Rapid wall shear stress prediction for aortic aneurysms using deep learning: a fast alternative to CFD
Notice bibliographique
Résumé
Abstract Aortic aneurysms pose a significant risk of rupture. Previous research has shown that areas exposed to low wall shear stress (WSS) are more prone to rupture. Therefore, precise WSS determination on the aneurysm is crucial for rupture risk assessment. Computational fluid dynamics (CFD) is a powerful approach for WSS calculations, but they are computationally intensive, hindering time-sensitive clinical decision-making. In this study, we propose a deep learning (DL) surrogate, MultiViewUNet, to rapidly predict time-averaged WSS (TAWSS) distributions on abdominal aortic aneurysms (AAA). Our novel approach employs a domain transformation technique to translate complex aortic geometries into representations compatible with state-of-the-art neural networks. MultiViewUNet was trained on $$\varvec{23}$$ <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML"> <mml:mrow> <mml:mn>23</mml:mn> </mml:mrow> </mml:math> real and $$\varvec{230}$$ <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML"> <mml:mrow> <mml:mn>230</mml:mn> </mml:mrow> </mml:math> synthetic AAA geometries, demonstrating an average normalized mean absolute error (NMAE) of just $$\varvec{0.362\%}$$ <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML"> <mml:mrow> <mml:mn>0.362</mml:mn> <mml:mo>%</mml:mo> </mml:mrow> </mml:math> in WSS prediction. This framework has the potential to streamline hemodynamic analysis in AAA and other clinical scenarios where fast and accurate stress quantification is essential. Graphical abstract
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».