血流解析（けつりゅうかいせき、英: blood flow analysis／hemodynamic analysis）とは、血管や心臓の内部を流れる血液の速度・圧力・流量・壁面に作用する力などの力学的特性を、計測・数値計算・データ解析の手法を用いて定量的に明らかにする一連の技術および研究分野の総称である。本分野は大きく、(1) 生体内での流れを直接測定する計測ベースの手法、(2) 計算流体力学（CFD）による数値シミュレーション、(3) 機械学習・深層学習を用いた手法、の3つの方法論に分類される。血流解析は循環器系の生理学的理解に加えて、脳動脈瘤、動脈硬化、冠動脈疾患、大動脈疾患などの診断・治療方針決定・医療機器設計に応用されている。
一般的な定義
血流解析は、血液という流体の運動を扱う流体力学（fluid mechanics）と、循環器系の生理学を結びつける学際的な領域である。解析の対象となる主要な物理量には、血流速度（velocity）、圧力（pressure）、流量（flow rate）、および血管壁に接して流れる血液が壁面に及ぼすせん断応力である壁面せん断応力（wall shear stress, WSS）などがある。
血液は赤血球などの細胞成分を含む懸濁液であり、低せん断速度では非ニュートン流体としての性質（ずり速度の上昇に伴って粘度が低下するずり流動化）を示すが、比較的太い動脈の解析では近似的にニュートン流体として扱われることが多い。また、心臓の拍動により血流は時間的に変動する拍動流（pulsatile flow）であり、血管壁は弾性を持って変形する。これらの特徴が血流解析を複雑な力学問題にしている。
現代の血流解析は、おおむね次の3つのアプローチからなる。
計測ベースの血流解析 — ドップラー超音波、位相コントラスト磁気共鳴画像法（位相コントラストMRI）および4D Flow MRI、冠血流予備量比（FFR）のカテーテル計測、レーザードップラー流速計、粒子画像流速測定法（PIV）などにより、生体内またはモデル内の流れを直接測定する。 数値シミュレーション（計算流体力学, CFD） — 医用画像から再構成した患者個別の血管形状に対してナビエ–ストークス方程式を数値的に解き、速度場・圧力場・WSSなどを計算する「画像ベース患者個別モデリング」が代表的である。 機械学習・深層学習 — 物理情報を組み込んだニューラルネットワーク（PINN）やCFDの代理（サロゲート）モデルにより、流れ場の予測や逆問題の解決を高速化しようとする新しいアプローチである。
科学研究・医学研究上の起源・歴史
流体力学的基礎の確立（19世紀）
血流解析の物理的基礎は19世紀の流体力学に遡る。フランスの医師・生理学者ジャン・レオナール・マリー・ポアズイユ（Jean Léonard Marie Poiseuille）は、細管内の液体の流れに関する実験を行い、流量が管径の4乗と圧力に比例し管長に反比例するという関係（ポアズイユの法則、Hagen–Poiseuille式）を1840年に発表した（詳細版は1846年）。ポアズイユはもともと毛細血管における血液の流れに関心を持っており、この法則は血行力学（hemodynamics）の出発点の一つとなった。
19世紀末には、ドイツの生理学者オットー・フランク（Otto Frank）が動脈系を弾性的な貯気室になぞらえて表現するウィンドケッセルモデル（Windkessel model）を1899年に提唱した。このモデルは動脈系のコンプライアンスと末梢抵抗によって拡張期の大動脈圧の減衰を説明するもので、現代の集中定数（ランプドパラメータ）モデルの原型となった。フランクの原著はドイツ語で書かれているが、その内容と発展はWesterhofらによる後年の英語の総説で詳細に論じられている。
拍動流理論と血流計測（20世紀中盤）
20世紀半ばには拍動流の理論が整備された。ジョン・R・ウォマーズリー（John R. Womersley）は1955年、圧力勾配が既知の場合に動脈内の流速・流量・粘性抵抗を計算する方法を導出し、拍動流の特性を表す無次元数（後にウォマーズリー数と呼ばれる）を導入した。
血流の生体内計測においては、日本の物理学者里村茂夫（Shigeo Satomura）が超音波ドップラー法を先駆的に開発した。里村は1957年、心機能検査への超音波ドップラー法の応用を英語論文として発表し、これが医用ドップラー超音波の起点とされる。 その後、超音波ドップラー法は血流速度の非侵襲計測法として広く臨床に普及した。
壁面せん断応力と動脈硬化（1970–1980年代）
血流の力学と血管疾患を結びつける重要な知見が1970年代以降に蓄積された。Caroらは1971年、動脈硬化の好発部位が壁面せん断応力（壁面ずり速度）の低い領域と一致することを観察し、せん断応力依存の物質輸送機構が動脈硬化の発生に関与するという仮説を提唱した。 これは「低せん断応力仮説」の基礎となった。
さらにKu、Giddens、Zarins、Glagovらは1985年、頸動脈分岐部のモデルでレーザードップラー流速計を用いた拍動流実験を行い、内膜プラークの厚い部位が、せん断応力が低くかつ向きが振動する領域に一致することを示した。 これは時間平均的に低く、振動性の高いせん断応力が動脈硬化を促進するという、現在の振動せん断指数（oscillatory shear index, OSI）の概念につながる成果である（OSIの定式化はHe & Ku（1996）による）。
位相コントラストMRIと4D Flow MRI
MRIによる血流計測の理論的基礎は、Moranが1982年に提案した、流速を信号位相に符号化する手法（「flow velocity zeugmatographic interlace」）に由来する。 1984年にはBryantらが傾斜磁場パルスと位相差を用いた流れ計測法を実装し、位相コントラストMRI（phase-contrast MRI, PC-MRI）として確立された。 その後、3次元空間で3方向の速度成分を符号化する4D Flow MRIが開発され、大動脈や心臓など複雑な血流の評価に用いられるようになった。手法や応用に関する整理としては、2012年にMarklらによる総説が発表されている。また2015年には、Dyverfeldtらを中心とする専門家グループによる合意文書（consensus statement）も公表された。4D Flow MRIは臨床・研究で利用が広がりつつあるが、撮像・解析法の標準化は現在も発展途上にある。
画像ベースCFDの台頭
計算機性能の向上と医用画像技術の進歩により、1990年代後半から患者個別の血管形状に対するCFDが本格化した。Taylor、Hughes、Zarinsらは1998年、安定化有限要素法（stabilized finite element method）に基づく動脈血流の数値モデリングの枠組みを示した。脳動脈瘤については、Steinmanらが2003年に巨大脳動脈瘤の画像ベース流れシミュレーションを報告した。続いてCebralらが2005年に、患者個別の脳動脈瘤モデルを用いて血行力学的特徴と破裂リスクの関連を評価する手法を示した。日本でも庄島らが2004年、中大脳動脈瘤を対象にCFDによって壁面せん断応力（WSS）の大きさと分布を解析するなど、画像ベースCFDによる脳動脈瘤研究の基礎が築かれた。
冠血流予備量比（FFR）とCT-FFR
冠動脈狭窄の機能的重症度を圧力計測から評価する冠血流予備量比（fractional flow reserve, FFR）は、Pijls、De Bruyneらによって1990年代に確立された。 その後の大規模臨床試験（2009年のFAME試験など）により、FFRに基づく治療判断が血管造影所見のみに基づく判断よりも良好な臨床転帰をもたらすことが示され、FFRは冠動脈疾患の機能評価指標として臨床に定着した。 さらに2013年、TaylorらはCFDを冠動脈CT血管造影に適用し、追加の撮影や薬剤投与なしにFFRを非侵襲的に算出する手法（CT-FFR）の科学的基礎を示した。
物理情報ニューラルネットワーク（PINN）
2010年代後半には深層学習が血流解析の研究に導入された。Raissi、Perdikaris、Karniadakisらは2019年、支配方程式（非線形偏微分方程式）を損失関数に組み込んで学習する物理情報ニューラルネットワーク（physics-informed neural networks, PINN）を提案した。 2020年にはRaissiらが、ナビエ–ストークス方程式を組み込んだ深層学習の枠組み（「hidden fluid mechanics」）を提案し、流れの可視化データから速度場と圧力場を推定するアプローチを脳動脈瘤内の血流などで例示した。 これらは比較的新しい手法であり、その有効性や臨床的価値は研究途上にある。
概要
計測ベースの血流解析
生体内の血流を直接測定する代表的なモダリティには以下がある。
ドップラー超音波 — 超音波の周波数偏移（ドップラー効果）を利用して血流速度を非侵襲的に計測する。簡便で実時間性に優れ、頸動脈や心臓の評価に広く用いられる。 位相コントラストMRIおよび4D Flow MRI — 血流速度を磁気共鳴信号の位相に符号化して計測する。4D Flow MRIは3次元空間内の3方向速度成分を時間分解能をもって取得でき、大動脈や心臓の複雑な流れパターンの可視化・定量に用いられる。 冠血流予備量比（FFR） — 圧力センサ付きガイドワイヤを用いて、最大充血状態における狭窄部前後の圧力比を測定し、狭窄の機能的重症度を評価する侵襲的指標である。 レーザードップラー流速計・粒子画像流速測定法（PIV） — 主に実験室での流れ計測やモデル実験に用いられ、CFD結果の検証にも利用される。
計算流体力学（CFD）と画像ベース患者個別シミュレーション
CFDによる血流解析では、医用画像（CT、MRI、3次元回転血管造影など）から患者個別の血管形状を再構成し、その内部で血液の運動を支配するナビエ–ストークス方程式を数値的に解く。 解析からは速度場・圧力場のほか、以下のような血行力学的指標が得られる。
壁面せん断応力（WSS） — 血流が血管壁に接線方向に及ぼす単位面積あたりの力。内皮細胞の機能や血管リモデリングに影響し、動脈硬化や動脈瘤の発生・進展との関連が研究されている。 振動せん断指数（OSI） — 心周期を通じてWSSの向きがどれだけ振動するかを表す無次元指標。高いOSIは動脈硬化の好発部位と関連するとされる。 相対滞留時間（relative residence time, RRT） — 血液が壁近傍に滞留する傾向を表す指標で、WSSとOSIを組み合わせて定義される。 圧力・速度場 — 狭窄部前後の圧力差や、動脈瘤内の流入ジェット・再循環領域などの流れ構造の評価に用いられる。
解析にあたっては、いくつかのモデル化の選択がなされる。流入・流出部の境界条件には、計測値や心拍に基づく流量・圧力波形、あるいはウィンドケッセルモデルなどの集中定数モデルが用いられる。血管壁については、壁の弾性変形を血流と連成して解く流体構造連成（fluid–structure interaction, FSI）解析が用いられることもある（コンプライアンスのある頸動脈分岐部モデルでのPerktoldらの研究などが知られる）。 一方で、対象や目的によっては壁を剛体とみなす剛体壁モデルも広く用いられる。たとえば脳動脈瘤の解析では、対象のスケールや壁変形・拍動による影響が相対的に小さいことから、剛体壁・ニュートン流体の仮定でも妥当な近似が得られるとして、多くの研究で採用されている。血液の粘性についても、太い動脈ではニュートン流体として扱われることが多く、低せん断領域が重要となる場合に非ニュートン流体モデルが用いられる。
機械学習・深層学習による手法
近年は、機械学習・深層学習を血流解析に応用する研究が進められている。これらは比較的新しいアプローチであり、その多くは研究段階にあるが、主な方向性として次のようなものが提案されている。
物理情報ニューラルネットワーク（PINN） — 支配方程式をニューラルネットワークの損失関数に組み込む手法で、少数の計測データから流れ場を再構成したり、境界条件が未知の逆問題を扱ったりするアプローチが研究されている。希薄な速度データから壁面せん断応力を推定する試みなども報告されている。 CFD代理（サロゲート）モデル — 計算コストの高いCFDシミュレーションを機械学習モデルで近似し、流れ場やWSSの予測を高速化しようとするアプローチ。 機械学習版CT-FFR — CFDの代わりに機械学習モデルを用いて冠動脈CTからFFRを推定する手法が提案されている。
これらの手法は、計算の高速化、ノイズや低解像度データに対する頑健性、計測とシミュレーションの統合（データ同化）といった可能性が期待される一方、結果の検証や臨床的な信頼性の確立が課題とされており、現時点では評価の定まっていない発展途上の領域である。
臨床・研究上の応用
血流解析は以下のような幅広い対象に応用されている。
脳動脈瘤 — WSSやOSIなどの血行力学的指標と動脈瘤の発生・成長・破裂リスクとの関連の解明、治療（コイル塞栓術、フローダイバーター留置）の効果予測。 動脈硬化 — 低く振動的なWSSとプラーク好発部位との関連の研究。 冠動脈疾患 — FFRおよびCT-FFRによる狭窄の機能的評価と治療方針決定。 大動脈疾患 — 大動脈瘤・大動脈解離・二尖弁に伴う異常血流の評価（4D Flow MRI、CFD）。 ステント・人工弁などの医療機器設計、および外科手術・血管内治療の計画。
出典