面向创伤性脑损伤的多模态神经算子实时生物力学建模
机器学习
2026-04-27 v3 人工智能
计算机视觉与模式识别
医学物理
摘要
背景：创伤性脑损伤建模需要整合体积性神经影像、人口统计参数和获取元数据。有限元求解器在临床环境中计算成本过高。神经算子推断速度更快，其将体积影像与标量元数据集成的潜力尚未充分探索用于生物力学预测。目标：本研究评估多模态神经算子架构用于脑部生物力学。我们测试了融合体积解剖影像、人口统计特征和获取参数，以从 MRE 数据预测全场脑位移的策略。方法：我们将 TBI 建模视为多模态算子学习问题。测试了两种融合策略。针对 Fourier 神经算子（FNO）架构应用场投影；针对 Deep Operator Networks（DeepONet）使用分支分解。评估了四个模型（FNO、Factorized FNO、Multi-Grid FNO、DeepONet），在 20-90 Hz 频率范围内的 249 例体内 MRE 数据集上。结果：DeepONet 在真实位移场上实现最高准确率（MSE=0.0039，90.0% 准确率），推断速度最快（3.83 it/s），参数最少（2.09M）。MG-FNO 在虚位移场上表现最佳（MSE=0.0058，88.3% 准确率），GPU 内存占用最低（7.12 GB）。没有单一架构在所有准则上均占优势。这揭示了准确性、空间保真度和计算成本之间的不同权衡。结论：多模态融合的神经算子能够准确预测来自异构输入的全场脑位移。它们的推断时间是有限元求解器的多个数量级。本比较为在生物医学环境中选择算子学习方法提供了指导。
引用
@article{arxiv.2510.03248,
title = {Multimodal Neural Operators for Real-Time Biomechanical Modelling of Traumatic Brain Injury},
author = {Anusha Agarwal and Dibakar Roy Sarkar and Somdatta Goswami},
journal= {arXiv preprint arXiv:2510.03248},
year = {2026}
}