인체 내 흐름 현상에 대한 기계적 해석은 혈관 장애와 같은 병리적 변화 이해에 필수적입니다. 임상 의학 영상과 전산 유체 역학(CFD)을 결합한 유체 데이터 동화의 최근 발전은 관찰된 데이터에 충실한 흐름 필드를 재구성할 수 있게 해주었습니다. 변별적 데이터 동화는 CFD를 사용하여 물리적 매개변수를 효과적으로 추정하지만, 높은 계산 비용이 임상 응용을 제한합니다. 물리 법칙을 딥러닝에 통합한 물리 정보 신경망(PINNs)은 전이 학습(파인튜닝)과 결합할 때 특히 유망한 대안이 됩니다. 하지만 환자 맞춤형 형상에 직접적으로 파인튜닝을 적용하는 것은 혈관 형태의 변동성으로 인해 여전히 도전적입니다. 이 문제를 해결하기 위해 우리는 좌표 변환을 통합한 파인튜닝 접근법을 제안합니다. 이 방법의 효과는 간단한 형상을 가진 2차원 정상 흐름 문제에서 입증되었습니다.
Ueda et al. (Wed,) 이 질문을 연구했습니다.