Lebenswissenschaften und Ethik
Refine
Year of publication
- 2021 (5) (remove)
Document Type
Has Fulltext
- no (5)
Is part of the Bibliography
- no (5)
Keywords
- Aerosole (1)
- Bildbasierte Verfahren (1)
- Bildgebendes Verfahren (1)
- Blutdruck (1)
- Blutgefäß (1)
- Convolutional neural networks (1)
- Deep Learning (1)
- Deep learning fluid mechanics (1)
- Hämodynamik (1)
- Multiphase blood flow (1)
Institute
- Fakultät Maschinenbau (5) (remove)
Begutachtungsstatus
- peer-reviewed (1)
Blood flow in channels of varying diameters <500μm exhibits strong non-linear effects. Multiphase finite volume approaches are feasible, but still computationally costly. Here, the feasibility of applying convolutional neural networks for blood flow prediction in artificial lungs is investigated. Training targets are precomputed using an Eulerian two-phase approach. To match with experimental data, the interphase drag and lift, as well as intraphase shear-thinning are adapted. A recursively branching regression network and convolution/deconvolution networks with plain skip connections and densely connected skips are investigated. A priori knowledge is incorporated in the loss functional to prevent the network from learning non-physical solutions. Inference from neural networks is approximately six orders of magnitude faster than the classical finite volume approach. Even if resulting in comparably coarse flow fields, the neural network predictions can be used as close to convergence initial solutions greatly accelerating classical flow computations.
Convolutional Neural Networks for Approximation of Internal Non-Newtonian Multiphase Flow Fields
(2021)
Neural networks (NNs) as an alternative method for universal approximation of differential equations have proven to be computationally efficient and still sufficiently accurate compared to established methods such as the finite volume method (FVM). Additionally, analysing weights and biases can give insights into the underlying physical laws. FVM and NNs are both based upon spacial discretisation. Since a Cartesian and equidistant grid is a raster graphics, image-to-image regression techniques can be used to predict phase velocity fields as well as particle and pressure distributions from simple mass flow boundary conditions. The impact of convolution layer depth and number of channels of a ConvolutionDeconvolution Regression Network (CDRN), on prediction performance of internal non-Newtownian multiphase flows is investigated. Parametric training data with 2055 sets is computed using FVM. To capture significant non-Newtownian effects of a particle-laden fluid (e.g. blood) flowing through small and non-straight channels, an Euler-Euler multiphase approach is used. The FVM results are normalized and mapped onto an equidistant grid as supervised learning target. The investigated NNs consist of n= {3, 5, 7} corresponding encoding/decoding blocks and different skip connections. Regardless of the convolution depth (i.e. number of blocks), the deepest spacial down-sampling via strided convolution is adjusted to result in a 1 × 1 × f · 2nfeature map, with f = {8, 16, 32}. The prediction performance expressed is as channel-averaged normalized root mean squared error (NRMSE). With a NRMSE of < 2 · 10-3, the best preforming NN has f = 32 initial feature maps, a kernel size of k = 4, n = 5 blocks and dense skip connections. Average inference time from this NN takes < 7 · 10-3s. Worst accuracy at NRMSE of approx 9 · 10-3is achieved without any skips, at k = 2, f = 16 and n = 3, but deployment takes only < 2 · 10-3s Given an adequate training, the prediction accuracy improves with convolution depth, where more features have higher impact on deeper NNs. Due to skip connections and batch normalisation, training is similarly efficient, regardless of the depth. This is further improved by blocks with dense connections, but at the price of a drastically larger model. Depending on geometrical complexity, spacial resolution is critical, as it increases the number of learnables and memory requirements massively.
Einleitung:
Blutdruck gilt als sogenannter Vitalparameter als einer der grundlegenden Indikatoren für den Gesundheitszustand einer Person. Sowohl zu niedriger als auch zu hoher Blutdruck kann lebensbedrohend sein, letzerer ist darüber hinaus ein Risikofaktor insbesondere für Herz-Kreislauferkrankungen, die trotz wichtiger Fortschritte in der Behandlung immer noch die häufigste Todesursache in Deutschland darstellen. Die Hämodynamik, also die raumzeitliche Dynamik des Blutflusses, und der Gefäßzustand sind eng verbunden mit dem Blutdruck und ebenfalls von hoher klinischer Relevanz, u.a. zur Identifikation von Durchblutungsstörungen und ungünstigen Druckverteilungen der Gefäßwand. Innovationen in der Messtechnik als auch in der Datenanalyse bieten heute neue Möglichkeiten der Erfassung und Bewertung von Blutdruck, Hämodynamik und Gefäßzustand [1], [2], [3], [4].
Methodik:
In einer gemeinsamen Workshopserie der AG Medizinische Bild- und Signalverarbeitung der GMDS und des Fachausschusses Biosignale der DGBMT werden wir neue Ansätze und Lösungen für Mess- und Analyseverfahren zu Blutdruck und -fluss sowie zum Gefäßzustand vorstellen und diskutieren. Dabei stehen im ersten Workshop auf der GMDS Jahrestagung Bildbasierte Verfahren im Zentrum, während der zweite Workshop auf der DGBMT Jahrestagung den Fokus auf Biosignalbasierten Verfahren legt. Es werden aktuelle Forschungsergebnisse vorgestellt und diskutiert. Es sind jeweils mehrere Vorträge geplant mit ausreichend Zeit zur Diskussion. Folgende Vorträge sind geplant (Arbeitstitel):
Sebastian Zaunseder: Videobasierte Erfassung des Blutdrucks
Anja Hennemuth: A Visualization Toolkit for the Analysis of Aortic Anatomy and Pressure Distribution
Lars Krenkel: Numerische Analyse der Rupturwahrscheinlichkeit zerebraler Aneurysmata
Susanne Schnell: Messung des Blutflusses und hämodynamischer Parameter mit 4D flow MRI: Möglichkeiten und Herausforderungen
Ergebnisse:
Ziel des Workshops ist die Identifikation von innovativen Ansätzen und neuen Methoden zur qualitativen und quantitativen Bestimmung von hämodynamischen Parametern sowie deren kritische Bewertung durch die Community für die Eignung in der klinischen Entscheidungsunterstützung.
Diskussion:
Der Workshop leistet inhaltlich einen Beitrag zu zentralen Aspekten für die Herz-Kreislauf-Medizin. Er bringt dabei Expertise aus verschiedenen Bereichen zusammen und schlägt die Brücke zwischen Kardiologie, Medizininformatik und Medizintechnik.
Schlussfolgerung:
Innovative Technologien aus Medizintechnik und Informatik ermöglichen zunehmend einfache und raumzeitlich aufgelöste Erfassung und Bewertung wichtiger Informationen zur Unterstützung von Diagnose und Therapieverfolgung.
[1] Zaunseder S, Trumpp A, Wedekind D, Malberg H. Cardiovascular assessment by imaging photoplethysmography - a review. Biomed Tech (Berl). 2018 Oct 25;63(5):617–34.
[2] Huellebrand M, Messroghli D, Tautz L, Kuehne T, Hennemuth A. An extensible software platform for interdisciplinary cardiovascular imaging research. Comput Methods Programs Biomed. 2020 Feb;184:105277.
[3] Schmitter S, Adriany G, Waks M, Moeller S, Aristova M, Vali A, et al. Bilateral Multiband 4D Flow MRI of the Carotid Arteries at 7T. Magn Reson Med. 2020 Oct;84(4):1947–60.
[4] Birkenmaier C, and Krenkel, L. Flow in Artificial Lungs. In: New Results in Numerical and Experimental Fluid Mechanics XIII. Contributions to the 22nd STAB/DGLR Symposium. Springer; 2021.