A physics-informed neural network for improving surface reconstruction of intracranial saccular aneurysms via variational membrane equilibrium

技術要約：脳内嚢状動脈瘤再構築のための物理情報ニューラルネットワーク（PINN）

問題提起
脳内嚢状動脈瘤（ISA）は重大な健康リスクをもたらすが、臨床画像（CTA/MRA）からの表面再構築の忠実度に関しては、現在も患者固有の破裂リスク評価に限界がある。従来の再構築パイプラインは、画像ノイズを抑制するためにL曲線基準や離散ラプラシアンフィルタリングなどの数学的平滑化手法に依存している。しかし、これらの手法は高曲率領域をノイズとして無差別に処理するため、破裂の危険性が高いブレブ（瘤の膨隆部）のような真の病理学的特徴を消失させてしまう一方で、ハードウェアの限界（部分体積効果など）や後処理アルゴリズムによって誘発される非物理的な凹状アーティファクトを区別することには失敗する。これらの幾何学的アーティファクトは、その後のバイオメカニクス・シミュレーションにおいて偽の応力集中を引き起こし、破裂リスク診断を損なわせる。さらに、既存のアプローチには、数学的に滑らかな表面と、加圧された血管壁に必要な生物力学的平衡を満たす表面とを区別するための物理的なメカニズムが欠如している。

手法
著者らは、B-スプライン表面表現と変分力学を統合してISAの幾何学的形状を再構築する、物理情報ニューラルネットワーク（PINN）フレームワークを提案する。ワークフローは以下の通りである：

1. データ取得とパラメータ化： 分割されたMRA/CTAデータから離散点群を抽出する。この非構造化データを、法線駆動のアライメントおよびグリッドサンプリングアルゴリズムを用いて、構造化されたパラメータ領域 $(u, v)$ にマッピングし、3チャンネルの空間テンソルを作成する。
2. ベースライン生成： 低解像度のNURBS表面をデータに適合させてマクロ制御点を生成する。これらはバイキュービック補間によってアップサンプリングされ、微細な精緻化のための高解像度ベースライン ($P_{base}$) を作成する。
3. 多様体整合型CNN： 畳み込みニューラルネットワーク（CNN）が、制御点の変位場 ($d$) を予測する非線形アンサッツとして機能する。標準的なCNNとは異なり、このアーキテクチャは「多様体整合型パディング（Manifold-Consistent Padding）」スキームを採用している。このカスタムパディングは、閉じた血管表面のトポロジー的制約を遵守する。すなわち、円周方向の継ぎ目（$u=0, 1$）における周期性を強制し、ドーム頂点（$v=0$）における特異な極の収束を処理し、開口したネック境界（$v=1$）においてキュービック外挿を適用する。
4. 物理情報損失関数： ネットワークは、以下の3つの要素のバランスをとる複合損失関数 ($L_{total}$) を用いたバックプロパゲーションによって最適化される：
   • データ忠実度 ($L_{data}$): 再構築されたNURBS表面と測定された点群との間の平均二乗誤差を最小化する。
   • 変分平衡 ($L_{equil}$): 全ポテンシャルエネルギーの定常条件（$\delta\Pi = 0$）を物理情報制約として組み込む。この項は、ラプラス膜平衡（$\kappa_1 T_1 + \kappa_2 T_2 = P$）を強制する。これにより、再構築された表面が経壁圧に耐えうることを保証する。これは、非物理的な凹状アーティファクト（平均曲率 $H < 0$）を排除しつつ、機械的平衡を満たす真の高曲率特徴を保持することを可能にする。
   • 接線方向抑制 ($L_{tang}$): 接平面に沿った制御点の変位にペナルティを課し、更新が単なる再パラメータ化ではなく、物理的な形状変化をもたらす法線方向に厳密に行われるようにする。

主な貢献
本論文は、主に以下の3つの貢献を特定している：

1. 生物力学に基づいたアーティファクト識別： 本フレームワークは、数学的なL曲線基準を、変分平衡損失（$\delta\Pi = 0$）に置き換える。これにより、システムは画像アーティファクト（経壁圧を維持できないもの）と、真の病理学的特徴（ブレブ）を、幾何学的な滑らかさではなく、物理的な妥当性に基づいて識別できる。
2. 多様体整合型CNNアンサッツ： 3D多様体を2Dパラメータグリッドに展開する際に生じる不連続性に対処するため、カスタムパディング操作を通じて血管幾何学の閉じた表面のトポロジーを保持する、特殊なCNNアーキテクチャの開発。
3. ラプラス平衡駆動型の再構築： ノイズを除去しながら、診断に不可欠な高曲率の特徴を保持する再構築パイプラインの確立。これにより、瘤壁の機械的な恒常性と一致する形状が得られる。

結果
本フレームワークは、未破裂のISAを含む患者固有の臨床データセットを用いて検証された。

• アーティファクト除去： 反復最適化により、初期の制約付きフィッティング・ベースラインに存在した非物理的な凹状アーティファクト（負の平均曲率）が除去された。3000回の反復後、曲率場は厳密に正（$H > 0$）となり、加圧された膜として一貫したものとなった。
• リスクマップの最適化： 応力比（$\sigma_R$）から導出された結果としてのリスクマップは、空間的に一貫したパターンを示した。高リスクゾーンはドーム頂部に集中しており、これは確立された臨床的観察および術中所見と一致している。
• 従来手法との比較： 従来のL曲線平滑化法は、血管壁全体に散在し、一貫性のないリスクホットスポットを生じさせた。定量的分析によれば、L曲線平滑化（$\beta > 0$）を適用すると、高リスク部位における曲率が劇的に変化し、元の高曲率特徴を回復するための実行可能なパラメータ窓が存在しないことが明らかになった。PINNアプローチは、ノイズを除去しつつ、これらの特徴の完全性を維持した。

意義および主張
著者らは、本研究が患者固有の破裂リスク評価のための計算バイオマーカーの基礎を確立するものであると主張している。ディープラーニングを動脈瘤壁の基本となる支配方程式と統合することで、本フレームワークは、侵襲的な測定を行うことなく、日常的なCTA/MRAデータからアーティファクトのない幾何学的形状を再構築する方法を提供する。得られたリスクマップは、神経外科的観察（ドーム頂部での破裂）と一致しており、現在の数学的平滑化手法よりも、術前計画や経過観察において信頼性の高いツールを提供する。本研究は、再構築された形状を変形下にある動脈瘤壁の平衡構成として扱うことで、幾何学的モデリングと機械的解析の架け橋となるものである。

限界および今後の方向性
著者らは、現在のモデルが等方的な弾性静力学膜を仮定しており、壁厚の変動、異方的なコラーゲン構造、および拍動性の血行動態負荷を無視していることを認めている。検証は、サイドウォール（側壁）の動脈瘤破裂が分岐部と比較して稀であるという理由から、直接的な破裂部位との比較ではなく、神経外科的経験に基づく定性的なものに留まっている。今後の課題としては、複雑な多葉形態に対応するためのマルチパッチNURBSへの拡張、流体構造相互学（FSI）の組み込み、および脆弱な部位の長期的追跡などが挙げられる。