Resumo Técnico: Redes Neurais Informadas pela Física para a Reconstrução de Alta Resolução de Indicadores de Medição de Fluxo

1. Definição do Problema

Medições de campos de fluxo espacialmente resolvidas e precisas são críticas para avaliar quantidades hemodinâmicas em pesquisa cardiovascular e na prática clínica. No entanto, técnicas experimentais como o 4D flow MRI, a Velocimetria de Imagem de Partículas (PIV) e o ultrassom Doppler frequentemente geram dados que são esparsos, ruidosos ou espacialmente sub-resolvidos. Essas limitações são particularmente pronunciadas próximas às paredes dos vasos e em regiões de fluxo complexo, como zonas de recirculação ou transições para turbulência. Consequentemente, a fidelidade dos indicadores hemodinâmicos derivados — especificamente a Tensão de Cisalhamento de Parede (WSS) e as distribuições de pressão — é comprometida, reduzindo sua utilidade clínica para o diagnóstico de patologias como estenose, aneurismas e avaliação de riscos de ruptura.

Embora a Dinâmica de Fluidos Computacional (CFD) possa fornecer dados de alta resolução, os pipelines de simulação padrão (envolvendo segmentação, malha e ajuste de parâmetros) são computacionalmente caros e laboriosos para serem personalizados. Além disso, abordagens puramente baseadas em dados frequentemente falham em generalizar bem quando os dados são esparsos ou ruidosos. Os autores propõem uma solução que preenche essa lacuna ao integrar leis físicas com dados experimentais para reconstruir campos de fluxo de alta fidelidade.

2. Metodologia

O estudo emprega Redes Neurais Informadas pela Física (PINNs), uma classe de redes neurais artificiais treinadas para aproveitar simultaneamente dados e conhecimento físico codificado via Equações Diferenciais Parciais (PDEs).

2.1 Formulação Matemática

O framework assume que o sangue se comporta como um fluido Newtoniano incompressível governado pelas equações de Navier–Stokes em regime permanente e adimensional. A rede aproxima o campo de velocidade $u(x,t)$ e o campo de pressão $p(x,t)$ minimizando uma função de perda total $\mathcal{L}$ composta por três termos principais:
$$\mathcal{L}(\tilde{\theta}) = \mathcal{L}_{PDE}(\tilde{\theta}) + \mathcal{L}_{BC}(\tilde{\theta}) + \mathcal{L}_{train}(\tilde{\theta})$$

• Perda Baseada na Física ($\mathcal{L}_{PDE}$ e $\mathcal{L}_{BC}$): Estes termos impõem o balanço de momento, a conservação de massa (continuidade) e as condições de contorno (entrada, parede sem deslizamento e saída) através do cálculo de resíduos em um conjunto de pontos de colocação distribuídos por todo o domínio e em suas fronteiras.
  • Para lidar com resíduos de magnitudes variadas, os autores incorporam um termo de Erro Logarítmico Médio Quadrático (MSLE) junto ao Erro Quadrático Médio (MSE) padrão. Isso permite uma aproximação precisa em regiões onde os resíduos físicos são pequenos.
  • Uma restrição de pressão de média zero ($\mathcal{L}_{\bar{p}}$) é introduzida para garantir a unicidade da pressão na ausência de condições de contorno de pressão específicas.
• Perda Baseada em Dados ($\mathcal{L}_{train}$): Este termo minimiza a discrepância entre a saída da rede e as medições experimentais disponíveis (velocidade).
  • A perda inclui termos para a magnitude da velocidade e, crucialmente, um termo para o vetor unitário de direção da velocidade ($\hat{u}$). Isso melhora a reconstrução da direção do fluxo mesmo quando as magnitudes de velocidade são baixas, evitando problemas com vetores de magnitude zero.
  • Notavelmente, a rede é treinada sem dados de pressão; a pressão é reconstruída exclusivamente através da equação de balanço de momento.

2.2 Arquitetura da Rede e Treinamento

• Arquitetura: Redes neurais totalmente conectadas com três camadas ocultas, funções de ativação tangente hiperbólica e normalização por lote (batch normalization) para mitigar gradientes evanescentes ou explosivos.
• Otimização: É utilizado um processo de treinamento em duas etapas: otimização inicial com o otimizador ADAM seguido de ajuste fino com o algoritmo quase-Newton L-BFGS-B.
• Entrada/Saída: As entradas são coordenadas espaciais ($x, y, z$); as saídas são componentes de velocidade e pressão.

3. Principais Contribuições e Validação Experimental

Os autores validam seu framework em dois casos de teste distintos: o benchmark de bocal da FDA e um modelo de aneurisma derivado de paciente.

3.1 Benchmark de Bocal da FDA

Este caso utiliza tanto dados in silico (CFD/FEM) quanto dados experimentais de PIV.

• Verificação In Silico: Os autores realizaram uma análise de sensibilidade em sete configurações diferentes de PINN (FDA-CFD-1 a 7) para otimizar os hiperparâmetros.
  • Descobertas: A escala fisicamente consistente dos pesos de perda (garantindo que os resíduos sejam de magnitude semelhante) gerou resultados mais robustos. A inclusão do MSLE melhorou a reconstrução do gradiente de pressão em regiões de baixo gradiente. O aumento do tamanho da rede (neurônios) melhorou a precisão, mas exigiu um equilíbrio cuidadoso para evitar o sobreajuste (overfitting) de ruído numérico.
  • Resultado: A PINN reconstruiu com sucesso os campos de velocidade e pressão a partir de dados transversais esparsos, superando a CFD padrão ao corresponder a restrições experimentais específicas quando treinada com dados de PIV.
• Validação Experimental: Usando dados de PIV do benchmark da FDA, a PINN foi treinada em um subconjunto de seções transversais e testada em seções removidas.
  • Descobertas: A PINN compensou a esparsidade e a assimetria nas medições experimentais. Ela alcançou erros menores em comparação com simulações de CFD pura quando validada contra o conjunto de dados experimental, demonstrando o benefício da regularização informada pela física em ambientes ruidosos e esparsos.

3.2 Modelo de Aneurisma

Este caso foca no fluxo sanguíneo em uma geometria de aneurisma realista, derivada de paciente, utilizando dados de 4D flow MRI in vitro.

• Configuração: O modelo utiliza dados de fluxo pulsátil. A PINN foi treinada em dados de baixa resolução (1,5 mm³) para reconstruir campos de alta resolução.
• Descobertas:
  • Velocidade e Vorticidade: A PINN recuperou com sucesso as principais características de fluxo e identificou caminhos de vorticidade não visíveis nos dados brutos de baixa resolução, mostrando melhor concordância com os dados de MRI de alta resolução (1,0 mm³) do que as abordagens puramente baseadas em dados.
  • Pressão: O framework permitiu a estimativa não invasiva da distribuição de pressão, uma grandeza não medida diretamente no 4D flow MRI.
  • Tensão de Cisalhamento de Parede (WSS): Embora a regularização baseada na física tenha melhorado a fidelidade geral, a estimativa de WSS permaneceu desafiadora devido à alta sensibilidade às condições de contorno e à dispersão de dados. No entanto, a PINN forneceu uma distribuição mais coerente do que a interpolação de dados brutos.
  • Quantidades Integrais: O método estimou com sucesso a energia cinética e a enstrofia ao longo de um batimento cardíaco, com configurações específicas (ex: AN-4DMRI-2) fornecendo um bom compromisso entre fidelidade de dados e consistência física.

4. Significância e Alegações

O artigo afirma que o framework de PINN proposto oferece uma abordagem computacionalmente eficiente e precisa para melhorar o pós-processamento de 4D flow MRI. Sua principal significância reside em:

1. Fusão de Dados: Integra com sucesso dados experimentais esparsos, ruidosos ou sub-resolvidos com as equações de Navier–Stokes para fluidos incompressíveis.
2. Reconstrução Superior: Alcança soluções espacialmente resolvidas que se alinham mais proximamente com o ground truth (in silico) e observações experimentais do que os métodos de CFD padrão ou abordagens puramente baseadas em dados, particularmente em regiões com fluxo complexo ou próximas a bordas.
3. Derivação de Quantidades Não Medidas: Permite a estimação de quantidades clinicamente relevantes, mas difíceis de medir, especificamente pressão e Tensão de Cisalhamento de Parede (WSS), sem a necessidade de medições invasivas.
4. Vantagem Sem Malha (Mesh-Free): Evita as etapas laboriosas de segmentação de geometria e geração de malha exigidas pela CFD tradicional, uma vez que as PINNs utilizam uma formulação sem malha.

Os autores concluem que, embora persistam desafios em relação à seleção de hiperparâmetros e ao tratamento de fluxos altamente turbulentos ou transientes, as PINNs representam uma ferramenta valiosa para melhorar a fidelidade dos indicadores hemodinâmicos derivados de tecnologias de imagem emergentes, como o 4D flow MRI.