计算流体动力学（CFD）模拟冠状动脉血流提供了有价值的血流动力学指标，如压力梯度，用于诊断冠状动脉疾病（CAD）。然而，CFD计算成本高、耗时长，难以整合到大规模临床工作流程中。这些限制阻碍了用于训练AI模型的标记血流动力学数据的可用性，并阻碍了非侵入性、基于生理的CAD评估的广泛应用。为解决这些挑战，我们开发了一个端到端的流程，自动从冠状动脉计算机断层扫描血管造影（CCTA）中提取冠状动脉几何结构，简化模拟数据生成，并高效学习冠状动脉血压分布。该流程减少了与传统CFD工作流程相关的手动负担，同时生成一致的训练数据。此外，我们引入了一种基于扩散的回归模型。具体而言，反向条件扩散（ICD）模型旨在直接从CCTA衍生特征预测冠状动脉血压，从而在推理过程中避免了计算密集型CFD的需求。该提议模型使用Adam优化器在两个CCTA数据集上进行训练和验证，权重衰减为1×10⁻³，学习率为1×10⁻⁵，批量大小为100，并采用Huber损失函数。然后在十个模拟冠状动脉血流动力学案例的测试集上进行评估。实验结果表明其达到了最先进的性能。与长短期记忆网络（LSTM）相比，所提模型将R²分数提高了19.78%，将均方根误差（RMSE）降低了19.44%，并将归一化均方根误差（NRMSE）降低了18%。与多层感知器（MLP）相比，它将R²分数提高了8.38%，将RMSE降低了4.3%，并将NRMSE降低了5.4%。这项工作代表了向可扩展、可访问的快速、非侵入性CFD血压预测框架迈出的第一步，有潜力支持CAD诊断。
冠状动脉疾病（CAD）的特征是冠状动脉中斑块积聚，这可能限制血流、损害心脏功能，并最终导致心力衰竭。非阻塞性CAD通常可以单独用药物管理，而阻塞性病变（冠状动脉被阻塞≥70%）可能需要进一步治疗。在临床实践中，当侵入性冠状动脉造影中观察到的病变不确定时，必须仔细评估其功能意义以确定适当的管理策略。血流储备分数（FFR）是评估冠状动脉狭窄生理影响的广泛使用的临床指标。它被定义为在诱发充血条件下，狭窄远端最大血压与主动脉最大血压的比率。FFR提供了冠状动脉狭窄限制心肌血流程度的定量测量。FFR值≤0.80表明血流动力学显著狭窄和心肌功能降低，在这种情况下通常推荐血管成形术（PCI）或冠状动脉旁路移植术（CABG）等血运重建手术。
临床上，FFR通过压力传感导丝在冠状动脉造影过程中进行侵入性测量，该导丝穿过病变部位。这种基于导丝的FFR测量被认为是确定狭窄是否具有血流动力学显著性的金标准。尽管其临床可靠性，但基于导丝的FFR具有侵入性，耗时，并与手术风险和额外成本相关，因为27.4%的设备故障导致患者不良事件。因此，基于计算流体动力学（CFD）的血压预测已成为估计FFR的非侵入性替代方法。通过模拟冠状动脉狭窄疑似区域近端和远端的冠状动脉血流和压力，CFD方法可以在无需压力导丝的情况下进行初步功能评估。因此，准确的血压预测是可靠非侵入性FFR估计和CAD早期识别的关键步骤。
近年来，非侵入性FFR估计已使用计算建模技术开发。这些方法不直接测量压力，而是从冠状动脉成像获得的解剖数据计算FFR，临床上应用的分数血流储备计算机断层扫描（FFRCT）。侵入性冠状动脉造影（ICA）虽然高度准确，但具有侵入性，并涉及通过血管系统将引导导管操纵至主动脉根部的动脉切开术，具有相当大的手术风险。相比之下，冠状动脉计算机断层扫描血管造影（CCTA）以较低风险提供冠状动脉的三维解剖成像，这需要在CT扫描前注射造影剂。FFRCT基于CT图像对冠状动脉树进行建模，并使用CFD模拟血流。心脏病专家可以可视化这些模拟以评估狭窄的功能意义，并为从低风险病例的药物治疗到高风险患者的手术干预制定治疗计划。
尽管具有临床实用性，FFRCT依赖于复杂的CFD模拟，涉及多个预处理和建模步骤，包括图像加载、分割、几何重建、网格化、边界条件分配和数值模拟。此外，瞬态CFD分析需要求解具有数百万自由度的复杂非线性方程，通常每例需要12-24小时的计算时间，这限制了其在急诊环境和快速临床决策中的使用。然而，HeartFlow和ArteryFlow等商业解决方案证明了基于CCTA的功能评估的可行性，但仍受到CFD工作流程固有的计算负担的限制。
为解决这些限制，基于深度学习的数据驱动方法已被探索用于直接从成像数据预测血流动力学。传统的回归架构，包括基于ResNet的特征提取器、多层感知器（MLP）以及LSTM和Bi-LSTM等循环模型，已应用于连续预测任务，但在建模复杂的空间压力分布时可能缺乏稳健性。最近，最初为图像合成开发的扩散模型在医学图像应用中展示了潜力，包括条件CT生成。与主要关注不确定性估计的分类和回归扩散（CARD）相比，基于扩散头的框架为离散和连续值预测提供了结构化的细化机制。这些新兴方法提供了比基于模拟的策略更可扩展和计算高效，可能促进CCTA非侵入性功能评估的更广泛临床应用。
重要的是，FFR从根本上被定义为在充血条件下冠状动脉狭窄的压力比。因此，准确估计冠状动脉血压是FFR计算的关键步骤。受此观察的启发，本研究提出了一种基于深度学习的框架，利用CCTA直接预测冠状动脉压力分布，从而实现无需执行完整CFD模拟的高效FFR估计。从CCTA执行CFD模拟通常涉及多个步骤：(a)加载CT图像，(b)加载3D动脉分割，(c)修剪动脉末端，(d)建模修剪的动脉，(e)网格化模型，(f)设置模拟参数，(g)运行血流模拟，以及(h)处理模拟结果，如图1所示。
所提出的方法由两个主要部分组成：自动数据流水线框架和为血流动力学预测设计的新型深度学习模型。这些组件共同实现从医学图像数据直接估计CFD衍生的冠状动脉压力分布的非线性估计。数据流水线通过对关键预处理步骤（包括冠状动脉分割、血管修剪、将患者特异性几何形状转换为统一参考坐标系以及应用必要的线性映射）进行标准化和简化，来标准化和简化数据集的生成。这种结构化预处理确保了患者之间的几何一致性，并促进稳健的模型训练。在此流水线基础上，所提出的深度学习框架被训练为预测整个冠状动脉树的血压，而无需进行完整的CFD模拟。由于FFR从根本上源自压力比，准确的压力预测能够对冠状动脉狭窄进行高效功能评估。通过消除对计算密集型CFD工作流程的需求，所提方法有可能减少诊断时间与成本，提高临床性能，并最小化与侵入性评估程序相关的患者风险。
该方法由两部分组成：基于图像块的数据集流水线（PBDP）和用于血流预测的反向条件扩散（ICD）。数据流水线包括模拟冠状动脉中的血流并提取中心线、图像块和每个r点的标量压力到数据集中。流水线的改进之处在于将体积转换为左后上（LPS）坐标系，使所有文件共享一个共同的坐标系，然后将体积转换到压力多边形的中心，使其与中心线对齐，最后将世界体素坐标转换为局部坐标。
2.1. 使用CCTA的血流体模拟
通过涉及数据加载、动脉修剪、中心线提取、建模、网格化、参数分配、模拟和后处理的多步流水线生成冠状动脉的血流体数据，如图1所示。每个步骤详细说明如下。
(1) 数据加载和动脉修剪。包括CT扫描和相应3D分割标签的原始患者数据导入3D Slicer。在Slicer界面中，选择分割编辑器，并使用3D视图可视化冠状动脉。然后修剪目标动脉以隔离感兴趣区域。
(2) 中心线提取。使用Slicer中的VMTK模块，从分割的动脉中提取中心线。将表面设置为分割标签，并定义新的端点。生成并应用新的中心线模型，调整端点确保端点仅位于动脉树的末端。
(3) 进口和出口修改。为准备动脉进行CFD网格化，使用3D Slicer中的VMTK的Clip Vessel模块修剪进口和出口段。使用新生成的中心线和端点定义裁剪位置。可选择为进口和出口表面生成盖子；然而，最终的盖子处理可推迟到建模步骤以进行精确的边界处理。
(4) 建模。使用SimVascular，将修剪后的动脉作为模型导入。使用50°分离角度执行面提取，并重新初始化全局表示。移除与解剖结构不对应的表面，填补孔洞，并根据其解剖位置标记盖子（例如，左前降支，LAD）。
(5) 网格化。为导入的模型生成新网格。估计网格大小并执行网格生成器。成功的网格化需要正确修剪的进口和出口；如果网格化失败，则调整裁剪和盖子程序。然后可以根据需要重新网格化以确保网格质量。完成的网格平均有62,088个节点，321,323个元素，65,734条边和43,822个面。
(6) 血流模拟。分配以下参数使用SimVascular执行血流模拟。使用配置的网格和参数，SimVascular中执行模拟。启用MPI并行计算以利用可用计算资源（本设置中为10个进程）。模拟在150个时间步×0.001秒=0.15秒的0.8秒心脏周期中生成时间分辨的血流动力学数据。由于完整心脏周期模拟的耗时性，仅模拟了12%的心脏周期时间步。执行模拟后，在ParaView中进行可视化和分析，实现整个模拟的播放。使用平均mmHg字段提取平均压力用于下游分析。数据集CCTA1000和CCTA36（在2.7节中介绍）的平均压力分布如图2所示。
初始压力设置为133,300 Pa，在报告结果中产生约100 mmHg的输出。13,330 Pa的值直接转换为100 mmHg；然而，使用它不会产生预期结果。SimVascular可能在内部将平均压力（mmHg）按10倍因子缩放。为避免混淆，我们使用133,300 Pa，然后在训练期间使用模拟文件中的"平均压力mmHg"属性作为真实值。对于边界条件，除进口外，所有出口盖子均分配1333 Pa·s/cm³的阻力。血管壁属性定义如下：壁厚0.2 mm，弹性模量4×10⁶ Pa，密度0.8 g/cm³，壁压133,300 Pa。其余求解器参数总结在表1中。SimVascular采用层流建模，无湍流模型。血液粘度为0.04 g/cm × s²，血液密度为1.06 g/cm³。
2.2. 基于图像块的数据准备
血流模拟生成3D动脉网格上每面的压力值。然而，FFR评估不需要动脉壁上每个点的压力信息；它仅依赖于沿动脉中心线的压力，这模拟了临床程序中侵入性插入压力导丝以测量动脉中心血压的过程。因此，不是使用完整的体积压力场，而是仅提取沿中心线的平均压力。同时提取中心线点周围的局部3D图像块。这些块捕获周围血管的成像特征，并用作输入来预测相应的中心线压力，从而将解剖成像与血流动力学功能联系起来。
此外，此策略减少了数据维度，集中在临床上相关的位置，并使深度学习框架与真实的血压测量程序保持一致。
对于中心线Cn,m上的每个点，其中m∈Z⁺表示动脉n中中心线点的索引，体积原点VOn∈R³和体素间距Sn∈R³，提取28×28×28体素块X∈RD×H×W并以点坐标为中心。在中心线点周围半径r=5 mm范围内的平均压力被计算并指定为该块的标签。
所有坐标转换为相对于动脉中心线的局部体素坐标，以确保空间一致性。数学上，局部体素索引如公式(1)计算。
其中⊙表示元素除法。
此计算的前提是体积、中心线和压力数据在相同坐标系中对齐，以避免空间不匹配。这通过体积对齐过程确保。具体而言，当右前上（RAS）坐标系中的体积转换为符合左后上（LPS）的格式时，x和y坐标被符号翻转。转换后，体积失去所有空间协调。为对齐转换后的体积，必须将其从新的LPS坐标中心平移到动脉树中心，并根据需要沿x轴旋转-180°。体积中心计算为原点和间距之和与体积维度的元素积的一半。
对于每条动脉，算法沿中心线迭代，提取每个点周围的3D图像块以捕获局部解剖特征。相应的压力值在中心线点周围的小邻域内平均，作为训练标签。所有空间坐标转换为相对于动脉中心线的局部参考系，确保动脉和患者之间的空间一致性。
此过程系统地构建了一个配对成像块和中心线压力值的数据集，使模型能够学习从解剖结构到血流动力学功能的映射。因此，训练好的模型可以模拟血压分布并支持从冠状动脉CT成像进行非侵入性FFR估计。
2.3. 反向条件扩散
所提出的ICD模型是对传统条件扩散框架的修改，其中输入和标签的角色被重新定义。与生成图像的条件扩散模型不同，ICD将标签（即压力值）视为输入，将解剖特征（图像块）作为条件变量，有效地反转了扩散范式。这种表述使网络能够从局部成像特征回归血压值，而传统编码器网络无法复制。
2.3.1. 正向扩散过程
前向马尔可夫链由预定义的方差调度{βt}t=1T参数化，其中βt表示扩散步骤t处的噪声方差，且t∈[1,1000]。设y0表示模拟CFD血压真实值，y1:T表示潜在变量序列。前向过程定义如公式(2)和(3)所示。
经过T次扩散步骤后，潜在变量接近各向同性高斯分布，如公式(4)所示。
2.3.2. 反向扩散过程
反向过程学习参数化条件分布pθ(yt-1|yt,c)，其中c表示通过连接成像特征和相对中心线坐标形成的条件变量。模型迭代地将yT去噪回原始压力值y0。
反向转换被建模为具有学习均值μθ和方差σt²的高斯分布，遵循DDPM采样公式，如公式(5)所示。
方差和均值定义如公式(6)和(7)所示。
其中αt=1-βt，ᾱt=∏s=1tαs，且ϵθ是训练以预测添加噪声的神经网络，如ϵ=(yt-√(ᾱt)y0)/√(1-ᾱt)。
通过迭代去噪，该模型有效地从成像特征中重构压力值，通过反转前向噪声过程。
2.3.3. 条件和采样
通过将图像块特征和相对中心线坐标连接到去噪网络来实现条件。在推理过程中，模型从高斯噪声初始化，并迭代应用学习的反向转换以在中心线位置恢复预测的压力值。
此策略使ICD能够从压力标签构建潜在表示并通过扩散链向后传播，即使在复杂的非线性解剖-血流动力学关系下也能实现准确的回归。完整的ICD过程总结在算法1中。
2.4. ICD架构
所提出的ICD架构如图3所示。ICD模型旨在通过整合局部解剖信息与几何位置线索来预测每个冠状动脉中心线点的血压。
为实现这一点，框架首先使用3D卷积编码器处理以血管管腔为中心的体积CCTA块。此编码器由顺序的3D卷积、批归一化、ReLU激活和最大池化层组成，逐步提取多尺度空间特征。在最终卷积块之后，生成的特征图被展平并投影到紧凑的128维嵌入中，捕获局部血管形态、管腔强度模式、斑块负担和周围组织特征。
并行地，每个中心线坐标(Cx, Cy, Cz)通过轻量级线性映射编码，产生3维几何嵌入。此嵌入为模型提供结构上下文，使其能够学习血压如何根据血管曲率、分支位置和接近狭窄区域而自然变化。解剖和几何嵌入被连接形成统一的288维表示，描述每个目标点的成像上下文和空间标识。此融合表示作为扩散过程的条件输入。
扩散模块构成ICD模型的核心。与用于图像生成的传统扩散模型不同，我们的表述反转了过程，直接在回归域中操作。在训练过程中，高斯噪声被逐步添加到真实压力值中，形成前向扩散轨迹。模型然后学习反向去噪轨迹，其中神经网络—以融合的解剖-几何表示为条件—在扩散的每个时间步迭代预测更清洁的压力估计。两个全连接层与ReLU激活作为去噪骨干，最终线性层输出表示该中心线点血压预测的单个压力值。ICD设计消除了循环模型中发现的顺序依赖性，并产生平滑、物理一致的压力预测，更符合冠状动脉生理学。
2.5. 损失函数和优化
Huber损失用于优化所提模型。Huber损失在时间序列分析中优于其他损失函数，通过结合MSE和MAE，对小误差选择MSE，对大误差选择MAE，提供更稳定的结果。Huber损失函数定义如下，其中δ是阈值参数，y是真实值，ŷ是预测值，如公式(8)所示。
使用的优化器是Adam，具有解耦权重衰减，因为它能够同时优化学习率和权重衰减，减少不必要的超参数调整，加快收敛速度，并减轻过拟合。
2.6. 评估指标
本研究中使用的评估指标包括R²分数、皮尔逊相关系数（PCC）、归一化均方根误差（NRMSE）和均方根误差（RMSE）。
R²分数：确定系数，测量因变量可从自变量预测的方差比例，如公式(9)所示。
这里，yi是一个块的地面真实血压，ŷi是预测值，ȳ是观察到的压力的平均值。
皮尔逊相关系数（PCC）测量两个连续变量之间线性关系的强度。设ŷi为预测，ȳ̂为预测的平均值，yi为真实值，ȳ为观察值的平均值，如公式(10)所示。
均方根误差（RMSE）测量预测误差的平均幅度，如公式(11)所示。
归一化均方根误差（NRMSE）将RMSE相对于观察平均值归一化，便于比较不同尺度的模型，如公式(12)所示。
这里，m是样本数量，ō是平均观察值。
2.7. 纳入数据集
本研究使用了两个数据集：CCTA1000和CCTA36。CCTA1000对应于公开可用的ImageCAS数据集，包含高质量的冠状动脉CT血管造影（CCTA）扫描，带有专家标注的冠状动脉分割。CCTA36是一个私人数据集，包括有创血压测量的患者。
该数据集包含1000名患者的3D CTA图像，由西门子128层双源扫描仪捕获。对于先前被诊断为冠状动脉疾病的患者，包括90天内的早期血运重建。进行高剂量CTA，在重建过程中，选择30-40%相位或60-70%相位以获得最佳冠状动脉图像。所得扫描具有512×512×（206-275）体素的空间分辨率，平面分辨率为0.29-0.43 mm²，间距为0.25-0.45 mm。数据从2012年4月至2018年12月在广东省人民医院的真实临床病例中收集。仅纳入年龄超过18岁且有缺血性中风、短暂性脑缺血发作或外周动脉疾病病史记录的患者。最终，包括414名女性和586名男性，平均年龄分别为59.98岁和57.68岁。每幅图像中的左右冠状动脉由两名放射科医生独立标注，并进行交叉验证。标注的冠状动脉包括左主冠状动脉、左前降冠状动脉、左回旋冠状动脉、右冠状动脉、对角支1、对角支2、对角支3、钝缘支1、钝缘支2、钝缘支3、中间支、后降动脉、急性边缘1和其他血管。数据由Nifti体积标注分割组成。
CCTA36数据集包括36名患者，每名患者至少有一处冠状动脉狭窄≥50%。这些病例回顾性收集，每名患者在侵入性FFR评估之前进行SPECT MPI成像，提供地面真实功能测量。
对于实验，使用每个数据集的子集。从CCTA1000中，40次扫描用于训练，5次用于验证，10次用于测试。从CCTA36中，36名患者中招募了10名，其中6次扫描用于训练，2次用于验证，2次用于测试。CCTA1000被视为中等规模数据集，而CCTA36代表小规模、功能标注的数据集。
3.1. 血流预测的定量结果
为评估所提ResNet50-ICD模型的性能，将其与CNN-MLP、CNN-Attention-BiLSTM、CNN-ICD、ResNet50-MLP和ResNet50-Attention-BiLSTM进行比较，所有模型均使用PyTorch 2.5实现，随机种子为42。基线架构如下：
- CNN–MLP (CM)通过联合利用局部图像特征和空间几何结构预测每个中心线点的血压。3D CNN编码器使用三个卷积块（含批归一化、ReLU激活和最大池化）从以冠状动脉为中心的立方块中提取特征。生成的特征图被展平并投影到128维表示中。中心线坐标通过轻量级MLP处理成32维嵌入。两个特征向量被连接并通过两层回归头产生标量压力估计。
- CNN–Attention-BiLSTM (CL)使用CNN提取3D图像特征并与中心线坐标整合，然后应用带有注意力机制的Bi-LSTM捕获血管沿线的顺序依赖性。注意力特征被馈送到回归头中。
- CNN–ICD (CD)是将所提模型中的ResNet替换为普通CNN层的变体。
- ResNet50–MLP (RM)用更强大的ResNet50特征提取器替换CNN，同时保持简单的回归头。
- ResNet50–Attention-BiLSTM (RL)用ResNet-50替换CNN-Att中的CNN层，从修补的CCTA图像中提取更深层的表示。
3.1.1. CCTA1000案例级评估
使用相同的数据分割策略，所提模型在CCTA1000数据集上得到验证。表2和表3总结了结果。
3.1.2. CCTA36案例级评估
表4和表5总结了小规模CCTA36数据集的评估指标。尽管数据集非常有限且结论不明确，但它提供了一些关于模型在受限数据条件下性能的见解。ResNet模型在至少一个指标上表现最佳，突显了扩散模型的数据密集特性。
结果表明，ResNet反向条件扩散（ICD）模型在中等规模的CCTA1000数据集上实现了最高的平均R²为64.42%，RMSE为0.974，NRMSE为0.154，皮尔逊相关性第二高为84.978。CNN-ICD模型表现第二好，平均R²为61.093，RMSE为0.984，NRMSE为0.157，皮尔逊相关性第三高为84.656。这些结果证明所提ICD模型在血压预测方面达到了最先进的性能。
该性能表明ICD模型也可能对其他非线性回归和分类任务有效。对于小数据集，结果不明确，因为不同模型在孤立指标上表现出色。由于顺序依赖性，即使不打乱顺序，每个新分支也携带前一分支的隐藏输出，这可能会降低LSTM的有效性。
ICD的成功归因于其顺序不变性和使用标签作为输入。通过将标签作为输入，模型从标签构建潜在空间并向后工作，有效地教导网络推导潜在变量—这是编码器专用模型无法实现的策略。局限性包括较慢的推理时间和更高的数据要求。
最后，数据集生成流水线，包括转换和文件转换，通过在相同坐标空间内对齐不同的条件向量，实现了有效训练。每个模型的运行时间在表6中呈现。
3.2. 血流预测的定性结果
图4使用CCTA1000数据集的一个受试者，可视化了冠状动脉中心线上各点的标签与模型预测的冠状动脉压力之间的绝对误差。深绿色象征几乎没有误差，黄色表示一些误差，橙色和红色表示大误差。模型在给定案例上的表现越好，可见的红色斑点就越少。在图4中，冠状动脉沿着左前降（LAD）亚动脉和左回旋（LCX）亚动脉延伸。可视化位于LPS坐标系中。大多数模型在尖锐曲率附近挣扎，但RD（我们的模型）在该区域的橙色斑点数量最少，同时在整个动脉其余部分保持绿色色调，表明几乎没有误差。最近的竞争对手CL在LCX附近失去精度。在图4中，所提的扩散模型（a, d）最平滑，仅在盖子附近有升高的误差。
图5可视化了CCTA36数据集中的一名测试受试者。RL和RM都表现良好，主要是绿色，尽管在分叉处有一些红色斑点。LSTM的注意力使它能够最大化FFR数据集中可用的少量数据。
在图5中，RL和CL模型在CCTA36数据集中通过在主要动脉上保持一致性来弥补，但每个模型在分支动脉上都遇到困难。这主要是由于训练数据集中的样本有限。更大的数据集将导致整个血管的性能大大提高。
平均mmHg压力分布预测和标签的分离结果显示在图6和图7中。
4. 讨论
实验结果表明，所提的ResNet50-ICD模型在中等规模的CCTA1000数据集上表现优异，持续优于R²、RMSE和NRMSE的竞争架构，同时保持高皮尔逊相关性。架构间的比较突显了两个重要观察结果。首先，使用ResNet进行更深层的特征提取提高了预测稳定性，相比普通CNN编码器，表明CCTA图像块中更丰富的解剖表示对压力回归有益。其次，基于扩散的回归提供了比传统MLP和BiLSTM回归器更好的稳健性，可能归因于其迭代细化机制和对血管中心线沿线顺序排序的降低敏感性。相比之下，BiLSTM等循环架构可能受到顺序依赖性的影响，其中隐藏状态在分支上的传播可能累积噪声并降低回归准确性。这些发现表明，对于空间结构化的冠状动脉数据，顺序不变建模是有利的。
从临床角度看，准确且可扩展的压力预测是实现非侵入性FFR估计的关键步骤。通过避免计算密集型的CFD模拟，所提ICD框架显著降低了推理复杂性，同时保持与参考值的强一致性。这种效率可能促进更广泛的临床部署，特别是在需要快速决策或大规模CCTA筛查的情况下。然而，在小规模CCTA36数据集上的性能不明确，反映了基于扩散模型的数据密集特性和用有限样本训练高容量架构的挑战。额外的局限性包括训练期间更高的计算需求以及需要仔细标准化的预处理流水线。未来工作将专注于提高数据效率，整合多中心数据集以获得更好的泛化能力，并探索混合物理信息学习策略，以进一步增强稳健性和临床可解释性。此外，可以将流体动力学因素如动脉壁剪切应力、再循环区域和压力降作为特征纳入数据集，以提高回归准确性和生理上真实的CFD建模。
5. 结论
总之，为可能支持心脏病专家及时做出准确、非侵入性诊断，提出了一个新颖的流水线和深度学习模型。深度回归器是具有Resnet特征提取的标量扩散回归器。该流水线能够记录并克服许多挑战性障碍，以创建干净且兼容的数据集，仅需CT扫描和动脉分割，通过模拟血流后沿中心线提取块和压力并进行体积对齐。该模型能够使用此数据流水线预测整个动脉的血压，R²为64.42%，并为进一步模型改进留下空间。本研究为未来冠状动脉疾病检测研究奠定了基础，并在当前生物信息学领域中进一步推进了研究前沿。
作者贡献
概念化，R.L.、M.E.和C.Z.；方法论，R.L.和C.Z.；软件，R.L.；验证，R.L.、H.H.、W.P.和M.E.；正式分析，M.E.；调查，R.L.；资源，C.Z.；数据管理，R.L.；撰写—初稿准备，R.L.和C.Z.；撰写—审阅和编辑，R.L.、H.H.、W.P.和M.E.；可视化，R.L.和W.P.；监督，C.Z.；项目管理，C.Z.；资金获取，M.E.和C.Z. 所有作者均已阅读并同意发表版本的手稿。
资金
作者感谢佐治亚州肯尼索州立大学为陈兆博士提供的启动资金。本研究得到了肯尼索州立大学跨学科种子资助（资助编号000149）和美国心脏协会AIREA资助（资助编号25AIREA1377168）的支持。
机构审查委员会声明
由于使用的数据来自公共数据库，因此本研究豁免了伦理审查和批准。
知情同意声明
由于使用的数据来自公共数据库，因此患者同意被豁免。
数据可用性声明
本研究中呈现的原始数据在[30]公开可用。
利益冲突
作者声明无利益冲突。资助方在研究设计；数据的收集、分析或解释；手稿撰写；以及发表决定中均未发挥作用。
缩写
以下缩写在本文中使用：
CAD - 冠状动脉疾病
CCTA - 冠状动脉计算机断层扫描血管造影
CFD - 计算流体动力学
FFR - 血流储备分数
ICA - 侵入性冠状动脉造影
PCI - 经皮冠状动脉介入治疗
CABG - 冠状动脉旁路移植术
FFRCT - 血流储备分数计算机断层扫描
LAD - 左前降支（动脉）
RAS - 右前上（坐标系）
LPS - 左后上（坐标系）
GMRES - 广义最小残差法
MLP - 多层感知器
LSTM - 长短期记忆网络
Bi-LSTM - 双向LSTM
PCC - 皮尔逊相关系数
RMSE - 均方根误差
NRMSE - 归一化均方根误差
DDPM - 去噪扩散概率模型
ICD - 反向条件扩散
PBDP - 基于图像块的数据集流水线
【全文结束】