⚠️ 以下所有内容总结都来自于 大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验
2025-09-19 更新
Generative AI Pipeline for Interactive Prompt-driven 2D-to-3D Vascular Reconstruction for Fontan Geometries from Contrast-Enhanced X-Ray Fluoroscopy Imaging
Authors:Prahlad G Menon
Fontan palliation for univentricular congenital heart disease progresses to hemodynamic failure with complex flow patterns poorly characterized by conventional 2D imaging. Current assessment relies on fluoroscopic angiography, providing limited 3D geometric information essential for computational fluid dynamics (CFD) analysis and surgical planning. A multi-step AI pipeline was developed utilizing Google’s Gemini 2.5 Flash (2.5B parameters) for systematic, iterative processing of fluoroscopic angiograms through transformer-based neural architecture. The pipeline encompasses medical image preprocessing, vascular segmentation, contrast enhancement, artifact removal, and virtual hemodynamic flow visualization within 2D projections. Final views were processed through Tencent’s Hunyuan3D-2mini (384M parameters) for stereolithography file generation. The pipeline successfully generated geometrically optimized 2D projections from single-view angiograms after 16 processing steps using a custom web interface. Initial iterations contained hallucinated vascular features requiring iterative refinement to achieve anatomically faithful representations. Final projections demonstrated accurate preservation of complex Fontan geometry with enhanced contrast suitable for 3D conversion. AI-generated virtual flow visualization identified stagnation zones in central connections and flow patterns in branch arteries. Complete processing required under 15 minutes with second-level API response times. This approach demonstrates clinical feasibility of generating CFD-suitable geometries from routine angiographic data, enabling 3D generation and rapid virtual flow visualization for cursory insights prior to full CFD simulation. While requiring refinement cycles for accuracy, this establishes foundation for democratizing advanced geometric and hemodynamic analysis using readily available imaging data.
对于单心室先天性心脏病的Fontan姑息治疗，其血流动力学进展表现为复杂的血流模式，传统的二维成像很难对其进行充分表征。目前的评估依赖于荧光血管造影术，它提供了有限的3D几何信息，对于计算流体动力学（CFD）分析和手术计划至关重要。利用Google的Gemini 2.5 Flash（具有高达2.5B参数）开发了一个多步骤的人工智能管道，用于基于神经架构的变压器对荧光血管造影进行系统迭代处理。该管道涵盖了医学图像预处理、血管分割、对比度增强、伪影去除以及在二维投影中的虚拟血流动力学流动可视化。最终视图经过腾讯的Hunyuan3D-2mini（具有高达384M参数）处理以生成立体光固化文件。该管道成功地使用自定义Web界面经过16个处理步骤生成了从单一视图血管造影优化的二维投影。初始迭代中存在虚拟血管特征，需要进行迭代优化以获得解剖上准确的表示。最终投影准确保留了复杂的Fontan几何结构，对比度增强适合进行三维转换。人工智能生成的虚拟流动可视化识别了中央连接中的停滞区和分支动脉中的流动模式。整个处理过程需要不到15分钟的时间，并且第二级API响应时间也较短。这种方法证明了从常规血管造影数据中生成适合CFD的几何形状的可行性，可实现三维生成和快速虚拟流动可视化，为全面CFD模拟之前的初步见解提供依据。虽然需要循环优化以提高准确性，但这为使用易于获得的成像数据民主化高级几何和血流动力学分析奠定了基础。
论文及项目相关链接
Summary
本文介绍了利用人工智能管道处理先天性单心室心脏病患者的荧光造影图像的方法。该方法通过多步骤的神经网络处理，实现了从单一的造影图像生成几何优化的二维投影，并进一步通过三维转换生成立体模型。AI生成的虚拟流可视化能够识别流动模式中的停滞区域和分支动脉中的流动模式。整个处理过程快速，为临床提供了从常规造影数据中生成计算流体动力学模拟几何模型的可行性方案。虽然需要循环迭代提高精度，但该研究奠定了利用易获取成像数据进行高级几何学和血流动力学分析的基础。
Key Takeaways
- 传统二维成像难以表征先天性单心室心脏病的复杂血流动力学特征，因此当前评估依赖于荧光造影术。
- Google的Gemini 2.5 Flash AI工具被用于系统化处理荧光造影图像，包括预处理、血管分割、对比度增强等步骤。
- 通过AI管道生成的几何优化二维投影可用于进一步的三维转换，生成适合计算流体动力学分析的立体模型。
- AI生成的虚拟流可视化有助于识别流动模式中的停滞区域和分支动脉中的流动情况。
- 该方法提高了处理速度，使得在临床环境中快速生成虚拟模型成为可能。
- 虽然需要迭代优化以提高准确性，但该方法显示出使用常规造影数据生成几何和血流动力学模型的临床可行性。
点此查看论文截图
