Computational fluid dynamics (CFD) and medical imaging can be integrated to derive some important hemodynamic parameters such as wall shear stress (WSS). However, CFD suffers from a relatively long computational time that usually varies from dozens of minutes to hours. Machine learning is a popular tool that has been applied to many fields, and it can predict outcomes fast and even instantaneously in most applications. This study aims to use machine learning as an alternative to CFD for generating hemodynamic parameters in real-time diagnosis during medical examinations. To perform the feasibility study, we used CFD to model the blood flow in 2000 idealized coronary arteries, and the calculated WSS values in these models were used as the dataset for training and testing. The preparation of the dataset was automated by scripts programmed in Python, and OpenFOAM was used as the CFD solver. We have explored multivariate linear regression, multi-layer perceptron, and convolutional neural network architectures to generate WSS values from coronary artery geometry directly without CFD. These architectures were implemented in TensorFlow 2.0. Our results showed that these algorithms were able to generate results in less than 1 s, proving its capability in real-time applications, in terms of computational time. Based on the accuracy, convolutional neural network outperformed the other architectures with a normalized mean absolute error of 2.5%. Although this study is based on idealized models, to the best of our knowledge, it is the first attempt to predict WSS in a stenosed coronary artery using machine learning approaches.

可以将计算流体力学（CFD）和医学成像集成在一起，以得出一些重要的血液动力学参数，例如壁切应力（WSS）。但是，CFD的计算时间相对较长，通常从几十分钟到几小时不等。机器学习是一种流行的工具，已经应用于许多领域，并且可以在大多数应用中快速甚至即时地预测结果。这项研究旨在使用机器学习作为CFD的替代方法，以在医学检查期间的实时诊断中生成血液动力学参数。为了进行可行性研究，我们使用CFD对2000个理想化冠状动脉的血流进行建模，并将这些模型中计算出的WSS值用作训练和测试的数据集。数据集的准备工作是通过Python编程的脚本自动完成的，OpenFOAM被用作CFD求解器。我们探索了多元线性回归，多层感知器和卷积神经网络体系结构，以直接从冠状动脉几何结构生成WSS值而无需CFD。这些架构在TensorFlow 2.0中实现。我们的结果表明，这些算法能够在不到1 s的时间内生成结果，从而证明了其在实时应用中的计算能力。基于准确性，卷积神经网络的标准化平均绝对误差为2.5％，优于其他架构。尽管此研究基于理想化模型，但据我们所知，这是使用机器学习方法预测狭窄冠状动脉中WSS的首次尝试。我们探索了多元线性回归，多层感知器和卷积神经网络体系结构，以直接从冠状动脉几何结构生成WSS值而无需CFD。这些架构在TensorFlow 2.0中实现。我们的结果表明，这些算法能够在不到1 s的时间内生成结果，从而证明了其在实时应用中的计算能力。基于准确性，卷积神经网络的标准化平均绝对误差为2.5％，优于其他架构。尽管此研究基于理想化模型，但据我们所知，这是使用机器学习方法预测狭窄冠状动脉中WSS的首次尝试。我们探索了多元线性回归，多层感知器和卷积神经网络体系结构，以直接从冠状动脉几何结构生成WSS值而无需CFD。这些架构在TensorFlow 2.0中实现。我们的结果表明，这些算法能够在不到1 s的时间内生成结果，从而证明了其在实时应用中的计算能力。基于准确性，卷积神经网络的标准化平均绝对误差为2.5％，优于其他架构。尽管此研究基于理想化模型，但据我们所知，这是使用机器学习方法预测狭窄冠状动脉中WSS的首次尝试。和卷积神经网络架构，可直接从冠状动脉几何结构生成WSS值，而无需CFD。这些架构在TensorFlow 2.0中实现。我们的结果表明，这些算法能够在不到1 s的时间内生成结果，从而证明了其在实时应用中的计算能力。基于准确性，卷积神经网络的标准化平均绝对误差为2.5％，优于其他架构。尽管此研究基于理想化模型，但据我们所知，这是使用机器学习方法预测狭窄冠状动脉中WSS的首次尝试。和卷积神经网络架构，可直接从冠状动脉几何结构生成WSS值，而无需CFD。这些架构在TensorFlow 2.0中实现。我们的结果表明，这些算法能够在不到1 s的时间内生成结果，从而证明了其在实时应用中的计算能力。基于准确性，卷积神经网络的标准化平均绝对误差为2.5％，优于其他架构。尽管此研究基于理想化模型，但据我们所知，这是使用机器学习方法预测狭窄冠状动脉中WSS的首次尝试。在计算时间方面证明其在实时应用中的能力。基于准确性，卷积神经网络的标准化平均绝对误差为2.5％，优于其他架构。尽管此研究基于理想化模型，但据我们所知，这是使用机器学习方法预测狭窄冠状动脉中WSS的首次尝试。在计算时间方面证明其在实时应用中的能力。基于准确性，卷积神经网络的标准化平均绝对误差为2.5％，优于其他架构。尽管此研究基于理想化模型，但据我们所知，这是使用机器学习方法预测狭窄冠状动脉中WSS的首次尝试。