HeartSimSage：用于加速心脏力学建模的注意力增强图神经网络
医学物理
2025-04-29 v1
摘要
有限元分析（FEA）是心脏生物力学建模的基石，但计算昂贵，限制了其在数字孪生应用中用于估计组织参数所需的大量仿真。我们开发了基于注意力增强图神经网络（GNN）的 FEA 模拟器，HeartSimSage，用于快速预测来自患者特异性几何结构、腔室压力和材料属性的双左心室肌义体位移。HeartSimSage 通过有效处理多种三维（3D）双左心室几何结构、网格拓扑、纤维方向、基于结构的本构模型以及生理边界条件，解决了当前仿真器的局限性。它支持节点数目、顺序和元素连接性可变的灵活网格结构。为优化信息传播，我们设计了受 Graph Sample and Aggregate（GraphSAGE）启发的邻域连接策略，优先处理局部相互作用，同时保持中长程依赖关系。我们进一步采用拉普拉斯-狄利克雷解答以增强空间编码，并采用基于子集的训练以提高效率。通过集成注意力机制，HeartSimSage 可自适应地加权邻居贡献并过滤无关信息，从而提高预测精度。HeartSimSage 在 GPU 上比传统 FEA 快约 13000 倍，在 CPU 上快约 190 倍，同时保持双左心室位移预测的平均误差为 0.13% ± 0.12%。我们使用已发表的左心室数据集对模型进行了验证，并对超参数、邻域策略和注意力机制进行了敏感性分析。
引用
@article{arxiv.2504.18968,
title = {HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling},
author = {Lei Shi and Yurui Chen and Vijay Vedula},
journal= {arXiv preprint arXiv:2504.18968},
year = {2025}
}