一种血流流场计算方法、装置、计算机设备及存储介质与流程

本技术属于医疗信息，特别涉及一种血流流场计算方法、装置、计算机设备以及存储介质。

背景技术：

1、随着人口老龄化的加剧及城镇化进程的加速，中国心脑血管疾病的患病率和发病率逐年提高，目前，心脑血管疾病已成为危害人类生命健康的主要疾病之一。心脑血管疾病与血管结构及其血流动力学因素有着密切的联系，如壁面剪切力是影响动脉粥样硬化的一个重要因素，血管产生动脉粥样硬化的部位剪切力往往偏低、压力则偏大。血管发生病变的区域通常都具有特殊的血流动力学条件，在这些区域，血流的速度和压力以及血管壁面剪切力的变化等都可能造成血管的局部生理变化。因此，深入了解人体血管内的血流动力学，对于研究心脑血管的生理病变十分有必要。

2、现有技术，对于血流动力学的流场计算方式主要包括以下三种：

3、1.传统数值模拟方法；该方法使用有限体积或有限元方法以离散形式求解偏微分方程系统，需要生成大量的网格，模拟计算繁琐，且效率低下，无法实现心脑一体的精细化模拟；

4、2.深度学习方法；该方法需要大量的训练数据，泛化能力(即可解释性)较差；

5、3.基于物理信息的神经网络；该方法通过将物理信息作为约束条件嵌入到网络损失函数的设计中，但无法处理复杂的血流流场，相关的架构设计和实验验证仍然匮乏。

技术实现思路

1、本技术提供了一种血流流场计算方法、装置、计算机设备以及存储介质，旨在至少在一定程度上解决现有技术中的上述技术问题之一。

2、为了解决上述问题，本技术提供了如下技术方案：

3、一种血流流场计算方法，包括：

4、构建血流动力学的数学物理模型；

5、利用所述数学物理模型生成血流流场训练数据；

6、利用所述数学物理模型构建基于物理信息的扩散模型；

7、将所述血流流场训练数据输入所述扩散模型，并采用互学习训练策略对所述扩散模型进行训练，通过训练好的扩散模型输出血流流场信息预测结果。

8、本技术实施例采取的技术方案还包括：所述构建血流动力学的数学物理模型，具体为：

9、采用不可压缩流体navier-stokes方程表示血流动力学的数学物理模型：

10、

11、

12、其中，为nabla算子，为速度场，ρ为密度，t为时间，p为压力场，v为粘度系数，f为作用外力。

13、本技术实施例采取的技术方案还包括：所述训练数据包括合成数据集和真实数据集，所述利用所述数学物理模型生成血流流场训练数据，具体为：

14、利用mri技术获取颈动脉图像，根据所述颈动脉图像构建颈动脉区域的三维几何模型；

15、利用流体仿真软件fluent采用基于控制体积法求解流体域内的navier-stokes方程，采用有限体积法对控制体积内的血流流动进行网格划分，并在控制体积上求解流体流动方程。

16、本技术实施例采取的技术方案还包括：所述利用所述数学物理模型构建基于物理信息的扩散模型，具体为：

17、给定速度场u＝[u,v]t、二维几何结构g＝[x,y]t以及压力场p，将表示数学物理模型的方程改写为：

18、

19、

20、

21、其中，表示对u求t偏导，u为速度场，p表示压力场；

22、对于上述问题，对应的任务是预测给定二维几何结构g和时间t的速度场u以及压力场p：

23、u,p＝argmaxq(u,p|g,t)#

24、其中q(u,p|g,t)为在x和t上关于u与p的后验分布；

25、将x0＝[u,p]t表示为速度场和压力场的联合场，使用s和s表示扩散模型中的步长和步长总数，所述扩散模型的正向过程描述为：

26、q(xs|xs-1)＝n(xs；μs(xs-1)，(1-αs)i)#

27、

28、其中，q(·)表示后验分布，n表示高斯分布，s表示步长，μs为均值，(1-αs)表示方差，

29、利用∈s～n(0，i)将所述正向过程重写为：

30、

31、其中∈s为噪声；

32、根据去噪扩散隐式模型推导出从xs到x0的反向过程：

33、

34、

35、其中x0由噪声估计网络∈θ(xs，g，t，s)预测得到：

36、

37、得到后，可得到依据上述方程，pde损失也包括在∈θ(xs，g，t，s)的训练中：

38、

39、

40、

41、

42、其中g＝[x，y]t，lu，lv，lg，lpde为对应的损失函数；

43、根据得到：

44、ltotal＝ldata+λpdeslpdes+λsimplelsimple#

45、所述扩散模型中的采样可以用和方程进行重参数化：

46、

47、根据贝叶斯公式：

48、

49、

50、其中是表示预测xs的梯度方向的后验得分函数，用于对与分布p(xs|g，t)更一致的xs进行采样；

51、推导偏微分方程项和联合场的闭合形式，根据以上方程可得联合域和几何符合lpde(x0，g，t)＝0；基于此，假设存在一个复杂的隐函数φ([g，t]t)＝[u，p]t＝x0及其逆函数[g，t]t＝φ-1(x0)，以确保lpde(x0，g，t)＝0，得到推出基于此得到：

52、

53、

54、其中超参数可依赖经验确定。

55、本技术实施例采取的技术方案还包括：所述扩散模型使用mlp架构作为噪声估计网络∈θ(xs，g，t，s)，输入的联合场xs、时间t和二维几何结构g通过残差mlp的各个层进行特征提取，并将物理信息映射到相同的高维特征空间上，将所述特征乘以其可学习的权重系数，并通过剩余的mlp层输出速度场u以及压力场p的联合场预测结果；对于每一步s，二维几何结构g和时间t作为pi-fusion的输入条件，对联合域[u，p]t的分布进行建模，扩散模型的损失函数lsimple被用作噪声估计网络∈θ(xs，g，t，s)的主要监督函数：

56、

57、其中，l表示损失，e为期望，||·||2为欧式范数；

58、本技术实施例采取的技术方案还包括：所述采用互学习训练策略对所述扩散模型进行训练，具体为：

59、所述互学习训练策略包括两个交替的训练阶段，在第一训练阶段中，训练∈θ(xs，g，t，s)预测联合场，当∈θ(xs，g，t，s)被充分训练后，进入第二训练阶段，迁移参数进行周期参数t的训练，当关于周期参数t的训练损失达到稳定后，重新回到第一训练阶段，以此类推，直到两个训练阶段收敛；在训练过程中，损失函数lt作为学习周期参数t的监督：

60、

61、本技术实施例采取的技术方案还包括：所述通过训练好的扩散模型输出血流流场信息预测结果之后，还包括：

62、对所述扩散模型输出的血流流场信息进行可视化分析，并利用python算法绘制三维模型的仿真结果。

63、本技术实施例采取的另一技术方案为：一种血流流场计算装置，包括：

64、物理模型构建模块：用于构建血流动力学的数学物理模型；

65、数据生成模块：用于利用所述数学物理模型生成血流流场训练数据；

66、扩散模型构建模块：用于利用所述数学物理模型构建基于物理信息的扩散模型；

67、模型训练模块：用于将所述血流流场训练数据输入所述扩散模型，并采用互学习训练策略对所述扩散模型进行训练，通过训练好的扩散模型输出血流流场信息预测结果。

68、本技术实施例采取的又一技术方案为：一种计算机设备，所述计算机设备包括处理器、与所述处理器耦接的存储器，其中，

69、所述存储器存储有用于实现所述血流流场计算方法的程序指令；

70、所述处理器用于执行所述存储器存储的所述程序指令以控制血流流场计算方法。

71、本技术实施例采取的又一技术方案为：一种存储介质，存储有处理器可运行的程序指令，所述程序指令用于执行所述血流流场计算方法。

72、相对于现有技术，本技术实施例产生的有益效果在于：本技术实施例的血流流场计算方法、装置、计算机设备以及存储介质采用物理信息与扩散模型融合的深度神经网络架构，实现物理信息与深度学习模型的深度融合，并采用互学习的训练策略进行模型训练，可学习更为准确的周期参数，可以高效高精度计算复杂的血流流场信息，并具有时间外推性，为心脑血管疾病的研究提供了新的方法，具有重要的科学意义和应用价值。本技术实施例可广泛适用于任意由偏微分方程组控制的物理动力学计算问题中。