Localized FNO for Spatiotemporal Hemodynamic Upsampling in Aneurysm MRI

📄 arXiv: 2507.13789v1 📥 PDF

作者: Kyriakos Flouris, Moritz Halter, Yolanne Y. R. Lee, Samuel Castonguay, Luuk Jacobs, Pietro Dirix, Jonathan Nestmann, Sebastian Kozerke, Ender Konukoglu

分类: cs.CV, cs.AI, physics.comp-ph

发布日期: 2025-07-18

💡 一句话要点

提出局部傅里叶神经算子(LoFNO)用于动脉瘤MRI血流动力学时空超分辨率重建

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 傅里叶神经算子 血流动力学 动脉瘤 磁共振成像 超分辨率 几何先验 壁面剪切应力

📋 核心要点

  1. 现有磁共振血流成像时空分辨率低、信噪比不足，限制了动脉瘤破裂风险的准确评估。
  2. LoFNO结合几何先验和神经算子，实现血流数据的去噪和时空超采样，提升分辨率和预测精度。
  3. 实验表明，LoFNO在速度和壁面剪切应力预测方面优于传统插值和现有深度学习方法。

📝 摘要（中文）

血流动力学分析对于预测动脉瘤破裂和指导治疗至关重要。磁共振血流成像能够进行时间分辨的体积血流速度测量，但其低时空分辨率和信噪比限制了其诊断效用。为了解决这个问题，我们提出了一种新的3D架构——局部傅里叶神经算子(LoFNO)，它增强了空间和时间分辨率，并能够直接从临床成像数据预测壁面剪切应力(WSS)。LoFNO集成了拉普拉斯特征向量作为几何先验，以提高对不规则、未见几何结构的结构感知能力，并采用增强型深度超分辨率网络(EDSR)层来实现鲁棒的超采样。通过将几何先验与神经算子框架相结合，LoFNO对血流数据进行去噪和时空超采样，与插值和替代深度学习方法相比，实现了卓越的速度和WSS预测，从而实现更精确的脑血管诊断。

🔬 方法详解

问题定义：论文旨在解决动脉瘤MRI血流成像中时空分辨率不足的问题。现有的MRI技术在捕捉血流动力学细节方面存在局限性，导致难以准确预测动脉瘤破裂风险和指导治疗方案。传统插值方法和一些深度学习方法在处理复杂几何结构和噪声数据时表现不佳。

核心思路：论文的核心思路是将几何先验知识融入到神经算子框架中，利用拉普拉斯特征向量来编码血管的几何结构信息，从而提高模型对不规则几何形状的感知能力。同时，结合增强型深度超分辨率网络(EDSR)进行鲁棒的超采样，以提升时空分辨率。

技术框架：LoFNO的整体架构包括以下几个主要模块：1) 输入层：接收低分辨率的血流速度数据和几何信息（拉普拉斯特征向量）；2) 傅里叶神经算子(FNO)层：在傅里叶空间进行非线性映射，学习血流动力学规律；3) 局部化机制：将FNO层应用于局部区域，提高计算效率和模型泛化能力；4) EDSR层：进行超分辨率重建，提升图像分辨率；5) 输出层：输出高分辨率的血流速度和壁面剪切应力(WSS)预测结果。

关键创新：LoFNO的关键创新在于将拉普拉斯特征向量作为几何先验融入到神经算子框架中。这种方法能够有效地编码血管的复杂几何结构，提高模型对不规则形状的感知能力，从而改善血流动力学预测的准确性。与传统的卷积神经网络相比，神经算子能够学习连续函数空间之间的映射关系，具有更强的泛化能力。

关键设计：论文中使用了3D FNO结构，并采用局部化策略来降低计算复杂度。EDSR层采用了残差连接和跳跃连接，以提高超分辨率重建的性能。损失函数包括速度预测的均方误差和WSS预测的均方误差。具体的参数设置和网络结构细节在论文中有详细描述，但未在此处明确给出。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，LoFNO在血流速度和壁面剪切应力(WSS)预测方面显著优于传统的插值方法和现有的深度学习方法。具体性能提升数据在论文中给出，但此处未明确量化。LoFNO能够有效地去噪并提升时空分辨率，为更精确的脑血管诊断提供了可能。

🎯 应用场景

该研究成果可应用于动脉瘤破裂风险评估、治疗方案优化和介入手术规划等领域。通过提高血流动力学分析的精度，可以帮助医生更准确地判断动脉瘤的稳定性，制定个性化的治疗方案，并提高手术的成功率。该技术还有潜力扩展到其他血管疾病的诊断和治疗中。

📄 摘要（原文）

Hemodynamic analysis is essential for predicting aneurysm rupture and guiding treatment. While magnetic resonance flow imaging enables time-resolved volumetric blood velocity measurements, its low spatiotemporal resolution and signal-to-noise ratio limit its diagnostic utility. To address this, we propose the Localized Fourier Neural Operator (LoFNO), a novel 3D architecture that enhances both spatial and temporal resolution with the ability to predict wall shear stress (WSS) directly from clinical imaging data. LoFNO integrates Laplacian eigenvectors as geometric priors for improved structural awareness on irregular, unseen geometries and employs an Enhanced Deep Super-Resolution Network (EDSR) layer for robust upsampling. By combining geometric priors with neural operator frameworks, LoFNO de-noises and spatiotemporally upsamples flow data, achieving superior velocity and WSS predictions compared to interpolation and alternative deep learning methods, enabling more precise cerebrovascular diagnostics.