- 6 次围观
采用钇-90（Y-90）微球的经动脉放射栓塞术通过辐射治疗不可切除性肝癌。肿瘤与肝实质的剂量比主要由患者特异性的肝动脉血流分布决定，而微球正是由该血流输送的。尽管计算流体力学（CFD）模拟能够预测这种血流分布，但其较高的计算成本和耗时限制了其在术中环境中的应用。为克服这一计算局限性，研究开发了一种物理信息神经网络（PINN）代理模型，用于快速预测患者特异性肝动脉模型中的血流分布。该代理模型将空间坐标映射为速度向量 U（其笛卡尔分量为 u、v、w）和静态压力 p。参考速度场和压力场来自对相同几何结构进行有限元 CFD 求解所获得的收敛结果，该模型约包含 1.05 × 10^5 个节点；其中，受控比例的数据用于监督训练，其余数据留作验证。基于 NVIDIA PhysicsNeMo 框架，我们在监督数据比例扫描（数据比例 df = 0 至 0.20）以及匹配的 300,000 步训练预算下重复进行 df = 0.20 的实验，比较了四种坐标网络（MLP、Modified Fourier、Multi-Scale Fourier 和 SIREN）在软入口约束与硬入口约束下的表现。预测得到的血流分流比例进一步输入既有的 Y-90 剂量核计算流程。模型精度主要由监督数据比例决定，而非网络架构：当 df ≥ 0.10 时，各网络骨干的结果相差仅 1 至 2 个 R² 点；对于表现最佳的网络，R²(u) 从纯物理约束条件下（df = 0）的约 0 提升至 df = 0.01 时的约 0.95，并在 df = 0.20 时趋于饱和，达到约 0.97 至 0.99。在匹配的 300,000 步训练预算下，Multi-Scale Fourier 网络表现最佳（R²(u) = 0.978），优于 SIREN（R²(u) = 0.976）和 MLP（R²(u) = 0.968）；观测到的最佳数值为 R²(u) = 0.985，由 Modified Fourier 网络取得，但其所需训练预算为上述预算的 1.8 倍。在 df = 0.20 的检查点上，各出口的血流分流比例与 CFD 结果高度一致（r = 0.999，L1 = 4.4 个百分点），由此得到的剂量学结果在灌注体积、平均剂量及每个等剂量体积方面均与 CFD 结果相差不超过 2.4%。当 df = 0 时，训练结果会坍缩至平凡的近零状态；该状态能够精确满足连续性方程、动量方程以及零压力出口条件，只有入口条件和数据项能够将其排除。因此，真正的限制性失效模式并非网络架构选择，而是监督数据不足。训练完成后，该网络可在四核 CPU 上约 2 秒内完成对完整 105,284 节点场的评估。对于此类肝动脉 PINN 代理模型，监督数据比例是首要的设计杠杆，其实际下限约位于 df = 0.05 至 0.10 之间。
用于钇-90放射栓塞患者特异性肝动脉血流动力学的物理信息神经网络代理模型：网络架构、边界条件施加与数据效率 | bioRxiv
跳转至主要内容
主页 关于 投稿 提醒 / RSS 搜索此关键词 高级搜索 最新结果
用于钇-90放射栓塞患者特异性肝动脉血流动力学的物理信息神经网络代理模型：网络架构、边界条件施加与数据效率
Erfan Taatizadeh
、 Nisanth Kumar Panneer Selvam
、 Emilie Roncali
doi： https://doi.org/10.64898/2026.09.26.754555
Erfan Taatizadeh 加州大学戴维斯分校
在 Google Scholar 中查找该作者 在 PubMed 中查找该作者 在本网站搜索该作者
通讯作者： etaatizadeh{at}ucdavis.edu
Nisanth Kumar Panneer Selvam 加州大学戴维斯分校
在 Google Scholar 中查找该作者 在 PubMed 中查找该作者 在本网站搜索该作者
Emilie Roncali 加州大学戴维斯分校
在 Google Scholar 中查找该作者 在 PubMed 中查找该作者 在本网站搜索该作者
摘要
信息/历史 指标 补充材料 预览 PDF
摘要
采用钇-90（Y-90）微球进行经动脉放射栓塞治疗，可通过放射治疗不可切除性肝癌。肿瘤与肝实质的剂量比主要由患者特异性的肝动脉血流分布所决定，而肝动脉血流负责输送微球。尽管计算流体力学（CFD）模拟能够预测这种血流分布，但其较高的计算成本和耗时限制了其在术中环境中的应用。为克服这一计算局限性，本研究开发了一种物理信息神经网络（PINN）代理模型，用于快速预测患者特异性肝动脉模型中的血流分布。该代理模型将空间坐标映射为速度向量 U，其笛卡尔分量为 u、v、w，以及静压 p。参考速度场和压力场来自对同一几何结构进行的收敛有限元CFD求解，共约包含 1.05 × 10^5 个节点；其中受控比例的数据用于监督训练，其余数据留作验证。研究采用 NVIDIA PhysicsNeMo 框架，在监督数据比例扫描（数据比例 df = 0 至 0.20）以及在匹配的 300,000 步训练预算下重复 df = 0.20 的实验中，对四种坐标网络（MLP、Modified Fourier、Multi-Scale Fourier 和 SIREN）进行了比较，并考察了入口边界的软约束与硬约束。预测得到的血流分配比例进一步输入既有的 Y-90 剂量核计算流程。模型精度主要由监督数据比例决定，而非网络架构决定：当 df ≥ 0.10 时，不同骨干网络之间的结果差异仅为 1 至 2 个 R^2 点；对于表现最佳的骨干网络，R^2(u) 在纯物理约束（df = 0）下由约 0 提升至 df = 0.01 时的约 0.95，并在 df = 0.20 时趋于约 0.97 至 0.99。在匹配的 300,000 步训练预算下，Multi-Scale Fourier 网络表现最佳（R^2(u) = 0.978），优于 SIREN（R^2(u) = 0.976）和 MLP（R^2(u) = 0.968）；而观察到的最佳结果为 R^2(u) = 0.985，由 Modified Fourier 网络取得，但其所需训练预算为前者的 1.8 倍。在 df = 0.20 的检查点上，各出口的血流分配比例与CFD结果一致（r = 0.999，L1 = 4.4 个百分点），由此得到的剂量学结果在灌注体积、平均剂量以及每个等剂量体积方面均与参考结果相差不超过 2.4%。当 df = 0 时，训练会塌缩至平凡的近零状态；该状态能够严格满足连续性方程、动量方程以及零压力出口条件，只有入口项和数据项能够将其排除。因此，限制模型性能的失败模式并非网络架构选择，而是监督数据不足。训练完成后，该网络可在四核 CPU 上用约 2 秒计算出完整的 105,284 节点场。对于此类肝动脉PINN代理模型而言，监督数据比例是首要的设计调节参数，其实际下限约介于 df = 0.05 和 0.10 之间。
利益冲突声明
基金资助信息声明
美国国家癌症研究所， https://ror.org/040gcmg81 P30CA093373 U01CA289068
版权
本预印本的。 保留所有权利。未经许可不得重复使用。
返回顶部
上一篇
发布于 2026 年 9 月 28 日。
下载 PDF
补充材料
电子邮件
感谢您有兴趣传播 bioRxiv 上的内容。
您的电子邮件 *
您的姓名 *
发送至 *
请输入多个地址，每行一个地址，或使用逗号分隔。
您即将发送以下内容
用于钇-90放射栓塞患者特异性肝动脉血流动力学的物理信息神经网络代理模型：网络架构、边界条件施加与数据效率
邮件主题：（您的姓名）转发了 bioRxiv 网页中的一篇文章
邮件正文：（您的姓名）认为您可能会对 bioRxiv 网站上的这篇文章感兴趣。
个人留言：
验证码
此问题用于测试您是否为人类，以防止自动化垃圾邮件提交。
分享
用于钇-90放射栓塞患者特异性肝动脉血流动力学的物理信息神经网络代理模型：网络架构、边界条件施加与数据效率
Erfan Taatizadeh
、 Nisanth Kumar Panneer Selvam
、 Emilie Roncali
bioRxiv 2026.09.26.754555； doi： https://doi.org/10.64898/2026.09.26.754555
分享本文：
复制
引用工具
用于钇-90放射栓塞患者特异性肝动脉血流动力学的物理信息神经网络代理模型：网络架构、边界条件施加与数据效率
Erfan Taatizadeh
、 Nisanth Kumar Panneer Selvam
、 Emilie Roncali
bioRxiv 2026.09.26.754555； doi： https://doi.org/10.64898/2026.09.26.754555
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.26.754555v1?rss=1
🏷️ 物理信息神经网络 肝动脉血流动力学 钇-90放射栓塞 计算流体力学 患者特异性建模 放射剂量学