用于预测软组织变形和力量的条件图神经网络
机器学习
2025-08-08 v1 人工智能
计算机视觉与模式识别
摘要
软组织在虚拟环境中的仿真正变得越来越重要，尤其是在医疗应用领域。然而，软组织的高可变形性提出了重大挑战。现有方法依赖于分割、网格化和软组织刚度属性估计。在此基础上，集成触觉反馈需要精确的力量估计，以实现更沉浸式的体验。我们引入了一种新型数据驱动模型，即条件图神经网络 (cGNN)，以解决这一复杂性。该模型采用表面点和施加力的位置，专为预测这些点的变形以及施加在其上的力量而设计。我们在软组织 phantom 的实验收集的表面跟踪数据上训练该模型，并通过初始使用质量-弹簧仿真和随后使用实验数据进行微调来克服数据稀缺问题。这种方法提高了模型的泛化能力，使其能够准确预测组织变形及其相应的相互作用力量。结果表明，该模型在变形量最高达 30 mm 时，可预测变形距离误差为 0.35±0.03 mm，在力量最高达 7.5 N 时，力量误差为 0.37±0.05 N。我们的数据驱动方法为虚拟环境中软组织仿真的复杂挑战提供了有前景的解决方案。除了在医疗模拟中的适用性外，这种方法还可能受益于需要真实软组织仿真的诸多领域。
引用
@article{arxiv.2507.05315,
title = {Conditional Graph Neural Network for Predicting Soft Tissue Deformation and Forces},
author = {Madina Kojanazarova and Florentin Bieder and Robin Sandkühler and Philippe C. Cattin},
journal= {arXiv preprint arXiv:2507.05315},
year = {2025}
}