Synthetic dataset of 1,500 anatomies representing the bifurcation of the left coronary artery

该数据集由米兰理工大学等机构创建，主要用于研究冠状动脉疾病的血流动力学模拟。数据集包含1500个合成的左冠状动脉分叉模型，每个模型随机引入了1到3个狭窄，狭窄程度在20%到60%之间。数据集的生成过程包括从健康受试者重建分叉模型，并通过CFD模拟生成血流动力学数据。该数据集的应用领域主要集中在心血管疾病的诊断和治疗，旨在通过几何深度学习模型预测血流动力学标量场，从而替代传统的CFD模拟，减少计算成本和时间。This dataset was developed by institutions including Politecnico di Milano, primarily for research on hemodynamic simulations of coronary artery disease. It contains 1500 synthetic left coronary artery bifurcation models, each of which randomly incorporates 1 to 3 stenoses with stenosis severity ranging from 20% to 60%. The dataset generation workflow involves reconstructing bifurcation models from healthy human subjects and generating hemodynamic data through CFD simulations. The core application scenarios of this dataset focus on the diagnosis and treatment of cardiovascular diseases, aiming to predict hemodynamic scalar fields using geometric deep learning models, thus replacing traditional CFD simulations to reduce computational costs and time.

搜集汇总

数据集介绍

构建方式

该数据集由1,500个合成解剖结构组成，代表左冠状动脉的分叉。这些解剖结构通过从健康个体的分叉模型中重建而来，并在上游和下游分别捕获约1厘米和4厘米的长度。随机引入的狭窄病变，其严重程度代表从20%到60%的口径减少，包括偏心和同心狭窄。每个合成模型被离散化为四面体体积网格，并在SimVascular中进行了CFD模拟，设置了在生理范围内的随机边界条件，以实现约100至300毫升/分钟的流入量和约90至110毫米汞柱的主动脉压力。流动被假定为层流和不压缩，密度为1.05克/立方厘米，动力粘度为4厘泊。

使用方法

使用该数据集的方法包括首先训练每个模型以学习三个相关标量场之一：压力、压力降和FFR场。基于在合成数据集上获得的结果，然后选择其中一个输出变量，在患者特定的解剖结构上进行进一步实验。所有模型都使用相同的顶点特定输入特征进行训练。该方法显著降低了训练和推理的计算成本，并使得基于机器学习的vFFR估计的整体成本低于2分钟。

背景与挑战

背景概述

冠状动脉疾病是全球死亡的主要原因之一，诊断的黄金标准是分数流量储备（FFR）检查。然而，该检查的侵入性和成本高昂，因此研究人员开发了基于计算机的虚拟FFR（vFFR）计算方法，使用计算流体动力学（CFD）技术模拟冠状动脉血流。几何深度学习算法在最近的研究中显示出学习网格上的特征的能力，并在心血管研究领域得到应用。本研究旨在进行全面的实证分析，以预测冠状动脉中的vFFR场，作为CFD模拟的替代品。研究人员评估了六种不同的后端，并比较了它们在网格上学习流体动力学的性能，使用CFD解决方案作为真实值。该研究分为两部分：首先，使用一个包含1500个左冠状动脉分叉的合成数据集，每个模型都训练以预测各种与压力相关的场，然后从这些场中重建vFFR场。其次，使用一个包含427个患者特异性CFD模拟的数据集，重复在合成数据集上进行的实验，重点关注在合成数据集中表现最佳的学习变量。研究发现，各种几何深度学习后端可以有效地作为CFD替代品，用于涉及简单几何形状的问题。然而，对于涉及具有复杂和异构拓扑的数据集的任务，基于Transformer的网络是最佳选择。此外，压力下降成为学习压力相关场的最佳网络输出。

当前挑战

该数据集和相关研究面临的主要挑战包括：1) 解决领域问题的挑战，例如使用几何深度学习算法预测冠状动脉中的vFFR场；2) 构建过程中遇到的挑战，例如在真实患者解剖结构上训练模型时，需要考虑几何特征的复杂性和物理边界条件。研究结果表明，各种几何深度学习模型可以有效地作为CFD替代品，用于涉及简单几何形状的问题。然而，对于涉及具有复杂和异构拓扑的数据集的任务，基于Transformer的网络是最佳选择。此外，压力下降成为学习压力相关场的最佳网络输出。

常用场景

经典使用场景

该数据集主要用于评估几何深度学习模型在预测冠状动脉中的血流动力学标量场方面的性能。研究人员使用这个数据集来训练和测试不同的模型架构，如多感知器、点云网络、扩散网络、DeltaConv和两种基于变换器的模型（LaB-GATr和LaB-VaTr），以预测压力、压力降和FFR标量场。这些模型在预测vFFR场时，以CFD模拟结果作为基准进行评估。

解决学术问题

该数据集解决了冠状动脉血流动力学标量场预测的问题，特别是在冠状动脉疾病（CAD）的诊断中。由于FFR检查的侵入性和成本，研究人员正在开发基于计算机的虚拟FFR（vFFR）计算方法，以模拟冠状动脉血流。几何深度学习算法在学习和预测冠状动脉血流动力学方面表现出巨大的潜力，但需要在实际患者数据上验证其性能。

实际应用

该数据集的实际应用场景包括冠状动脉疾病的无创诊断，通过预测血流动力学标量场来评估狭窄的严重程度。此外，该数据集还可以用于加速vFFR计算，从而降低计算成本并提高临床实践的效率。该数据集还可以用于研究和开发新的几何深度学习模型，以进一步提高预测性能和临床应用的准确性。

数据集最近研究

最新研究方向

在冠状动脉疾病研究领域，该数据集的最新研究方向主要聚焦于利用几何深度学习模型学习冠状动脉网格上的血流动力学标量场，以作为计算流体动力学（CFD）模拟的替代。研究结果表明，各种几何深度学习技术适合作为简单网格和拓扑结构的CFD模拟替代，其中基于Transformer的模型在性能上优于其他方法。此外，研究发现，基于Transformer的架构在处理诸如患者特异性数据等复杂形状时最为合适。在预测冠状动脉网格上的压力相关标量场时，使用压力降作为训练过程中的学习变量比直接学习压力或FFR场能获得更好的性能。学习动脉网格上的压力相关场需要了解表面的几何特征和物理边界条件，提供网格入口处的压力可以显著提高模型性能。这些发现为冠状动脉疾病的诊断和治疗提供了新的思路和方法。

相关研究论文

• Learning Hemodynamic Scalar Fields on Coronary Artery Meshes: A Benchmark of Geometric Deep Learning Models

  米兰理工大学 · 2025年