Hematocrit, defined as the volume percentage of red blood cells in blood, is an important indicator of human health status because it involves the capability of blood to deliver oxygen. The present work aims to analyze and predict the hematocrit distribution in microvascular networks from the direct simulations of cellular blood flow. The networks are geometrically complex, composed of bifurcations, confluences and winding vessels, while the cells exhibit multiple dynamic behaviors, including deformation and aggregation. Hence, our simulations can not only capture the behaviors of each cell in a single vessel, but also characterize the hematocrit of the cell population in a complex network. The results showed that the hematocrit is spatially and temporally heterogeneous in the microvascular network, which is largely attributed to the existence of bifurcations. The more complex the network, the more pronounced the heterogeneity, and it varies steadily over time in wide vessels but periodically fluctuates in narrow vessels. Based on a certain number of data samples, we predicted the hematocrit distribution in a microvascular network, by using the deep learning technique, instead of carrying out the direct simulation. This provides a fast and efficient way to measure the hematocrit distribution in a microvascular network. After that, we examined the effects of other cell types on the hematocrit, which are quite different from the case with the red blood cells only, due to the vascular blockage caused by the cell clusters. In such a case, it becomes very difficult to predict the hematocrit distribution by the deep learning technique, and its heterogeneity becomes more obvious.

血细胞比容，定义为红细胞的体积百分比在血液中，是人类健康状况的重要指标，因为它涉及血液输送氧气的能力。目前的工作旨在通过直接模拟细胞血流来分析和预测微血管网络中的血细胞比容分布。网络几何复杂，由分叉、汇合和蜿蜒的血管组成，而细胞表现出多种动态行为，包括变形和聚集。因此，我们的模拟不仅可以捕获单个容器中每个细胞的行为，还可以表征复杂网络中细胞群的血细胞比容。结果表明，微血管网络中的血细胞比容在空间和时间上存在异质性，这在很大程度上归因于分叉的存在。网络越复杂，异质性越明显，在宽血管中随时间稳定变化，但在窄血管中周期性波动。基于一定数量的数据样本，我们利用深度学习技术预测微血管网络中的血细胞比容分布，而不是进行直接模拟。这提供了一种快速有效的方法来测量微血管网络中的血细胞比容分布。之后，我们检查了其他细胞类型对血细胞比容的影响，由于细胞簇引起的血管阻塞，这与仅使用红细胞的情况有很大不同。在这种情况下，通过深度学习技术预测血细胞比容分布变得非常困难，其异质性更加明显。并且它在宽容器中随时间稳定变化，但在窄容器中周期性波动。基于一定数量的数据样本，我们利用深度学习技术预测微血管网络中的血细胞比容分布，而不是进行直接模拟。这提供了一种快速有效的方法来测量微血管网络中的血细胞比容分布。之后，我们检查了其他细胞类型对血细胞比容的影响，由于细胞簇引起的血管阻塞，这与仅使用红细胞的情况有很大不同。在这种情况下，通过深度学习技术预测血细胞比容分布变得非常困难，其异质性更加明显。并且它在宽容器中随时间稳定变化，但在窄容器中周期性波动。基于一定数量的数据样本，我们利用深度学习技术预测微血管网络中的血细胞比容分布，而不是进行直接模拟。这提供了一种快速有效的方法来测量微血管网络中的血细胞比容分布。之后，我们检查了其他细胞类型对血细胞比容的影响，由于细胞簇引起的血管阻塞，这与仅使用红细胞的情况有很大不同。在这种情况下，通过深度学习技术预测血细胞比容分布变得非常困难，其异质性更加明显。我们通过使用深度学习技术而不是进行直接模拟来预测微血管网络中的血细胞比容分布。这提供了一种快速有效的方法来测量微血管网络中的血细胞比容分布。之后，我们检查了其他细胞类型对血细胞比容的影响，由于细胞簇引起的血管阻塞，这与仅使用红细胞的情况有很大不同。在这种情况下，通过深度学习技术预测血细胞比容分布变得非常困难，其异质性更加明显。我们通过使用深度学习技术而不是进行直接模拟来预测微血管网络中的血细胞比容分布。这提供了一种快速有效的方法来测量微血管网络中的血细胞比容分布。之后，我们检查了其他细胞类型对血细胞比容的影响，由于细胞簇引起的血管阻塞，这与仅使用红细胞的情况有很大不同。在这种情况下，通过深度学习技术预测血细胞比容分布变得非常困难，其异质性更加明显。这提供了一种快速有效的方法来测量微血管网络中的血细胞比容分布。之后，我们检查了其他细胞类型对血细胞比容的影响，由于细胞簇引起的血管阻塞，这与仅使用红细胞的情况有很大不同。在这种情况下，通过深度学习技术预测血细胞比容分布变得非常困难，其异质性更加明显。这提供了一种快速有效的方法来测量微血管网络中的血细胞比容分布。之后，我们检查了其他细胞类型对血细胞比容的影响，由于细胞簇引起的血管阻塞，这与仅使用红细胞的情况有很大不同。在这种情况下，通过深度学习技术预测血细胞比容分布变得非常困难，其异质性更加明显。