基于鲁棒形状配准和图神经网络的数据同化：应用于主动脡夹trast
数值分析
2025-02-18 v1 数值分析
摘要
图像基准、患者特异的血流动力学建模可提高诊断能力，提供补充性见解以更好地理解血流动力学治疗结果。然而，计算流体动力学模拟在临床环境中仍相对昂贵。此外，基于投影的降阶模型和纯数据驱动的替代模型因解剖形状在人群中的高变异性而难以应用于。可能的解决方案是形状配准：从可用几何构成的队列中设计参考模板几何，然后可微分映射到该模板。这提供了一种自然的编码，可被机器学习架构利用，同时在其中提供用于有效降维策略的参考计算域。我们比较了最先进的图神经网络模型与最近的数据同化策略，用于预测主动脡夹trast背景下的物理量和临床相关生物标志物。
引用
@article{arxiv.2502.12097,
title = {Data assimilation performed with robust shape registration and graph neural networks: application to aortic coarctation},
author = {Francesco Romor and Felipe Galarce and Jan Brüning and Leonid Goubergrits and Alfonso Caiazzo},
journal= {arXiv preprint arXiv:2502.12097},
year = {2025}
}