PhysGNN: A Physics-Driven Graph Neural Network Based Model for Predicting Soft Tissue Deformation in Image-Guided Neurosurgery

要約

画像誘導脳神経外科手術で術中の脳シフトを正しくキャプチャすることは、正確な外科的ナビゲーションを確保するために術前のデータを術中の形状に合わせるための重要なタスクです。
有限要素法（FEM）は、生体力学的処方を通じて軟組織の変形を効果的に近似する実証済みの手法ですが、その成功の度合いは、精度と速度の間のトレードオフに帰着します。
この問題を回避するために、この分野の最新の研究では、さまざまな機械学習アルゴリズムのトレーニングによって得られたデータ駆動型モデルを活用することが提案されています。
ランダムフォレスト、人工ニューラルネットワーク（ANN）、有限要素解析（FEA）の結果により、予測による組織変形の近似を高速化します。
ただし、これらの方法では、トレーニング中の有限要素（FE）メッシュの構造が考慮されておらず、ノードの接続性とノード間の距離に関する情報が提供されます。これにより、力の荷重点の近接性に基づいて組織の変形を概算できます。
残りのメッシュノードで。
したがって、この作業は、メッシュ構造情報と非構造格子および複雑なトポロジカルでの誘導学習を説明できるグラフニューラルネットワーク（GNN）を活用して、FEMのソリューションを近似するデータ駆動型モデルである新しいフレームワークPhysGNNを提案します。
構造。
経験的に、提案されたアーキテクチャであるPhysGNNは、正確で高速な軟組織変形近似を約束し、最先端の（SOTA）アルゴリズムと競合すると同時に、計算​​の実現可能性を高め、脳神経外科の設定に適していることを示します。

要約(オリジナル)

Correctly capturing intraoperative brain shift in image-guided neurosurgical procedures is a critical task for aligning preoperative data with intraoperative geometry for ensuring accurate surgical navigation. While the finite element method (FEM) is a proven technique to effectively approximate soft tissue deformation through biomechanical formulations, their degree of success boils down to a trade-off between accuracy and speed. To circumvent this problem, the most recent works in this domain have proposed leveraging data-driven models obtained by training various machine learning algorithms, e.g. random forests, artificial neural networks (ANNs), with the results of finite element analysis (FEA) to speed up tissue deformation approximations by prediction. These methods, however, do not account for the structure of the finite element (FE) mesh during training that provides information on node connectivities as well as the distance between them, which can aid with approximating tissue deformation based on the proximity of force load points with the rest of the mesh nodes. Therefore, this work proposes a novel framework, PhysGNN, a data-driven model that approximates the solution of FEM by leveraging graph neural networks (GNNs), which are capable of accounting for the mesh structural information and inductive learning over unstructured grids and complex topological structures. Empirically, we demonstrate that the proposed architecture, PhysGNN, promises accurate and fast soft tissue deformation approximations and is competitive with the state-of-the-art (SOTA) algorithms while promising enhanced computational feasibility, therefore suitable for neurosurgical settings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google