| Project/Area Number |
23K26038
|
|---|
| Project/Area Number (Other) |
23H01343 (2023)
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (B)
|
| Allocation Type | Multi-year Fund (2024)
Single-year Grants (2023) |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 19010:Fluid engineering-related
|
|---|
| Research Institution | Nagoya Institute of Technology |
|---|
Principal Investigator |
武藤 真和 名古屋工業大学, 工学(系)研究科(研究院), 助教 (30840615)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
小林 和也 日本工業大学, 基幹工学部, 助教 (00849474)
中村 匡徳 名古屋工業大学, 工学(系)研究科(研究院), 教授 (20448046)
玉野 真司 名古屋工業大学, 工学(系)研究科(研究院), 教授 (40345947)
上乃 聖 名古屋工業大学, 工学(系)研究科(研究院), 助教 (90964007)
|
|---|
| Project Period (FY) |
2024-04-01 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥19,370,000 (Direct Cost: ¥14,900,000、Indirect Cost: ¥4,470,000)
Fiscal Year 2025: ¥2,860,000 (Direct Cost: ¥2,200,000、Indirect Cost: ¥660,000)
Fiscal Year 2024: ¥2,990,000 (Direct Cost: ¥2,300,000、Indirect Cost: ¥690,000)
Fiscal Year 2023: ¥13,520,000 (Direct Cost: ¥10,400,000、Indirect Cost: ¥3,120,000)
|
|---|
| Keywords | 血行力学 / 流体構造連成問題 / 流体計測 / 圧力計測 / 可視化技術 / 複屈折 / 光弾性 / 機械学習 / 偏光計測 |
|---|
| Outline of Research at the Start |
高速光弾性法 (研究代表者の開発技術) と超音波ドップラ法の複合計測を実現し，脳動脈瘤破裂の原因究明に不可欠な血液とそれに起因する血管壁の応力集中部の実験的可視化を達成する．これまでに構築した高速光弾性法の学術基盤 (科学研究費助成事業(若手研究): 20K14646) を基に，血流速と血管壁応力の相互作用を明らかにする機械学習モデルを構築することで，臨床応用を目指した応力集中部のその場計測を実現する.
|
| Outline of Annual Research Achievements |
本研究では，脳動脈瘤の破裂リスク評価に向けて，血流と血管壁の応力相互作用を可視化する新たな計測手法および，応力分布を推定する機械学習モデルの構築を目指す．研究代表者が開発した高速度光弾性法と超音波ドップラ法を用いた応力場・流速場の複合計測により，血管内血流の応力集中部を実験的に明らかにすることを目的とする．
2024年度は，脳動脈瘤治療の一つであるステント留置時を模擬し，血流と血管壁の応力場を可視化する計測技術の開発に取り組んだ．まず，血管弾性を模倣したゲル製模擬血管（固体）と，血液粘性を模倣した模擬血液（液体）を作製し，高速度偏光カメラを用いた光弾性法により，応力に起因する複屈折現象をとらえて固体・流体の応力分布を非接触・非侵襲的に計測した．また，流量センサおよび圧力センサをProgrammable Logic Controller（PLC）を介して統合し，複屈折・流量・圧力の同期計測システムを構築した．
また，超音波ドップラ法を用いた血液の流速分布計測においては，計測精度の向上に取り組んだ．装置の設定パラメータとして，超音波の入射角，流速の検出レンジ，および計測領域についての最適化を行った．さらに，取得した画像データから流速の数値データへの変換処理も進めている．現在は，上記装置との同期実験に向けて整備を進めている．
さらに，ステント留置時には光が血流部を透過せず流体応力が直接測定できない課題に対し，Long Short-Term Memory（LSTM）およびFlow Matching（連続時間を扱う生成モデルの訓練手法）を活用した機械学習モデルを構築し，固体から得られた応力分布と同期データをもとに流体側の応力を予測可能とした．モデルの改良により，従来モデルと比較して層流領域ではより高い予測精度を実現し，乱流領域でも良好な再現性を得た．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
2023年度に構築した機械学習モデル（武藤ら，日本流体力学会年会，2023）では，とくに乱流領域における流体応力場の予測精度が不十分であり，実際の人間の血流速度における予測精度の確保が課題であった．このため，2024年度は機械学習モデルの改良に重点的に取り組んだ．予測精度の低下要因として，（1）モデル構造の限界，（2）教師データの情報量不足の2点があると考え，それぞれに対して対策を講じた．
（1）モデル構造に関しては，従来用いていたRNN（Recurrent Neural Network）から，長期的な時系列データの学習に優れるLSTMへと変更し，さらに，複屈折場画像の復元精度を向上させるためにFlow Matchingを導入した．
（2）教師データの強化に向けて，複数の物理量を高精度に取得可能な同期計測システムを構築した．具体的には，PLCを導入することで，高速度偏光カメラと同期して，流量センサ1台および圧力センサ2台によるミリ秒単位の同期計測を実現し（Umezawa, Muto, et al., APS/DFD, 2024），複屈折画像・流量・圧力差を統合したデータセットを機械学習に用いた．これにより，乱流領域においても高い精度で流体応力場が予測できることを確認した．
また，予定を前倒しして，ステント留置条件下における流体応力場の予測にも試験的に着手した．結果として，ステント留置により模擬血管に残留応力が発生し，複屈折場の可視化が困難となったため，流体応力場の予測精度にも影響が生じた．これは，主としてステントの留置方法に起因する問題であり，機械学習モデル自体の限界ではなかった．
以上より，現在までの本研究の進捗状況はおおむね順調に進展していると評価できる．
|
| Strategy for Future Research Activity |
今後の研究推進にあたり，申請書に記載した計画の一部を以下の通り変更する．
まず，2025年度に実施予定であったステント留置条件下における流体応力場の予測については，実施済みであるものの，十分な予測精度が得られなかった．その要因の一つとして，ステントの留置方法の改良が必要と考えられたが，これは本研究の主旨を逸脱するため，今後はステント留置条件下での実験は実施せず，実血液を対象とした応力場予測に注力する方針とした．
一方で，新たな実施項目として，模擬血管における複屈折場の妥当性検証を追加する．従来，模擬血液の複屈折場データの有効性は確認されていたが，模擬血管については未検証であった．この課題に対応するため，関西大学の楠野氏を新たに共同研究者として迎え，FSI（流体-構造連成）数値解析を実施し，模擬血管内の応力場を再現することで，複屈折場との比較検証を行う予定である．
これらの成果は，日本流体力学会年会，International Symposium on Flow Visualization（ISFV21），JSME-KSME Thermal and Fluids Engineering Conference（J-K TFEC11）等の学会で発表を予定しており，さらに，Physics of Fluids誌またはScientific Reports誌などの査読付き国際誌への論文投稿も計画している．
|
