面向数字孪生人体实时仿真的热力学信息图神经网络
机器学习
2024-12-17 v1
摘要
实时仿真在医学领域日益增长的重要性，暴露了复杂生物系统数字表征中固有的局限性和瓶颈。本文提出了一种旨在推进软组织仿真当前研究路线的新方法。所提出的方法引入了一个混合模型，将图神经网络的几何偏置与从施加 metriplectic 结构作为软硬约束中导出的物理偏置相结合，能够模拟具有耗散特性的肝组织。该方法提供了一种高效的解决方案，能够在保持对未见解剖结构显著泛化能力的同时，以高反馈速率生成预测。这使得这些特性在精准医学和触觉渲染背景下尤为相关。基于所采用的方法，我们提出了一个模型，能够在优化配置下仅需 7.3 毫秒即可预测人类肝脏对牵拉和压缩载荷的响应，在最高效的情况下仅需 1.65 毫秒，所有计算均在一次前向传播中完成。该模型的相对位置误差低于 0.15%，应力张量和速度估计的相对误差保持在 7% 以下。这证明了所开发方法的鲁棒性，能够有效处理各种载荷状态和解剖结构。这项工作突出了通过深度学习将实时仿真与患者特定几何结构相结合的可行性，为医学应用中更鲁棒的数字孪生人体铺平了道路。
引用
@article{arxiv.2412.12034,
title = {Thermodynamics-informed graph neural networks for real-time simulation of digital human twins},
author = {Lucas Tesán and David González and Pedro Martins and Elías Cueto},
journal= {arXiv preprint arXiv:2412.12034},
year = {2024}
}