Learning Reduced-Order Models for Cardiovascular Simulations with Graph Neural Networks

要約

物理学に基づく低次元モデルは、その効率性から心臓血管モデリングで一般的な選択肢ですが、多数の接合部や病理学的状態を含む解剖学的構造を扱う場合、精度が低下する可能性があります。
3 次元の血行動態シミュレーション データでトレーニングされたグラフ ニューラル ネットワークを使用して、血流動態をシミュレートする 1 次元の低次元モデルを開発します。
システムの初期条件が与えられると、ネットワークは容器の中心線ノードでの圧力と流量を繰り返し予測します。
私たちの数値結果は、さまざまな解剖学的構造と境界条件を含む生理学的幾何学における私たちの方法の精度と一般化可能性を示しています。
私たちの調査結果は、適切なトレーニング データがあれば、圧力と流量でそれぞれ 2% と 3% 未満のエラーを達成できることを示しています。
その結果、私たちの方法は、推論時の高い効率を維持しながら、物理ベースの 1 次元モデルと比較して優れたパフォーマンスを発揮します。

要約(オリジナル)

Reduced-order models based on physics are a popular choice in cardiovascular modeling due to their efficiency, but they may experience reduced accuracy when working with anatomies that contain numerous junctions or pathological conditions. We develop one-dimensional reduced-order models that simulate blood flow dynamics using a graph neural network trained on three-dimensional hemodynamic simulation data. Given the initial condition of the system, the network iteratively predicts the pressure and flow rate at the vessel centerline nodes. Our numerical results demonstrate the accuracy and generalizability of our method in physiological geometries comprising a variety of anatomies and boundary conditions. Our findings demonstrate that our approach can achieve errors below 2% and 3% for pressure and flow rate, respectively, provided there is adequate training data. As a result, our method exhibits superior performance compared to physics-based one-dimensional models, while maintaining high efficiency at inference time.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google