Computationally-efficient constrained constructive optimisation algorithm for patient-specific coronary microvascular network generation
本文提出了一种计算高效的约束性构造优化框架，该框架通过整合现有的心外膜树、优化末梢血管连接并执行心肌壁厚度约束，来生成患者特异性的冠状微血管网络，从而实现具有验证准确性的大规模个性化灌注建模。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
在人类心脏内部，一个庞大而复杂的微细血管网络正不知疲倦地工作，为维持我们生命的肌肉组织输送氧气和营养。这个被称为微血管系统的系统如此密集且复杂，其中包含数百万条血管，其细微程度使得标准医学影像无法清晰观察到它们。当这些微小的通道发生阻塞或受损时，心肌就会遭受损害，导致一种被称为冠状动脉微血管疾病的病症。这种疾病影响着相当大比例的出现胸痛症状的患者，但由于医生无法轻易看到问题所在，因此难以对其进行诊断。为了了解血液如何在这些微观路径中流动并测试治疗方案，科学家们依赖于计算机模型。然而，构建一个真实的血管网络数字副本一直是一个巨大的挑战。模拟真实心脏所需的血管数量之多，使得计算量极其庞大，即使是最强大的计算机也需要耗费不切实际的时间才能完成任务，这往往迫使研究人员使用简化且准确性较低的版本。
格拉斯哥大学和米兰理工大学的一个研究小组开发了一种新方法来解决这一问题，创造出一种能够以以往所需时间的极小部分，生成详细的、针对特定患者的心脏微细血管图谱的方法。他们的工作专注于一种称为“约束构造优化”的技术，这种技术本质上是从底层开始构建一棵血管树。想象一下，从心脏表面可见的主动脉开始，然后通过算法生长出更小的分支，直到它们填满整个心肌，形成一个真实的、具有分支结构的网络。研究人员发现，通过改变计算机寻找每个新血管最佳连接点的方式，他们可以显著加快过程，而不会损失结果的生物学准确性。该方法不再检查每一个可能的连接点，而是快速识别出最有潜力的候选点，然后仅在最关键的地方进行精细选择。这种调整使得他们生成包含数千条血管的网络速度比以往的方法快了大约十三倍。
该团队首先在一个简单的球形结构中测试了他们的新算法，以确保其运行正确，从而确认了速度的提升并非以牺牲几何准确性为代价。随后，他们将该方法应用于形状复杂的、不规则的人类左心室（心脏的主要泵血腔）上。为了使模型真正实现“患者特异化”，他们从实际医学影像数据重建的大动脉开始，而不是从单一起点构建整棵树，然后直接从这些现有的粗大血管中生长出剩余的微血管系统。成功的关键在于加入了一条基于心壁厚度的特定规则。在真实的心脏中，主要的血流路径并不会漫无目的地游走；它们遵循与任何给定位置肌肉厚度相关的特定模式。通过执行这条规则，计算机防止了不切实际的、过长的分支生长，否则模型看起来将与真实心脏完全不同。
当研究人员将他们生成的计算机心脏图谱与通过死后影像技术获得的、高分辨率的真实人类心脏数据集进行对比时，结果显示两者惊人地相似。他们模型中最小血管的大小与真实数据高度吻称，且血管分裂和连接的角度也遵循了人体内发现的自然模式。如果没有关于心壁厚度的这条新规则，计算机产生的网络将会拥有过于细小且密集的血管，这显然表明模型缺失了一个关键的生物学约束。研究还表明，这种方法适用于不同物种，成功生成了真实的猪心脏微血管网络。这项工作提供了一个实用的工具，用于创建详细的、个性化的心脏血流模型，这最终可能帮助医生更好地理解并治疗目前仍难以诊断的疾病。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。