查看“WikiEdge:ArXiv速递/2025-04-26”的源代码

== 摘要 ==
* '''原文标题'''：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
* '''中文标题'''：HeartSimSage：基于注意力增强图神经网络的心脏力学建模加速方法
* '''发布日期'''：2025-04-26 16:31:12+00:00
* '''作者'''：Lei Shi, Yurui Chen, Vijay Vedula
* '''分类'''：physics.med-ph
*'''原文链接'''：http://arxiv.org/abs/2504.18968v1
'''中文摘要'''：[[有限元分析]](FEA)是[[心脏]][[生物力学]][[建模]]的基石，但其[[计算成本]]高昂，限制了在创建[[数字孪生]]体等[[临床]]中的应用——这类应用通常需要数十至数百次[[模拟]]来估计[[组织]][[参数]]。我们开发了一种基于[[注意力机制]]增强[[图神经网络]](GNN)的FEA模拟器HeartSimSage，可快速根据[[患者特异性]][[几何结构]]、[[心腔]][[压力]]和[[材料属性]]预测[[双心室]][[心肌]][[被动]][[位移]]。该模型通过有效处理多样化的[[三维]][[双心室]][[几何结构]]、[[网格]][[拓扑]]、[[纤维]][[方向]]、基于结构的[[本构模型]]和[[生理]][[边界条件]]，解决了现有[[模拟器]]的局限性。它支持具有可变[[节点]][[数量]]、[[排序]]和[[单元]][[连接性]]的灵活[[网格结构]]。为优化[[信息传播]]，我们设计了受[[GraphSAGE]]启发的[[邻域]][[连接策略]]，在保持[[中长程]][[依赖关系]]的同时优先处理[[局部]][[交互]]。我们还引入[[拉普拉斯]][[狄利克雷]][[解]]以增强[[空间]][[编码]]，并采用基于[[子集]]的[[训练方法]]提高[[效率]]。通过集成[[注意力机制]]，HeartSimSage能自适应权衡[[邻居]][[贡献]]并过滤无关[[信息]]，从而提升[[预测]][[精度]]。相比传统FEA，该模型在[[GPU]]上实现约13,000倍[[加速]]，[[CPU]]上190倍[[加速]]，同时保持0.13%±0.12%的[[双心室]][[位移]][[预测]][[平均]][[误差]]。我们使用已发表的[[左心室]][[数据集]]验证模型，并对[[超参数]]、[[邻域]][[策略]]及[[注意力机制]]进行了[[敏感性]][[分析]]。