SE(3)对称性使图神经网络能从小数据集学习动脉速度估计
机器学习
2023-08-07 v3 群论
流体动力学
摘要
冠状动脉中的血流动力学速度场可作为心血管疾病诊断、预后和治疗规划中有价值生物标志物的基础。速度场通常经由计算流体动力学(CFD)从患者特异性3D动脉模型获得。然而，CFD模拟需要专家精细设置且耗时，阻碍了临床实践中的大规模应用。为此，我们提出图神经网络(GNN)作为一种高效的黑盒代理方法，用于估计映射到动脉腔四面体网格顶点的3D速度场。我们在合成动脉模型和基于CFD的真实速度场上训练这些GNN。一旦GNN训练完成，对新且未见的动脉的速度估计可比CFD提速36倍。我们展示了如何构建独立于输入网格空间朝向的SE(3)-等变GNN，并表明这相比基线神经网络减少了所需的训练数据量。
引用
@article{arxiv.2302.08780,
title = {SE(3) symmetry lets graph neural networks learn arterial velocity estimation from small datasets},
author = {Julian Suk and Christoph Brune and Jelmer M. Wolterink},
journal= {arXiv preprint arXiv:2302.08780},
year = {2023}
}
备注
First published in "12th International Conference on Functional Imaging and Modeling of the Heart" (FIMH), pp 445-454, 2023 by Springer Nature