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脳シフトを正確に捉えることは、正確な手術ナビゲーションを確保するために術前データを術中ジオメトリに合わせるための重要なタスクです。
有限要素法 (FEM) は、生体力学的定式化を通じて軟部組織の変形を効果的に近似するための実証済みの手法ですが、その成功の度合いは、正確さと速度の間のトレードオフに要約されます。
この問題を回避するために、この分野の最新の研究では、ランダム フォレスト、人工ニューラル ネットワーク (ANN) などのさまざまな機械学習アルゴリズムを有限要素解析 (FEA) の結果でトレーニングすること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。
) 予測による組織変形の近似を高速化します。
ただし、これらの方法は、トレーニング中に有限要素 (FE) メッシュの構造を考慮していません。このメッシュは、ノードの接続性とそれらの間の距離に関する情報を提供します。これは、力の負荷点の近さに基づいて組織の変形を概算するのに役立ちます。
残りのメッシュ ノードと一緒に。
したがって、この作業では、新しいフレームワークである PhysGNN を提案します。これは、グラフ ニューラル ネットワーク (GNN) を活用して FEM の解を近似するデータ駆動型モデルであり、メッシュ構造情報と非構造化グリッドおよび複雑な複雑な誘導学習を説明できます。
トポロジー構造。
経験的に、提案されたアーキテクチャ PhysGNN は、正確で高速な軟部組織の変形近似を約束し、最先端の (SOTA) アルゴリズムと競合すると同時に、計算​​の実現可能性の向上を約束し、脳神経外科の設定に適していることを実証します。

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 the 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