技術要約: PINN-Flow

問題提起

腹部大動脈瘤（AAA）の破裂リスク層別化は、血流に由来する**壁剪断応力（WSS）と、大動脈組織の機械的応力に由来するピーク壁応力（PWS）**という、バイオメカニクス的に結合した2つの量に依存している。現在のディープラーニング手法は、純粋なデータ駆動型のオプティカルフロー法を用いて、これらを個別に扱っている：

• パイプライン1: Cine-MRIを用い、U-Net + RAFTによって流体速度を推定する。
• パイプライン2: Bモード超音波を用い、U-Net + TV-L1によって壁歪みを推定する。

これらの手法は、決定的な構造的弱点を抱えている。すなわち、その損失関数はフォトメトリックな一貫性と一般的な空間的滑らかさのみを強制しており、血液や組織の背後にある物理学に基づいた制約を欠いている。その結果、これらの手法はモダリティ特有のアーチファクト（例：超音波におけるスペックルデコリレーション、MRIにおける位相アーチファクト）に対して非常に脆弱である。これは、WSSおよびPWSが算出される領域である**近壁境界層（near-wall boundary layer）**において顕著であり、局所的に不安定な推定値を引き起こし、破裂リスク評価を損なう原因となる。

手法

著者らは、共有エンコーダとデュアルデコーダ・アーキテクチャを用いて、流体速度場と壁変位場を共同で推定する統一された物理情報ニューラルネットワーク（PINN）フレームワークであるPINN-Flowを提案する。

1. ネットワーク・アーキテクカチャ

• 構造: 共有マルチスケールエンコーダが、高密度な速度 $(u, v)$ を予測する流体ブランチと、壁変位 $(u_w, v_w)$ を予測する壁ブランチという2つの独立したデコーダに情報を供給する。
• 特徴量の結合: 共有エンコーダにより、近壁境界の特徴量が両方のブランチに情報を与えることが可能となり、出力レベルで課される物理制約を補完するソフトな特徴量レベルの結合が実現される。
• 学習可能なパラメータ: 運動粘性係数 ($\nu$) とヤング率 ($E$) は対数空間でパラメータ化され、ネットワークの重みと共に共同で学習される。

2. 数学的定式化

ネットワークは、以下の複合損失関数を最小化するように訓練される：
$$L_{total} = \lambda_1 L_{data} + \lambda_2 L_{smooth} + \lambda_3 L_{NS} + \lambda_4 L_{Elast}$$

• データ項 ($L_{data}$): 連続するフレーム間の堅牢なワーピング損失（Huber損失）を通じて、輝度の一貫性を強制する。
• 滑らかさ項 ($L_{smooth}$): 速度場および変位場の勾配に対して空間的な正則性を強制する。
• ナビエ・ストークス項 ($L_{NS}$): 流体ブランチに対して2次元非圧縮ナビエ・ストークス残差を適用する。これは、質量保存（$\nabla \cdot V = 0$）および運動量保存の違反を罰する。圧力勾配項は、直接的な圧力測定値が存在しないため、簡約された残差の中に吸収されている。
• 弾性項 ($L_{Elast}$): 壁ブランチに対して線形弾性静的平衡残差を適用する。これは、壁を線形弾性、小歪み、平面応力材料としてモデル化し、平衡方程式（$\nabla \cdot \sigma = 0$）の違反を罰する。

3. 実装：座標連続微分

物理残差を計算するための技術的な革新は、離散的なピクセル格子上で有限差分を用いるのではなく、微分可能なグリッドサンプリング操作を介して、ネットワークの出力を連続座標グリッド上にバイリニア再サンプリングすることである。

• これにより、離散的なCNNの出力を、座標 $(x, y)$ の真に連続的で2回微分可能な関数へと変換する。
• PDE（偏微分方程式）の残差に必要な空間および時間微分は、この連続フィールドに対する自動微分を介して計算され、これにより完全な微分可能性とネットワークの重みへのバックプロパゲーションが保証される。

主な貢献

1. 統一されたフレームワーク: 内腔の流体速度と大動脈壁の変位を共同で推定する単一のアーキテクチャであり、Cine-MRIとBモード超音波の両方に適用可能である。
2. 物理情報に基づく損失: 自動微分を用いて計算される、2次元非圧縮ナビエ・ストークス残差（流体）と線形弾性静的平衡残差（壁）を組み合わせた複合損失の実装。
3. 頑健性の検証: 制御されたノイズ注入実験を通じて、物理制約がデータのドリブンなベースラインと比較して、収束損失を下げ、訓練の不安定性を軽減し、ノイズ下での劣化を緩やかにすることを実証した。
4. 臨床的意義の分析: 本フレームワークが、AAAの破裂リスクの主要な記述子であるWSSおよびPWSの推定をどのように改善するかについての議論。

実験結果

同期された参照画像を持つグラウンドトゥルース付きのAAAデータセットは存在しないため、実験は制御されたノイズレベル（超音波のようなマルチプリカティブ・スペックル、およびMRIのような加法的リシアンノイズ）を用いたシミュレーションデータを用いて行われた。

• 収束性: PINN-Flowは最終的な訓練損失0.1053および検証損失0.1112を達成し、データ駆動型のベースライン（それぞれ0.2369および0.2731）を大幅に下回った。
• 安定性: 最終20エポックにおける損失の標準偏差は、約2.7倍減少した（0.0066 vs 0.0180）。これは、振動の減少と局所解への陥りにくさを示している。
• ノイズに対する頑健性: ノイズレベルが増加するにつれ、PINN-Flowは優れた耐性を示した。クリーンな状態から最高ノイズレベルまでの正規化平方根平均二乗誤差（NRMSE）の劣化率は、PINN-Flowが**+172.6%であったのに対し、RAFTは+184.6%、TV-L1は+214.7%**であった。
• 高ノイズ下での性能: 最高レベルのシミュレーションノイズ下において、PINN-FlowはTV-L1を約29%、RAFTを約21%上回る平均NRMSEを記録した。

意義と主張

論文は、追跡を物理的に許容される速度および変位場に制約することで、PINN-Flowが以前は分離されていたAAAのパイプラインを単一のフレームワークへと統合することを主張している。その主な意義は、フォトメトリックなモデルが通常失敗する、特に低コントラストかつ高ノイズの近壁領域において、より安定し、アーチファクトに強い推定を生成できる点にある。

著者らは、物理的な事前知識が、フォトメトリックな情報が破損している領域（例：壁境界付近）におけるアンカーとして機能し、結果として得られる場が発散フリーであり、かつ平衡状態にあることを保証すると強調している。これは、最もノイズが多い領域が破裂リスクを計算するための最も重要な領域でもある臨床現場において極めて重要である。

限界

著者らは以下の限界を明示的に認めている：

1. 2Dの仮定: 定式化は平面的であり、面外のフローおよび運動はペナルティを与えられないため、強い3D曲率を持つ領域では推定にバイアスが生じる可能性がある。
2. 圧力項: 直接的な圧力測定値がないため、運動量残差において明示的な圧力勾配項が省略されている。
   ック
3. 計算コスト: 二次自動微分により、バックプロパゲーションのコストが純粋なデータ駆動型ネットワークと比較して約2〜3倍増加する。
4. シミュレーションによる検証: 結果は臨床グレードのエビデンスではなく、実現可能性と期待される挙動を示すための、シミュレーションされたノイズモデルに基づいている。
5. 一様なパラメータ: モデルは空間的に一様な粘性と剛性を仮定しているが、生物学的な実態には空間的な変動が存在する。