基于图形卷积神经网络的人-气道表面网格光滑.
Thao Thi Ho1, Minh Tam Tran1, Xinguang Cui2
1School of Mechanical Engineering, Kyungpook National University, 80 Daehak-ro, Buk-gu, Daegu 41566, South Korea.
Computer methods and programs in biomedicine
|February 11, 2024
概括
本研究介绍了一种无监督的气道网平滑学习 (AMSL) 方法,以准确地保存CT扫描的3D气道几何形状,用于计算流体动力学 (CFD) 模拟. AMSL成功地在没有收缩的情况下平滑了气道网格,提高了空气流和压力预测的CFD准确性.
科学领域:
- 医学成像和计算建模.
- 开发用于生物医学应用的先进算法.
背景情况:
- 精确的气道几何学对于基于计算机断层扫描 (CT) 图像的计算流体动力学 (CFD) 模拟至关重要.
- 现有的表面光滑方法往往会导致较小的气道分支的收缩和信息丢失.
研究的目的:
- 引入一个无监督的气道网平滑学习 (AMSL) 方法.
- 为了保持原始的3D气道几何形状,以准确的基于CT图像的CFD模拟.
主要方法:
- 联合训练两个图形卷积神经网络 (GCNNs) 来过顶位置和面向正常向量.
- 调节损失函数,以获得可重复性,流性和一致性.
- 使用深网格先前模型进行自我相似网格恢复,而无需大型数据集.
主要成果:
- 在20个基准问题中,AMSL方法在18个问题中表现优于传统和最先进的深度学习方法.
- AMSL成功地平滑了20个气道数据集,保持了原来的气道直径,特别是在较小的分支机构.
- 使用AMSL生成的气道进行的CFD模拟显示,与传统方法相比,压力下降和墙壁剪切应力降低.
结论:
- AMSL方法准确地复制了气道分支直径而没有收缩,保留了较小气道的关键细节.
- 精确的气道几何平滑对于CFD模拟中可靠的流量属性估计至关重要.
