用于动脉壁上 SE(3)-等变血流动力学估计的网格神经网络
机器学习
2024-06-18 v2 计算机视觉与模式识别
群论
流体动力学
摘要
计算流体动力学（CFD）对于患者特异性的心血管疾病诊断与预后评估是有价值的工具，但其高昂的计算需求阻碍了临床实际应用。能够估计个体患者血流的机器学习方法可加速或替代 CFD 模拟以克服这些局限。本工作中，我们考虑在三维几何动脉模型壁上估计向量值量。我们采用群等变图卷积，构建端到端的 SE(3)-等变神经网络，直接作用于三角表面网格并高效利用训练数据。我们在大型合成冠状动脉数据集上实验，发现我们的方法估计方向性壁面剪应力（WSS）的近似误差为 7.6%、归一化平均绝对误差（NMAE）为 0.4%，同时比 CFD 快至多两个数量级。此外，我们表明我们的方法足够强大，可在以一系列不同流入边界条件为条件下准确预测整个心动周期中的瞬态向量值 WSS。这些结果展示了我们所提方法作为 CFD 插件替代用于血流动力学向量与标量场个性化预测的潜力。
引用
@article{arxiv.2212.05023,
title = {Mesh Neural Networks for SE(3)-Equivariant Hemodynamics Estimation on the Artery Wall},
author = {Julian Suk and Pim de Haan and Phillip Lippe and Christoph Brune and Jelmer M. Wolterink},
journal= {arXiv preprint arXiv:2212.05023},
year = {2024}
}
备注
Published in "Computers in Biology and Medicine"