⚡ electrical engineering

PINN-Flow: A Unified Physics-Informed Optical Flow Framework for Joint Fluid–Wall Motion Estimation in Abdominal Aortic Aneurysms

PINN-Flow 是一个统一的物理信息深度学习框架，它通过整合纳维-斯托克斯方程和线性弹性约束，共同估算腹主动脉瘤中的血流速度和主动脉壁位移，从而在噪声鲁棒性和破裂风险分层准确性方面显著优于数据驱动的基准模型。

原作者： hanae hanae

发布于 2026-07-08

📖 1 分钟阅读☕ 轻松阅读

原作者： hanae hanae

原始论文采用 CC BY 4.0 许可（https://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

大局观：修复一张破碎的地图

想象一下，你正在尝试绘制一张繁忙城市的地图。你有两项任务：

任务 A： 追踪车辆（血液）在道路上的移动速度。
任务 B： 追踪人行道（动脉壁）是如何拉伸和震动的。

过去，研究人员使用两个独立的、非常聪明的计算机（AI 模型）来完成这些工作。他们观察间隔一瞬间拍摄的城市照片，并根据像素的变化来推测运动情况。

问题所在：
有时，照片是模糊的、有雾气的，或者带有静电噪声（就像电视信号不好一样）。当照片质量很差时，这些聪明的计算机就会感到困惑。它们可能会误判一辆车正在向后行驶，或者误判人行道正在以违背物理定律的方式进行拉伸。这是非常危险的，因为医生需要这些地图来预测动脉（腹主动脉瘤，简称 AAA）是否即将破裂。地图中最关键的部分——道路与人行道交界的地方——通常是最模糊的，这导致在最需要准确度的地方却产生了最糟糕的推测。

解决方案：PINN-Flow

作者创建了一个名为 PINN-Flow 的新系统。不要仅仅把它看作一个制图员，而要把它看作一个同时随身携带一本物理规则手册的制图员。

这个新系统不仅仅是根据图像看起来的样子进行猜测，它还会询问：“这种运动是否符合自然规律？”

它通过将两项工作合并为一个拥有两个“大脑”（解码器）且共享同一双“眼睛”（编码器）的智能系统来实现这一点：

流体大脑： 观察血液流动。
壁面大脑： 观察动脉壁的拉伸。

它是如何工作的：“规则手册”类比

其核心秘诀在于，该系统在训练时必须遵循两条严格的规则，即使照片很模糊也必须遵守。

1. 血液的“无魔法”规则（纳维-斯托克斯方程）
想象你在观察一条河流。如果水流进了一段河流，它必须从其他地方流出。水不能凭空消失，也不能凭空出现。

旧的 AI： 如果照片模糊，它可能会误判水消失了。
PINN-Flow： 它内置了一条规则，即“质量必须守恒”。如果推测违反了这一条（例如水消失了），系统就会知道自己错了并进行自我修正，即使照片很模糊。

2. 壁面的“无幽灵拉伸”规则（弹性理论）
想象一根橡皮筋。如果你拉住一端，整根橡皮筋都会以一种平滑、逻辑一致的方式拉伸。它不会仅仅因为摄像机抖动，就突然变成一个锯齿状的、不可能出现的形状。

旧的 AI： 如果超声图像中有“雪花”（静电噪声），它可能会误判壁面在某个微小的点上发生了剧烈的拉伸。
PINN-Flow： 它有一条规则，即“壁面必须处于平衡状态”。如果推测显示壁面正以违背物理定律的方式进行拉伸，系统会拒绝该推测。

结果：为什么它更好

研究人员使用计算机模拟实验测试了这种新系统，在模拟中，他们特意增加了图像的噪声和模糊度（就像给电视画面加上静电干扰一样）。

旧系统： 当图像变差时，它们的推测变得极其不准确。它们就像是在大雾中没有地图的司机；它们只会盲目猜测，并且经常“撞车”。
PINN-Flow： 即使在图像效果很差的情况下，它依然能保持较高的准确度。因为它被“物理规则手册”所锚定，所以不会在噪声中迷失方向。
- 它犯的错误更少（误差率更低）。
- 它更稳定（不会在不同推测之间剧烈跳动）。
- 在图像噪声非常大的情况下，它比表现最好的旧方法提升了约 29%。

局限性（不足之处）

论文坦诚地说明了该系统目前还无法做到的事情：

它是 2D 的： 它观察的是动脉的平面切片，就像看一本书的单页。真实的动脉是 3D 管状结构，有时物体会向“纸面内”或“纸面外”移动，而这个系统会遗漏这些信息。
它是模拟实验： 展示的结果来自计算机模拟，尚未应用于真实患者。这证明了该理念是可行的，但尚未在医院的实际人类扫描数据上进行测试。
计算量大： 因为它必须进行复杂的数学运算来检查物理规则，所以运行时间比旧系统大约长 2 到 3 倍。

总结

PINN-Flow 是一种追踪血液和动脉壁的新方法，它不仅是“观察”图像，它还在“思考”物理学。通过强制计算机遵守自然法则（如质量守恒和橡皮筋拉伸），即使在图像模糊时，它也能清晰地“看见”，从而为医生评估动脉破裂风险提供更安全、更可靠的地图。

技术摘要：PINN-Flow

问题陈述

腹主动脉瘤（AAA）的破裂风险分层依赖于两个在生物力学上耦合的物理量：源自管腔内血液流动的壁面剪切应力（WSS），以及源自主动脉组织机械应力的峰值壁面应力（PWS）。目前的深度学习方法通过纯数据驱动的光流法分别处理这两个量：

流水线 1： 使用 U-Net + RAFT 在电影磁共振成像（Cine-MRI）上估计流体速度。
流水线 2： 使用 U-Net + TV-L1 在 B 型超声上估计壁面应变。

这些方法存在一个关键的结构性缺陷：它们的损失函数仅强制执行光度一致性和通用的空间平滑性，缺乏基于血液或组织底层物理学的约束。因此，它们极易受到特定模态伪影的影响（例如超声中的斑点失相干、MRI 中的相位伪影），特别是在近壁边界层区域。该区域是图像对比度最低的区域，也是计算 WSS 和 PWS 的位置，会导致局部估算出现异常，从而损害破裂风险评估。

方法论

作者提出了 PINN-Flow，一个统一的物理信息神经网络（PINN）框架，通过共享编码器、双解码器架构共同估计流体速度场和壁面位移场。

1. 网络架构

结构： 一个共享的多尺度编码器为两个独立的解码器提供输入：一个流体分支用于预测稠密速度 $(u, v)$ ，一个壁面分支用于预测壁面位移 $(u_w, v_w)$ 。
特征耦合： 共享编码器允许近壁边界特征同时为两个分支提供信息，从而实现软性的特征级耦合，这与输出层强制执行的物理约束相辅相成。
可学习参数： 运动粘度 ( $\nu$ ) 和杨氏模量 ( $E$ ) 在对数空间中进行参数化，并与网络权重共同学习。

2. 数学公式

网络通过最小化复合损失函数进行训练：
$L_{total} = \lambda_1 L_{data} + \lambda_2 L_{smooth} + \lambda_3 L_{NS} + \lambda_4 L_{Elast}$

数据项 ( $L_{data}$ )： 通过在连续帧之间使用鲁棒的扭曲损失（Huber loss）来强制执行亮度恒定性。
平滑项 ( $L_{smooth}$ ）： 对速度场和位移场的梯度实施空间正则化。
纳维-斯托克斯项 ( $L_{NS}$ ）： 对流体分支应用二维不可压缩纳维-斯托克斯残差。它惩罚违反质量守恒（ $\nabla \cdot V = 0$ ）和动量守恒的行为。由于缺乏直接的压力测量，压力梯度项被吸收进一个简化后的残差中。
弹性项 ( $L_{Elast}$ ）： 对壁面分支应用线性弹性静态平衡残差。它将壁面建模为线性弹性、小应变、平面应力材料，惩罚违反平衡方程（ $\nabla \cdot \sigma = 0$ ）的行为。

3. 实现：坐标连续微分

一个关键的技术创新是计算物理残差的方法。该网络并非在离散的像素格点上使用有限差分，而是通过可微的网格采样操作，将网络输出双线性重采样到连续坐标网格上。

这将离散的 CNN 输出转化为坐标 $(x, y)$ 的真正连续且二阶可微的函数。
用于计算 PDE 残差的空间和时间导数是通过该连续场上的自动微分计算的，确保了精确的可微性并能反向传播至网络权重。

核心贡献

统一框架： 单一架构即可同时估计管腔内流体速度和主动脉壁面位移，适用于 Cine-MRI 和 B 型超声。
物理信息损失： 实现了一种结合了二维不可压缩纳维-斯托克斯残差（流体）和线性弹性静态平衡残差（壁面）的复合损失，并通过自动微分进行计算。
鲁棒性验证： 通过受控噪声注入实验证明，物理约束能降低收敛损失、减少训练不稳定性，并在噪声环境下表现出更优雅的性能退化，优于数据驱动的基准模型。
临床意义分析： 讨论了该框架如何改进 WSS 和 PWS 的估算，而这两者是描述 AAA 破裂风险的主要指标。

实验结果

实验使用受控噪声水平的模拟数据进行（包括模拟超声条件的乘性斑点噪声和模拟 MRI 条件的加性 Rician 噪声），因为目前尚无带有同步参考的真实 AAA 标注数据集。

收敛性： PINN-Flow 实现了 0.1053 的最终训练损失和 0.1112 的验证损失，显著低于数据驱动基准模型（分别为 0.2369 和 0.2731）。
稳定性： 最后 20 个 epoch 的损失标准差降低了约 2.7 倍（0.0066 对比 0.0180），表明其波动更小且更少陷入局部极小值。
噪声鲁棒性： 在增加噪声水平的情况下，PINN-Flow 展示了卓越的韧性。从清洁数据到最高噪声水平的归一化均方根误差（NRMSE）退化程度，PINN-Flow 为 +172.6%，而 RAFT 为 +184.6%，TV-L1 为 +214.7%。
高噪声下的表现： 在最高模拟噪声水平下，PINN-Flow 的平均 NRMSE 分别优于 TV-L1 约 29% 和 RAFT 约 21%。

意义与主张

论文声称，通过将追踪过程限制在物理上可容许的速度场和位移场内，PINN-Flow 将此前分离的 AAA 处理流程统一到了一个框架中。其主要意义在于能够产生更稳定且抗伪影的 WSS 和 PWS 估算值，特别是在纯光度模型通常失效的低对比度、高噪声近壁区域。

作者强调，物理先验在光度信息受损（例如靠近壁面边界）的区域起到了“锚定”作用，确保生成的场保持无散特性并处于平衡状态。这对于临床应用至关重要，因为最嘈杂的区域往往也是计算破裂风险最关键的区域。

局限性

作者明确承认了以下几点局限性：

二维假设： 该公式是平面性的；未对面外流动和运动进行惩罚，这可能会在存在强 3D 曲率的区域导致估算偏差。
压力项： 由于缺乏直接的压力测量，动量残差省略了显式的压力梯度项。
计算成本： 二阶自动微分使得反向传播的计算成本大约增加了两到三倍。
模拟验证： 结果基于模拟噪声模型而非配对的临床真实数据集；因此，这些结果建立的是可行性和预期行为，而非临床级的证据。
均匀参数： 模型假设粘度和刚度在空间上是均匀的，而生物学现实中存在空间变化。