Математическое моделирование структуры внутрипочечного артериального русла с помощью регрессионных моделей и графовой нейронной сети
https://doi.org/10.20538/1682-0363-2026-2-21-31
Аннотация
Цель – разработать модели для численного моделирования диаметров и длин сегментов бифуркаций – структурных единиц внутрипочечного артериального русла (ВАР).
Материалы и методы. Исследование основано на ранее полученных морфометрических данных о структуре 9 642 артериальных бифуркаций (АБ) 60 коррозионных препаратов ВАР. Артериальная бифуркация – участок ВАР, состоящий из проксимального артериального сегмента (АС) (D), двух дистальных АС (с большей (dmax) и меньшей (dmin) величиной внутреннего диаметра) и точки ветвления. Для численного моделирования диаметров (АС) использовали регрессионные модели, для моделирования длин АС – графовую нейронную сеть внимания (GAT).
Результаты. Разработаны модели, которые демонстрируют высокую точность прогнозирования: для диаметров АС с dmax обучающий набор достиг значения R2 = 0,89, для АС с dmin – R2 = 0,8. Для длины АС с dmax обучающий набор достигал значения R2 = 0,75, а тестовый набор – R2 = 0,74; для длины АС с dmin обучающий набор достиг значения R2 = 0,77, а тестовый набор – R2 = 0,73.
Заключение. Предложенные модели могут быть использованы для численного моделирования структуры ВАР и оценки адекватности почечного кровоснабжения.
Об авторах
О. К. Зенин
Пензенский государственный университет (ПГУ)
Россия
Россия
Зенин Олег Константинович – д-р мед. наук, профессор, профессор кафедры «Анатомия человека»
Россия, 440026, г. Пенза, ул. Красная, 40
В. И. Горбаченко
Пензенский государственный университет (ПГУ)
Россия
Россия
Горбаченко Владимир Иванович – д-р тех. наук, профессор, зав. кафедрой «Компьютерные технологии»
Россия, 440026, г. Пенза, ул. Красная, 40
Д. Н. Грибков
Пензенский государственный университет (ПГУ)
Россия
Россия
Грибков Дмитрий Николаевич – аспирант, кафедра «Компьютерные технологии»
Россия, 440026, г. Пенза, ул. Красная, 40
А. А. Сергиенко
Пензенский государственный университет (ПГУ)
Россия
Россия
Сергиенко Анна Альбертовна – аспирант, кафедра «Анатомия человека»
Россия, 440026, г. Пенза, ул. Красная, 40
Ilias Miltiadis
Университет Палермо
Италия
Италия
Ilias Miltiadis – магистрант
Италия, 90133, г. Палермо, ул. Пиацца Марина, 61
Список литературы
1. Borg R., Carlson N., Søndergaard J., Persson F. The growing challenge of chronic kidney disease: an overview of current knowledge. Int. J. Nephrol. 2023:9609266. DOI: 10.1155/2023/9609266.
2. Eckardt K.U., Delgado C., Heerspink H.J.L., Pecoits-Filho R., Ricardo A.C., Stengel B. et al. Trends and perspectives for improving quality of chronic kidney disease care: conclusions from a kidney disease: Improving Global Outcomes (KDIGO) Controversies Conference. Kidney Int. 2023;104(5):888–903. DOI: 10.1016/j.kint.2023.05.013.
3. Eckardt K.U., Coresh J., Devuyst O., Johnson R.J., Köttgen A., Levey A.S. et al. Evolving importance of kidney disease: from subspecialty to global health burden. Lancet. 2013;382(9887):158–169. DOI: 10.1016/S0140-6736(13)60439-0.
4. Jenkins S.L., Ma’ayan A. Systems pharmacology meets predictive, preventive, personalized and participatory medicine. Pharmacogenomics. 2013;14(2):119–122. DOI: 10.2217/pgs.12.186.
5. Tsai S.H., Chu S.J., Chen S.J., Fan Y.M., Chang W.C., Wu C.P. et al. Acute renal infarction: a 10-year experience. Int. J. Clin. Pract. 2007;61(1):62–67. DOI: 10.1111/j.1742-1241.2006.01136.x
6. Siegel R.L., Miller K.D., Jemal A. Cancer statistics, 2018. CA Cancer J. Clin. 2018;68(1):7–30. DOI: 10.3322/caac.21442.
7. Heuer R., Gill I.S., Guazzoni G., Kirkali Z., Marberger M., Richie J.P. et al. A critical analysis of the actual role of minimally invasive surgery and active surveillance for kidney cancer. Eur. Urol. 2010;57(2):223–232. DOI: 10.1016/j.eururo.2009.10.023.
8. Pather N., Blyth P., Chapman J.A., Dayal M.R., Flack N.A.M.S., Fogg Q.A. et al. Forced disruption of anatomy education in Australia and New Zealand: an acute response to the Covid-19 pandemic. Anat. Sci. Educ. 2020;13(3):284–300. DOI: 10.1002/ase.1968.
9. Baptiste Y.M. Digital feast and physical famine: the altered ecosystem of anatomy education due to the Covid-19 pandemic. Anat. Sci. Educ. 2021;14(4):399–407. DOI: 10.1002/ase.2098.
10. Roux W. Ueber die verzweigungen der blutgefsse. Eine morphologische Studie. Z Naturwiss. 1878;12:205–266.
11. Murray C.D. The physiological principle of minimum work applied to the angle of branching of arteries. J. Gen. Physiol. 1926;9(6):835–841. DOI: 10.1085/jgp.9.6.835.
12. Uylings H.B. Optimization of diameters and bifurcation angles in lung and vascular tree structures. Bull. Math. Biol. 1977;39(5):509–520. DOI: 10.1007/BF02461198.
13. Kretowski M., Rolland Y., Bézy-Wendling J., Coatrieux J.L. Physiologically based modeling of 3-D vascular networks and CT scan angiography. IEEE Trans. Med. Imaging. 2003;22(2):248–257. DOI: 10.1109/TMI.2002.808357.
14. Cassot F., Lauwers F., Fouard C., Prohaska S., Lauwers-Cances V. A novel three-dimensional computer-assisted method for a quantitative study of microvascular networks of the human cerebral cortex. Microcirculation. 2006;13(1):1–18. DOI: 10.1080/10739680500383407.
15. Blanco P.J., de Queiroz R.A., Feijóo R.A. A computational approach to generate concurrent arterial networks in vascular territories. Int. J. Numer. Method Biomed. Eng. 2013;29(5):601–614. DOI: 10.1002/cnm.2547.
16. Fredrich T., Welter M., Rieger H. Tumorcode: A framework to simulate vascularized tumors. Eur. Phys. J. E. Soft Matter. 2018;41(4):55. DOI: 10.1140/epje/i2018-11659-x.
17. Kashkooli F.M., Abazari M.A., Soltani M., Ghazani M.A., Rahmim A. A spatiotemporal multi-scale computational model for FDG PET imaging at different stages of tumor growth and angiogenesis. Sci. Rep. 2022;12(1):10062. DOI: 10.1038/s41598-022-13345-4.
18. Li P., Pan Q., Jiang S., Yan M., Yan J., Ning G. Development of novel fractal method for characterizing the distribution of blood flow in multi-scale vascular tree. Front. Physiol. 2021;12:711247. DOI: 10.3389/fphys.2021.711247.
19. Montino Pelagi G., Regazzoni F., Huyghe J.M., Baggiano A., Alì M., Bertoluzza S. et al. Modeling cardiac microcirculation for the simulation of coronary flow and 3D myocardial perfusion. Biomech. Model. Mechanobiol. 2024;23(6):1863–1888. DOI: 10.1007/s10237-024-01873-z.
20. Свидетельство о государственной регистрации базы данных № 2021620982 Российская Федерация. Количественная анатомия внутриорганного артериального русла почки человека: № 2021620806: заявл. 27.04.2021: опубл. 18.05.2021 / О.К. Зенин, А.В. Дмитриев, И.С. Милтых, О.О. Юрченко; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования «Пензенский государственный университет». EDN JDPUFN.
21. Колсанов А.В., Назарян А.К., Воронин А.С., Гелашвили О.А. Изучение вариантной анатомии почечных артерий с помощью КТ-ангиографии. Журнал анатомии и гистопатологии. 2020;9(1):43–48. DOI: 10.18499/2225-7357-2020-9-1-43-48
22. Liu C., Tan Z., He M. Overview of Artificial Intelligence in Medicine. In: Raz M., Nguyen T.C., Loh E. Artificial intelligence in medicine: applications, limitations and future directions. Singapore: Springer, 2022:23–34. DOI: 10.1007/978-981-19-1223-8_2.
23. Aggarwal C.C. Neural networks and deep learning: a textbook, 2nd ed. Switzerland: Springer International Publishing AG, 2023:553. DOI: 10.1007/978-3-031-29642-0_13.
24. Nielsen A. Practical time series analysis: prediction with statistics and machine learning. Sebastopol: O’Reilly Media, Inc., 2019:504.
25. Wu Y., Su T., Du B., Hu S., Xiong J., Pan D. Kolmogorov–Arnold network made learning physics laws simple. J. Phys. Chem. Lett. 2024;15(50):12393–12400. DOI: 10.1021/acs.jpclett.4c02589.
26. Wu L., Cui P., Pei J., Zhao L. Graph Neural networks: foundations, frontiers, and applications. Singapore: Springer Nature, 2022:725. DOI: 10.1007/978-981-16-6054-2.
27. Veličković P., Cucurull G., Casanova A., Romero A., Liò P., Bengio Y. Graph Attention Networks. Published as a conference paper at ICLR, 2018:12. arXiv:1710.10903v3 [stat.ML].
28. PyG documentation. URL: https://pytorch-geometric.readthedocs.io/en/latest/# (дата обращения: 12.02.2025).
29. Hagberg A.A., Schult D.A., Swart P.J. Exploring Network Structure, Dynamics, and Function using NetworkX. Proceedings of the 7th Python in Science Conference. Pasadena, CA USA. 2008:11–15. URL: https://aric.hagberg.org/papers/hagberg-2008-exploring.pdf
30. Harris C.R., Millman K.J., van der Walt S.J., Gommers R., Virtanen P., Cournapeau D. et al. Array programming with NumPy. Nature. 2020;585(7825):357–362. DOI: 10.1038/s41586-020-2649-2.
31. Kingma D.P., Ba J. Adam: A method for stochastic optimization. Published as a conference paper at the 3rd International Conference for Learning Representations, San Diego. 2017. DOI: 10.48550/arXiv.1412.6980.
32. Zhang S., Yang G., Qian J., Xiaomei Zh., L J., Li Pu. et al. A novel 3D deep learning model to automatically demonstrate renal artery segmentation and its validation in nephron-sparing surgery. Front. Oncol. 2022;12:997911. DOI: 10.3389/fonc.2022.997911.
33. Xu P., Holstein-Rathlou N.H., Søgaard S.B., Gundlach C., Sørensen C.M., Erleben K. et al. A hybrid approach to fullscale reconstruction of renal arterial network. Sci. Rep. 2023;13(1):7569. DOI: 10.1038/s41598-023-34739-y.
34. Thomas S.R. Mathematical models for kidney function focusing on clinical interest. Morphologie. 2019;103(343):161–168. DOI: 10.1016/j.morpho.2019.10.043.
Рецензия
Для цитирования:
Зенин О.К., Горбаченко В.И., Грибков Д.Н., Сергиенко А.А., Miltiadis I. Математическое моделирование структуры внутрипочечного артериального русла с помощью регрессионных моделей и графовой нейронной сети. Бюллетень сибирской медицины. 2026;25(2):21-31. https://doi.org/10.20538/1682-0363-2026-2-21-31
For citation:
Zenin O.K., Gorbachenko V.I., Gribkov D.N., Sergienko A.A., Miltiadis I. Mathematical modeling of the intrarenal arterial bed structure using regression models and a graph neural network. Bulletin of Siberian Medicine. 2026;25(2):21-31. https://doi.org/10.20538/1682-0363-2026-2-21-31
Просмотров:
41
JATS XML
Послать статью по эл. почте 