Mesh Neural Networks for SE(3)-Equivariant Hemodynamics Estimation on the Artery Wall

要約

計算流体力学 (CFD) は、患者固有の心血管疾患の診断と予後のための貴重な資産ですが、その高い計算要求が実際の採用を妨げています。
個々の患者の血流を推定する機械学習手法は、これらの制限を克服するために CFD シミュレーションを加速または置き換えることができます。
この作業では、3 次元の幾何学的動脈モデルの壁のベクトル値の量の推定を検討します。
三角形の表面メッシュを直接操作し、トレーニング データを効率的に使用するエンド ツー エンドの SE(3) 等価ニューラル ネットワークで、グループ等価グラフ畳み込みを採用します。
合成冠状動脈の大規模なデータセットで実験を実行し、この方法が 7.6% の近似誤差と 0.4% の正規化平均絶対誤差 (NMAE) で方向性壁せん断応力 (WSS) を推定し、最大 2 桁高速であることを発見しました。
CFDよりも。
さらに、さまざまな流入境界条件を条件として、心周期にわたる一時的なベクトル値の WSS を正確に予測するのに十分強力であることを示します。
これらの結果は、血行力学的ベクトルおよびスカラー フィールドのパーソナライズされた予測における CFD のプラグインの代替として提案された方法の可能性を示しています。

要約(オリジナル)

Computational fluid dynamics (CFD) is a valuable asset for patient-specific cardiovascular-disease diagnosis and prognosis, but its high computational demands hamper its adoption in practice. Machine-learning methods that estimate blood flow in individual patients could accelerate or replace CFD simulation to overcome these limitations. In this work, we consider the estimation of vector-valued quantities on the wall of three-dimensional geometric artery models. We employ group-equivariant graph convolution in an end-to-end SE(3)-equivariant neural network that operates directly on triangular surface meshes and makes efficient use of training data. We run experiments on a large dataset of synthetic coronary arteries and find that our method estimates directional wall shear stress (WSS) with an approximation error of 7.6% and normalised mean absolute error (NMAE) of 0.4% while up to two orders of magnitude faster than CFD. Furthermore, we show that our method is powerful enough to accurately predict transient, vector-valued WSS over the cardiac cycle while conditioned on a range of different inflow boundary conditions. These results demonstrate the potential of our proposed method as a plugin replacement for CFD in the personalised prediction of hemodynamic vector and scalar fields.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google