🔢 mathematics

Physics-Informed Neural Networks for the High-Resolution Reconstruction of Flow Measurement Indicators in Fluid Dynamics

本文提出了一种物理信息神经网络（PINN）框架，该框架将不可压缩纳维-斯托克斯方程与稀疏的实验流体数据相结合，以精确重建高分辨率速度场并估算壁面剪切应力和压力等关键血液动力学指标，证明了其在 FDA 喷嘴模型和动脉瘤模型中均优于标准方法的卓越性能。

原作者： Irena Radišić, Raffaele Tirotta, Alberto Zingaro, Stefano Pagani, Luca Dede'

发布于 2026-07-14

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Irena Radišić, Raffaele Tirotta, Alberto Zingaro, Stefano Pagani, Luca Dede'

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在试图解开一个关于人体血液流动的巨大且隐形的谜题。你有一台相机（被称为 4D 流磁共振成像，4D flow MRI）可以拍摄血液运动的照片，但这些照片有些模糊、边缘模糊，甚至有些部分是缺失的。这就像是通过观察河岸上零星散落的几块小石子，来试图推测一条河流的形状。

这就是这篇论文作者们正在解决的问题。他们想要修复那些模糊、不完整的血液流动图像，以便医生能够精确地看到血液是如何运动的，尤其是在血管壁或动脉瘤这种棘手的地方。

魔术技巧：教计算机物理定律

作者们并没有仅仅尝试用标准的照片编辑技巧来让图像变得更清晰。相反，他们教会了一种特殊的计算机大脑（一种“物理信息神经网络”，简称 PINN）关于流体运动的实际物理定律。具体来说，他们向计算机输入了 纳维-斯托克斯方程（Navier–Stokes equations）。你可以把这些方程看作是水或血液如何旋转、如何加速以及如何挤压墙壁的“规则手册”。

计算机的任务是观察来自 MRI 扫描的模糊、不完整的数据，然后说：“好吧，我看到了这些点，但我同时也了解规则手册。如果血液在这里是以这种方式运动的，那么为了遵守规则，它在那个地方必然是以那种方式运动的。”通过将真实的（尽管是杂乱的）数据与完美的物理规则相结合，计算机可以填补缺失的部分，并创建一个高分辨率的、三维的血液流动图。

测试驾驶：喷嘴与膨胀的气球

为了验证他们的想法是否真的奏效，团队进行了两种不同的测试。

首先，他们使用了一个 FDA 喷嘴基准测试（FDA nozzle benchmark）。这是一个科学家用来测试流动的标准管状模型。他们拥有两类数据：

完美模拟： 他们创建了一个完美的、计算机生成的流动过程（就像电子游戏一样），并假装其中有些部分缺失了。
真实实验： 他们使用了使用一种被称为 PIV（粒子图像测速法）的技术所获取的实际测量数据，这就像是拍摄水中漂浮微粒的照片。

在这些测试中，PINN 能够重建完整的流场。当他们将 PINN 的预测结果与“完美”的模拟结果进行比较时，发现它比仅使用原始数据要接近得多。更棒的是，当他们使用真实的、带有噪声的实验数据时，PINN 成功地平滑了误差，并预测出了相机看不见的东西，比如管内的压力和 壁面剪切应力（即血液摩擦管壁的力量）。

第二，他们尝试了一个更复杂的场景：一个 脑动脉瘤模型（血管中一个膨胀的薄弱点）。这一次，他们使用了实验室实验中的真实 4D 流磁共振成像（4D flow MRI）数据。这些数据是稀疏且多噪的，尤其是在边缘区域。PINN 成功重建了速度（速度和方向）以及压力。它甚至捕捉到了在原始模糊数据中隐藏的旋涡（vortices）模式。

他们的发现（以及没能发现的）

主要发现是，这种“物理+数据”的方法非常有效。它能将低质量、稀疏的测量结果转化为高分辨率的三维血液流动故事。

压力： 论文表明，该方法可以估算压力，而这通常是无法直接通过这些 MRI 扫描来测量的。重建的压力图看起来与模拟中的“地面真值（ground truth）”非常相似。
壁面剪切应力： 这是一个棘手的问题。论文发现，虽然该方法改善了结果，但预测血液摩擦墙壁的确切力量仍然很困难，尤其是当数据噪声很大或者边界条件（例如血管的确切形状）并非完全已知时。
“禁区”： 论文明确排除了这样一种观点，即你可以直接使用标准的计算机模拟（CFD）或简单的纯数据驱动 AI 而不考虑物理。标准的模拟速度慢且难以针对每个患者进行定制；而没有物理规则的纯 AI 则容易被噪声数据干扰，从而产生“非物理”的结果（例如血液以不可能的方式流动）。作者认为，你需要物理规则来让 AI 正常工作。

他们有多确定？

作者对他们的结果非常有信心，但对于自己的主张也非常谨慎。

模拟实验： 对于 FDA 喷嘴和动脉瘤，他们通过将方法与高保真计算机模拟的“地面真值”数据进行对比，证明了该方法的有效性。在这些受控的模拟环境中，该方法具有极高的准确性。
实验研究： 当他们使用真实的实验数据（PIV 和 MRI）时，结果非常令人期待，并且比标准方法更符合物理现实。然而，在动脉瘤案例中，他们指出，由于数据过于分散和嘈杂，壁面剪切应力的结果“难以评估且表现较差”。他们并不声称已经完美解决了测量壁面应力的难题，而是展示了他们的方法是一个比其他选择更好的起点。
局限性： 论文承认，他们目前的测试主要集中在层流（平滑流动）或简化模型上。他们没有在真实的、充满湍流和混沌状态的人体血液流动中进行测试。他们还指出，他们的方法依赖于已知边界条件（例如血液进入血管的确切速度），而这在实际患者身上往往很难获知。

核心结论

这篇论文表明，通过教计算机“游戏规则”（物理）以及观察“计分板”（数据），我们可以将模糊、不完整的医学扫描转化为清晰、详细的血液流动图。它目前还不是一种包治百病的“灵丹妙药”——尤其是在处理像壁面应力这样最棘手的测量时——但它是一个强大的新工具，能让模糊的图像变得更加清晰，并揭示出此前不可见的隐藏细节。

技术摘要：用于高分辨率流场指标重建的物理信息神经网络

1. 问题陈述

准确的空间解析流场测量对于评估心血管研究和临床实践中的血流动力学指标至至关重要。然而，诸如 4D 流 MRI、粒子图像测速技术 (PIV) 和多普勒超声等实验技术产生的数据往往具有稀疏性、噪声大或空间分辨率不足的问题。这些局限性在血管壁附近以及复杂流场区域（如回流区或向湍流过渡的区域）尤为显著。因此，衍生的血流动力学指标——特别是壁面剪切应力 (WSS) 和压力分布——的保真度会受到影响，从而降低了其在诊断狭窄、动脉瘤及评估破裂风险等病理中的临床实用价值。

虽然计算流体力学 (CFD) 可以提供高分辨率数据，但标准的模拟流程（涉及分割、网格划分和参数调优）在实现个性化方面计算成本高昂且过程繁琐。此外，纯数据驱动的方法在面对稀疏或噪声数据时往往泛化能力较差。作者提出了一种通过将物理定律与实验数据相结合来重建高保真流场的解决方案，以弥补这一差距。

2. 方法论

本研究采用了物理信息神经网络 (PINNs)，这是一类通过偏微分方程 (PDEs) 编码物理知识并同时利用数据进行训练的人工神经网络。

2.1 数学公式

该框架假设血液为不可压缩牛顿流体，受无量纲稳态纳维-斯托克斯 (Navier–Stokes) 方程支配。网络通过最小化总损失函数 $\mathcal{L}$ 来逼近速度场 $u(x,t)$ 和压力场 $p(x,t)$ ，该函数由三个主要项组成：
$\mathcal{L}(\tilde{\theta}) = \mathcal{L}_{PDE}(\tilde{\theta}) + \mathcal{L}_{BC}(\tilde{\theta}) + \mathcal{L}_{train}(\tilde{\theta})$

基于物理的损失 ( $\mathcal{L}_{PDE}$ 和 $\mathcal{L}_{BC}$ )： 这些项通过在整个定义域及边界上分布的一组配置点处计算残差，来强制执行动量平衡、质量守恒（连续性方程）和边界条件（入口、无滑移壁面和出口）。
- 为了处理不同数量级的残差，作者在标准均方误差 (MSE) 的基础上引入了均方对数误差 (MSLE) 项。这使得在物理残差较小的区域也能实现精确近似。
- 引入了零均值压力约束 ( $\mathcal{L}_{\bar{p}}$ )，以在缺乏特定压力边界条件的情况下确保压力的唯一性。
数据驱动损失 ( $\mathcal{L}_{train}$ )： 该项最小化网络输出与可用实验测量值（速度）之间的差异。
- 损失函数包括速度量值项，以及至关重要的速度方向单位向量 ( $\hat{u}$ ) 项。这增强了对流向的重建能力，即使在速度量级较低时也能避免零量级向量带来的问题。
- 值得注意的是，网络是在没有压力数据的情况下进行训练的；压力完全通过动量平衡方程进行重建。

2.2 网络架构与训练

架构： 全连接神经网络，包含三个隐藏层，采用双曲正切 (hyperbolic tangent) 激活函数，并使用批归一化 (batch normalization) 以缓解梯度消失或梯度爆炸问题。
优化： 使用两阶段训练过程：首先使用 ADAM 优化器进行初始优化，随后使用 L-BFGS-B 拟牛顿算法进行微调。
输入/输出： 输入为空间坐标 ( $x, y, z$ )；输出为速度分量和压力。

3. 核心贡献与实验验证

作者在两个不同的测试案例上验证了其框架：FDA 喷嘴基准测试和患者衍生的动脉瘤模型。

3.1 FDA 喷嘴基准测试

该案例同时使用了计算机模拟 (CFD/FEM) 数据和实验 PIV 数据。

计算机模拟验证： 作者对七种不同的 PINN 配置 (FDA-CFD-1 至 7) 进行了敏感性分析，以优化超参数。
- 发现： 物理一致性的损失权重缩放（确保残差处于相似数量级）产生了更稳健的结果。引入 MSLE 改善了低梯度区域的压力梯度重建。增加网络规模（神经元数量）提高了精度，但需要仔细平衡以避免拟合数值噪声。
- 结果： PINN 成功地从稀疏的截面数据中重建了速度场和压力场，在针对 PIV 数据进行训练时，其表现优于标准 CFD 在匹配特定实验约束方面的效果。
实验验证： 利用来自 FDA 基准测试的 PIV 数据，PINN 在部分截面上进行训练，并在移除的截面上进行测试。
- 发现： PINN 补偿了实验测量中的数据稀疏性和不对称性。在针对实验数据集进行验证时，它实现了比纯 CFD 模拟更低的误差，证明了在噪声、稀疏环境下物理信息正则化的优势。

3.2 动脉瘤模型

该案例侧重于使用体外 4D 流 MRI 数据研究患者衍生的真实动脉瘤几何结构中的血流。

设置： 该模型使用脉动流数据。PINN 基于低分辨率 (1.5 mm³) 的 MRI 数据进行训练，以重建高分辨率流场。
发现：
- 速度与涡度： PINN 成功恢复了主要流场特征，并识别出了在原始低分辨率训练数据中无法观察到的涡度路径，显示出比纯数据驱动方法更好的高分辨率 (1.0 mm³) MRI 一致性。
- 压力： 该框架实现了对压力分布的无创估计，而压力是 4D 流 MRI 中无法直接测量的量。
- 壁面剪切应力 (WSS)： 虽然基于物理的正则化提高了整体保真度，但由于对边界条件和数据离散度的高度敏感性，WSS 的估计仍然具有挑战性。然而，PINN 提供的分布比原始数据插值更具连贯性。
- 积分量： 该方法成功估算了单个心动周期内的动能和恩斯特罗菲 (enstrophy)，其中特定的配置（例如 AN-4DMRI-2）在数据保真度和物理一致性之间取得了良好的折衷。

4. 重要性与主张

本文声称，所提出的 PINN 框架为增强 4D 流 MRI 后处理提供了一种计算高效且准确的方法。其主要意义在于：

数据融合： 成功地将稀疏、多噪或分辨率不足的实验数据与不可压缩纳维-斯托克斯方程相结合。
卓越的重建能力： 实现的空间解析解比标准 CFD 或纯数据驱动方法更接近真实值（计算机模拟）和实验观测值，特别是在复杂流场或靠近边界的区域。
推导未测量量： 在无需侵入性测量的情况下，实现对临床相关但难以直接测量的量（特别是压力和壁面剪切应力）的估计。
无网格优势： 避免了传统 CFD 所需的繁琐几何分割和网格生成步骤，因为 PINN 利用的是无网格公式。

作者总结道，尽管在超参数选择和处理高度湍流或瞬态流方面仍存在挑战，但 PINNs 代表了提高新兴成像技术（如 4D 流 MRI）衍生的血流动力学指标保真度的有力工具。