使用等价图神经网络从异质结构进行软组织模拟和力估计

科学领域:

• 计算力学是计算力学.
• 医疗模拟 医疗模拟
• 机器学习在医疗保健中的应用

背景情况:

• 精确的软组织变形模拟对于外科训练,手术前规划和触觉反至关重要.
• 传统的基于物理学的模型,如有限元法 (FEM),是计算密集型的,需要大量的预处理.
• 对于实时手术应用,需要高效,强大的模拟方法.

研究的目的:

• 开发一个图形神经网络 (GNN) 架构,用于预测软组织变形和从稀疏点云应用力.
• 将内部解剖信息纳入并利用E (n) 等价值信息传递来提高模型的稳定性.
• 为传统的模拟方法提供一个计算效率高,数据驱动的替代方案.

主要方法:

• 提出了一个图形神经网络 (GNN) 架构,利用稀疏点云并结合内部解剖数据.
• 采用E (n) -等价值的信息,传递对方向和分辨率的变化进行增强的稳定性.
• 收集了来自和骨类幻象的实验数据,并补充了FEM模拟.

主要成果:

• 在标准测试中,GNN模型在标准测试中实现了与基线GNN可比的性能.
• 在旋转和交叉分辨率场景中表现显著改善,表明强烈的概括性.
• 实现了显著的速度改进,使其适合实时应用.
• 在实验数据上保持了亚毫米的变形精度,即使样本和噪声有限.

结论:

• 拟议的GNN方法提供了一种高效的,数据驱动的方法来模拟软组织变形.
• 该模型在不同的解剖学配置和数据分辨率上表现出强大的概括能力.
• 这种方法为实时手术模拟,培训和交互式环境提供了可行的解决方案.