| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 1. 绪论 | 第10-15页 |
| 1.1 课题研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状与发展趋势 | 第11-13页 |
| 1.3 论文研究内容与章节安排 | 第13-15页 |
| 1.3.1 论文研究内容 | 第13-14页 |
| 1.3.2 论文章节安排 | 第14-15页 |
| 2. 基于物理的血流模拟 | 第15-42页 |
| 2.1 引言 | 第15页 |
| 2.2 血流动力学模型构建 | 第15-20页 |
| 2.2.1 流体力学基础 | 第16-18页 |
| 2.2.2 基于牛顿流体力学的血流动力学模型 | 第18页 |
| 2.2.3 本文采用的血流动力学模型 | 第18-20页 |
| 2.3 血流动力学模型数值求解 | 第20-27页 |
| 2.3.1 流体模拟数值方法基础 | 第20-24页 |
| 2.3.2 血流动力学模型数值求解 | 第24-27页 |
| 2.4 血流血管耦合模拟 | 第27-37页 |
| 2.4.1 流固耦合问题方法基础 | 第27-29页 |
| 2.4.2 GPU加速的血流血管耦合方法 | 第29-36页 |
| 2.4.3 血管受力可视化 | 第36-37页 |
| 2.5 实验结果 | 第37-41页 |
| 2.5.1 血流非牛顿特性验证试验 | 第38-39页 |
| 2.5.2 血流血管耦合实验 | 第39-40页 |
| 2.5.3 血管受力可视化实验 | 第40-41页 |
| 2.5.4 并行方法与串行算法对比实验 | 第41页 |
| 2.6 本章小结 | 第41-42页 |
| 3. 数据驱动的血流模拟 | 第42-66页 |
| 3.1 引言 | 第42-43页 |
| 3.2 机器学习方法基础 | 第43-48页 |
| 3.2.1 特征构造方法基础 | 第44-46页 |
| 3.2.2 神经网络方法介绍 | 第46-48页 |
| 3.3 血流粒子特征向量构造 | 第48-55页 |
| 3.3.1 血流数据分析 | 第49-50页 |
| 3.3.2 统计学中数据分布特征的描述 | 第50-51页 |
| 3.3.3 血流粒子特征向量构造 | 第51-55页 |
| 3.4 血流模拟的机器学习模型 | 第55-60页 |
| 3.4.1 血流数据的离线机器学习 | 第55-57页 |
| 3.4.2 解决过拟合问题 | 第57-60页 |
| 3.4.3 血流状态的在线预测 | 第60页 |
| 3.5 实验结果 | 第60-65页 |
| 3.5.1 训练数据获取 | 第60-61页 |
| 3.5.2 血流数据离线训练实验结果 | 第61-63页 |
| 3.5.3 在线数据驱动血流模拟实验结果 | 第63-65页 |
| 3.5.4 数据驱动方法和基于物理方法的模拟结果对比 | 第65页 |
| 3.6 本章小结 | 第65-66页 |
| 4. 血流模拟平台搭建 | 第66-73页 |
| 4.1 引言 | 第66页 |
| 4.2 基于SOFA的血流物理模拟平台 | 第66-70页 |
| 4.2.1 SOFA平台介绍 | 第66-67页 |
| 4.2.2 平台搭建 | 第67页 |
| 4.2.3 血流物理计算模块 | 第67-69页 |
| 4.2.4 交互界面模块 | 第69-70页 |
| 4.3 基于Matlab的血流数据驱动模拟平台 | 第70-73页 |
| 4.3.1 Matlab神经网络工具箱介绍 | 第70-71页 |
| 4.3.2 离线学习模块 | 第71页 |
| 4.3.3 在线预测模块 | 第71-72页 |
| 4.3.4 交互界面设计 | 第72-73页 |
| 5. 总结与展望 | 第73-75页 |
| 5.1 本文工作总结 | 第73页 |
| 5.2 后续工作展望 | 第73-75页 |
| 参考文献 | 第75-78页 |
| 致谢 | 第78-79页 |
| 附录1 攻读硕士学位期间发表的论文 | 第79-80页 |
| 附录2 攻读硕士学位期间参与的科研项目 | 第80页 |