一种左心室压力个性化估计模型参数子集选择方法

doi:10.12068/j.issn.1005-3026.2022.08.003

东北大学学报（自然科学版） ›› 2022, Vol. 43 ›› Issue (8): 1080-1088.DOI: 10.12068/j.issn.1005-3026.2022.08.003

一种左心室压力个性化估计模型参数子集选择方法

柳军^1,2，郝丽玲¹，何光宇³，徐礼胜^1,3

(1. 东北大学医学与生物信息工程学院，辽宁沈阳110169； 2. 中国医科大学生物医学工程系，辽宁沈阳110122； 3. 沈阳东软智能医疗科技研究院有限公司，辽宁沈阳110167)

修回日期:2021-09-14 接受日期:2021-09-14 发布日期:2022-08-11
通讯作者: 柳军
作者简介:柳军(1981-)，男，山东烟台人，东北大学博士研究生；徐礼胜(1975-)，男，安徽安庆人，东北大学教授，博士生导师.
基金资助:
国家自然科学基金资助项目(61773110)；沈阳市科学技术计划项目(20-201-4-10)；中央高校基本科研业务费专项资金资助项目(N2119008)；沈阳东软智能医疗科技研究院有限公司会员课题基金资助项目(MCMP062002).

A Method of Model Parameters Subset Selection for Left Ventricle Pressure Waveform Individual Estimation

LIU Jun^1,2， HAO Li-ling¹， HE Guang-yu³， XU Li-sheng^1,3

1. College of Medicine and Biological Information Engineering， Northeastern University， Shenyang 110169， China; 2. Department of Biomedical Engineering， China Medical University， Shenyang 110122， China; 3. Neusoft Research of Intelligent Healthcare Technology Co.， Ltd.， Shenyang 110167， China.

Revised:2021-09-14 Accepted:2021-09-14 Published:2022-08-11
Contact: XU Li-sheng
About author:-
Supported by:
-

摘要/Abstract

摘要： 针对模型估计左心室压力波形的临床个性化需求和大量参数优化计算复杂情况，提出基于灵敏度分析的模型参数子集选择策略.以左心室压力波形特征作为体循环模型的输出，通过自适应稀疏多项式混沌展开算法构建原始模型的元模型，改进索贝尔灵敏度指标计算，选出模型中对左心室压力波形特征有重要影响的参数作为参数子集.本文提出的选择策略可以为左心室压力波形估计中的模型参数临床个性化提供参考依据；参数子集中模型参数数量的减少，可以降低优化空间和参数求解的复杂度.实验结果表明，采用参数子集的左心室压力波形及特征估计与模型的全体参数估计具有很高的一致性.

关键词: 灵敏度分析；参数子集选择；左心室压力波形估计；自适应稀疏多项式混沌展开算法；索贝尔法

Abstract: Since the left ventricle pressure waveform(LVPW)estimation is based on the model with numerous patient specific parameters， there is a great need to reduce the computation cost. A parameter subset selection strategy based on sensitivity analysis is proposed to solve these problems. LVPW features are chosen as outputs of a systemic circulation model. The meta model is created by adaptive sparse polynomial chaos expansion algorithm， and then Sobol sensitivity index is computed. Finally， the parameters which have large impact on LVPW features are selected as parameter subset. The parameter subset selection proposed in this paper can provide help for applying model to patient specific situations in clinical applications. Meantime， the results indicate that the reducing size of parameter subset can decrease the complex computation of parameter optimization significantly. Furthermore， LVPW estimation based on the proposed method has high correlation with that based on full model parameters.

Key words: sensitivity analysis; parameter subset selection; left ventricle pressure waveform(LVPW)estimation; adaptive sparse polynomial chaos expansion algorithm; Sobol method

中图分类号:

TP391.4

柳军，郝丽玲，何光宇，徐礼胜. 一种左心室压力个性化估计模型参数子集选择方法[J]. 东北大学学报（自然科学版）, 2022, 43(8): 1080-1088.

LIU Jun， HAO Li-ling， HE Guang-yu， XU Li-sheng. A Method of Model Parameters Subset Selection for Left Ventricle Pressure Waveform Individual Estimation[J]. Journal of Northeastern University(Natural Science), 2022, 43(8): 1080-1088.

参考文献

[1]Bastos M B，Burkhoff D，Maly J，et al.Invasive left ventricle pressure-volume analysis:overview and practical clinical implications［J］.European Heart Journal，2020，41(12):1286-1297.
[2]Gotzmann M，Hauptmann S，Hogeweg M，et al.Hemodynamics of paradoxical severe aortic stenosis:insight from a pressure-volume loop analysis［J］.Clinical Research in Cardiology，2019，108(8):931-939.
[3]Seemann F，Arvidsson P，Nordlund D，et al.Noninvasive quantification of pressure-volume loops from brachial pressure and cardiovascular magnetic resonance［J］.Circulation Cardiovascular Imaging，2019，12(1):e008493.
[4]Davidson S，Pretty C，Kamoi S，et al.Beat-by-beat estimation of the left ventricular pressure-volume loop under clinical conditions［J］.Annals of Biomedical Engineering，2018，46(1):171-185.
[5]Owashi K P，Hubert A，Galli E，et al.Model-based estimation of left ventricular pressure and myocardial work in aortic stenosis［J］.PloS One，2020，15(3):e0229609.
[6]Bonfanti M，Franzetti G，Maritati G，et al.Patient-specific haemodynamic simulations of complex aortic dissections informed by commonly available clinical datasets［J］.Medical Engineering & Physics，2019，71:45-55.
[7]Olsen C H，Ottesen J T，Smith R C，et al.Parameter subset selection techniques for problems in mathematical biology［J］.Biological Cybernetics，2019，113(1):121-138.
[8]Meiburg R，Huberts W，Rutten M C M，et al.Uncertainty in model-based treatment decision support:applied to aortic valve stenosis［J］.International Journal for Numerical Methods in Biomedical Engineering，2020，36(10)):e3388.
[9]Rondanina E，Bovendeerd P H M.Stimulus-effect relations for left ventricular growth obtained with a simple multi-scale model:the influence of hemodynamic feedback［J］.Biomechanics and Modeling in Mechanobiology，2020，19(6):2111-2126.
[10]IM S.Sensitivity estimates for nonlinear mathematical models［J］.Mathematical Modeling and Computational Experiment，1993，1(4):407-414.
[11]Sobol I M.Global sensitivity indices for nonlinear mathematical models and their Monte Carlo estimates［J］.Mathematics and Computers in Simulation，2001，55(1/2/3):271-280.
[12]Sudret B.Global sensitivity analysis using polynomial chaos expansions［J］.Reliability Engineering & System Safety，2008，93(7):964-979.
[13]Quicken S，Donders W P，van Disseldorp E M J，et al.Application of an adaptive polynomial chaos expansion on computationally expensive three-dimensional cardiovascular models for uncertainty quantification and sensitivity analysis［J］.Journal of Biomechanical Engineering，2016，138(12):121010.
[14]Bratley P，Fox B L.Implementing Sobols quasirandom sequence generator(algorithm 659)［J］.ACM Transactions on Mathematical Software，2003，29(1):49-57.
[15]Willemet M，Chowienczyk P，Alastruey J.A database of virtual healthy subjects to assess the accuracy of foot-to-foot pulse wave velocities for estimation of aortic stiffness［J］.American Journal of Physiology-Heart and Circulatory Physiology，2015，309(4):H663-H675.(上接第1072页)全时期疫情变化趋势以及确诊总人数作出相应的预测，可为决策者提供参考.根据实验结果分析发现，如果由转折点计算得到的m值在(0.15，0.25)之间，那么预测的结果较好.全时期疫情数据的拟合结果表明，用舆情数据修正得到的感染率能较好地适应各时期疫情扩散的特点，使全时期疫情传播的仿真结果更佳.

一种左心室压力个性化估计模型参数子集选择方法

A Method of Model Parameters Subset Selection for Left Ventricle Pressure Waveform Individual Estimation

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	丁其川，王力，刘成. 融合长距离信道注意力与病理特征的肺结节分类[J]. 东北大学学报（自然科学版）, 2023, 44(4): 476-485.
[2]	杨丹，刘国如，任梦成，裴宏杨. 多尺度卷积核U-Net模型的视网膜血管分割方法[J]. 东北大学学报（自然科学版）, 2021, 42(1): 7-14.
[3]	原培新，陈鼎夫. 双能X射线高动态范围安检图像压缩算法[J]. 东北大学学报（自然科学版）, 2021, 42(1): 96-101.
[4]	张田，田勇，王子，王昭东. 基于清晰度评价的自适应阈值图像分割法[J]. 东北大学学报:自然科学版, 2020, 41(9): 1231-1238.
[5]	徐久强，张金鹏，贾玉其，邵建新. 基于集成学习的束支传导阻滞识别方法[J]. 东北大学学报:自然科学版, 2020, 41(3): 321-326.
[6]	徐礼胜，宋代远，刘文彦，王瑜璠. 用不同外周动脉波形重建主动脉波形的对比研究[J]. 东北大学学报:自然科学版, 2020, 41(2): 188-192.
[7]	冯宝，李昌林，李智，刘壮盛. 基于活动轮廓模型和影像组学的乳腺癌LVI状态预测[J]. 东北大学学报:自然科学版, 2020, 41(2): 193-199.
[8]	石春鹤，吴成东. 基于加权稀疏非负矩阵分解的车脸识别算法[J]. 东北大学学报:自然科学版, 2019, 40(10): 1376-1381.
[9]	张云洲，郑瑞，暴吉宁，朱尚栋. 基于多个相关滤波器的行人跟踪尺度算法[J]. 东北大学学报:自然科学版, 2019, 40(9): 1228-1234.
[10]	陈红，于晓升，吴成东，孙鹏. 参数化水平集活动轮廓模型的快速图像分割算法[J]. 东北大学学报:自然科学版, 2019, 40(1): 6-10.
[11]	张良钰，边天元，徐礼胜. 冠脉狭窄对外周与中心动脉间传递函数的影响[J]. 东北大学学报:自然科学版, 2018, 39(12): 1702-1707.
[12]	赵海，李雄峰，朱宏博，王彬. 基于分形维数特征的肺结节形状建模[J]. 东北大学学报:自然科学版, 2018, 39(11): 1545-1551.
[13]	窦圣昶，赵海，朱宏博，王彬. 修正与融合的肺部分割算法[J]. 东北大学学报:自然科学版, 2018, 39(11): 1562-1566.
[14]	徐礼胜，张书琪，牛潇，徐阳. 基于全卷积网络的左心室射血分数自动检测[J]. 东北大学学报:自然科学版, 2018, 39(11): 1572-1576.
[15]	齐林，吕旭阳，杨本强，徐礼胜. 基于全卷积网络迁移学习的左心室内膜分割[J]. 东北大学学报:自然科学版, 2018, 39(11): 1577-1582.