Regresja cech hemodynamicznych do estymacji spadku ciśnienia z ograniczeniami fizycznymi
Kuba Chojnacki
Symulacja obliczeniowej mechaniki płynów (CFD) jest wiodącym podejściem do dokładnego modelowania stanu środowiska fizycznego, np. ciśnienia krwi w układzie sercowo-naczyniowym. Jednakże, ze względu na wysoki poziom szczegółowości symulowanego układu, jakiego wymagają metody CFD, są one zazwyczaj bardzo kosztowne obliczeniowo, co rodzi zapotrzebowanie na rozwiązania wspomagane uczeniem maszynowym. Chociaż metody wykorzystujące uczenie głębokie do estymacji spadku ciśnienia i cząstkowej rezerwy przepływu (FFR) szybko się rozwijają, zmagają się one z potrzebą dostępu do dużych ilości rzadko dostępnych danych rzeczywistych, symulowanych w wielu możliwych scenariuszach, co stanowi wyzwanie z obliczeniowego punktu widzenia. W niniejszej pracy przedstawiamy regresję cech hemodynamicznych (HFR) – metodę estymacji spadku ciśnienia, która poprzez integrację modelowania hemodynamicznego jest w stanie dokonywać generalizacji (uogólnień) z próbek syntetycznych na rzeczywiste. Otrzymane przewidywania spadku ciśnienia testujemy na rzeczywistych geometriach naczyń wieńcowych, porównując je z symulacjami CFD.