实现乳腺生物力学压缩的稳健建模:使用图形神经网络进行了扩展研究

科学领域:

• 医学成像医学成像
• 计算建模计算建模
• 生物医学工程 生物医学工程

背景情况:

• 精确模拟乳腺组织变形对于在3D模式和2D乳房造影之间进行图像注册至关重要.
• 有限元分析 (FEA) 提供了高可靠性,但在计算上是密集的,限制了其在快速模拟中的使用.
• 基于物理学的图形神经网络 (PhysGNN) 为模拟乳房压缩提供了一个计算效率高的替代方案.

研究的目的:

• 评估PhysGNN在新的数字乳房幻象上的表现.
• 评估培训PhysGNN对多个幻影的影响.
• 扩展先前在PhysGNN上的工作,用于乳腺变形模拟.

主要方法:

• PhysGNN 在单幻影 (每几何) 和多幻影 (多重几何) 数据集上受过训练.
• 数据集是从数字乳房幻象的增量FEA模拟中生成的.
• 一个留下一个-变形-输出策略评估了压缩下的预测性能.

主要成果:

• PhysGNN在新的数字幻影上表现出强的性能,由于解剖学多样性而存在一些变化.
• 与单个幻影训练相比,多幻影训练提高了强度和减少了预测错误.
• 模型性能在每次几何学训练中保持强,并通过多重几何学方法增强.

结论:

• PhysGNN为模拟乳房压缩提供了FEA的计算效率高的替代方案.
• 多重几何训练提高了PhysGNN的预测准确性和稳定性.
• PhysGNN显示出开发可靠的乳房压缩体积模型的巨大潜力,有助于图像注册和算法开发.