습 파이프라인을 구성할 것입니다. 개발된 방법을 평가하기 위해 이상적인 기하학에 대한 3차원 이류-확산 방정식을 해결하여 검증 연구를 수행하고 추정된 흐름 값을 할당된 흐름 값과 비교할 것입니다.
