查看“WikiEdge:ArXiv速递/2025-04-26”的源代码
←
WikiEdge:ArXiv速递/2025-04-26
跳转到导航
跳转到搜索
因为以下原因，您没有权限编辑该页面：
您请求的操作仅限属于该用户组的用户执行：
用户
您可以查看和复制此页面的源代码。
== 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]]。 == 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[[临床应用]]中的使用——这类应用通常需要数十至数百次[[模拟]]来估计[[组织参数]]。我们开发了基于[[注意力机制]]增强[[图神经网络]](GNN)的FEA[[模拟器]][[HeartSimSage]]，能够根据[[患者特定]][[几何结构]]、[[心室]][[压力]]和[[材料特性]]快速预测[[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]][[几何形态]]、[[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]]。我们使用公开的[[左心室]][[数据集]]验证了模型，并对[[超参数]]、[[邻域]][[策略]]及[[注意力机制]]进行了[[敏感性分析]]。 == 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[[临床应用]]中的使用——这类应用通常需要数十至数百次[[模拟]]来估算[[组织参数]]。我们开发了基于[[注意力机制]]增强[[图神经网络]](GNN)的FEA模拟器HeartSimSage，可从[[患者特定]][[几何结构]]、[[心室]][[压力]]和[[材料属性]]快速预测[[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，HeartSimSage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]]。我们使用公开的[[左心室]][[数据集]]验证了模型，并对[[超参数]]、[[邻域]][[策略]]及[[注意力机制]]进行了[[敏感性分析]]。 == 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[[临床应用]]中的使用——这类应用通常需要数十至数百次[[模拟]]来估计[[组织参数]]。我们开发了基于[[注意力机制]]增强[[图神经网络]](GNN)的FEA模拟器HeartSimSage，可从[[患者特定]][[几何结构]]、[[心室]][[压力]]和[[材料属性]]快速预测[[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]][[几何形态]]、[[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[[邻域]][[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]]。我们使用公开的[[左心室]][[数据集]]验证了模型，并对[[超参数]]、[[邻域]][[策略]]及[[注意力机制]]进行了[[敏感性分析]]。 == 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[[患者特定]][[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]]。我们使用公开的[[左心室]][[数据集]]验证了模型，并对[[超参数]]、[[邻域策略]]及[[注意力机制]]进行了[[敏感性分析]]。 == 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[[临床应用]]中的使用——这类应用通常需要数十至数百次[[模拟]]来估算[[组织参数]]。我们开发了基于[[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]]、[[心室]][[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]][[几何形态]]、[[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]]上达190倍加速，同时保持0.13%±0.12%的[[双心室]][[位移]][[预测]][[平均误差]]。我们使用公开的[[左心室]][[数据集]]验证了模型，并对[[超参数]]、[[邻域策略]]及[[注意力机制]]进行了[[敏感性分析]]。 == 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[[临床应用]]中的使用——这类应用通常需要数十至数百次[[模拟]]来估算[[组织参数]]。我们开发了基于[[注意力机制]]增强[[图神经网络]](GNN)的FEA模拟器HeartSimSage，能够根据[[患者特定]][[几何结构]]、[[心室]][[压力]]和[[材料属性]]快速预测[[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]][[几何形态]]、[[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，HeartSimSage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]]。我们使用公开的[[左心室]][[数据集]]验证了模型，并对[[超参数]]、[[邻域]][[策略]]及[[注意力机制]]进行了[[敏感性分析]]。 == 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[[临床应用]]中的使用——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]]，能够根据[[患者特定]][[几何结构]]、[[心腔]][[压力]]和[[材料属性]]快速预测[[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]][[几何形态]]、[[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]]。我们使用公开的[[左心室]][[数据集]]验证了模型，并对[[超参数]]、[[邻域]][[策略]]及[[注意力机制]]进行了[[敏感性分析]]。 == 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[[临床应用]]中的使用——这类应用通常需要数十至数百次[[模拟]]来估算[[组织参数]]。我们开发了基于[[注意力机制]]增强[[图神经网络]](GNN)的FEA模拟器HeartSimSage，能够根据[[患者特异性]][[几何结构]]、[[心室]][[压力]]和[[材料属性]]快速预测[[双心室]][[心肌]]的被动[[位移]]。该模型通过有效处理多样化的三维双心室[[几何形态]]、[[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]]。与传统FEA相比，HeartSimSage在[[GPU]]上实现约13,000倍[[加速]]，[[CPU]]上190倍加速，同时保持双心室位移预测的平均[[误差]]仅为0.13%±0.12%。我们使用已公开的[[左心室]][[数据集]]验证了模型，并对[[超参数]]、邻域策略及注意力机制进行了[[敏感性分析]]。 == 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[[临床应用]]中的使用——这类应用通常需要数十至数百次[[模拟]]来估算[[组织参数]]。我们开发了基于[[注意力机制]]增强[[图神经网络]](GNN)的FEA[[模拟器]][[HeartSimSage]]，能够根据[[患者特定]][[几何结构]]、[[心室]][[压力]]和[[材料属性]]快速预测[[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]][[几何形态]]、[[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]]的柔性[[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]]提升效率。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]]，从而提高[[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]]。我们使用公开的[[左心室]][[数据集]]验证了模型，并对[[超参数]]、[[邻域]][[策略]]及[[注意力机制]]进行了[[敏感性分析]]。 == 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加速心脏力学建模 * '''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[[临床应用]]中的使用——这类应用通常需要数十至数百次[[模拟]]来估算[[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，能够根据[[患者特异性]][[几何结构]]、[[心室]][[压力]]和[[材料属性]]快速预测[[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]][[几何形态]]、[[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]]。与传统FEA相比，HeartSimSage在[[GPU]]上实现约13,000倍加速，[[CPU]]上达190倍加速，同时保持0.13%±0.12%的[[双心室]][[位移]][[预测]][[平均误差]]。我们使用已公开的[[左心室]][[数据集]]验证了模型，并对[[超参数]]、[[邻域]][[策略]]及[[注意力机制]]进行了[[敏感性分析]]。 == 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[[临床应用]]中的使用——这类应用通常需要数十至数百次[[模拟]]来估算[[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，能够根据[[患者特定]][[几何结构]]、[[心腔]][[压力]]和[[材料属性]]快速预测[[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]][[几何形态]]、[[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，HeartSimSage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]]。我们使用已发布的[[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]]。 == 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[[临床应用]]中的使用——这类应用通常需要数十至数百次[[模拟]]来估算[[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，能够根据[[患者特异性]][[几何结构]]、[[心室]][[压力]]和[[材料属性]]快速预测[[双心室]][[心肌]]的被动[[位移]]。该模型通过有效处理多样化的三维双心室[[几何形态]]、[[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]]的柔性[[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]]。与传统FEA相比，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]]。我们使用公开的[[左心室]][[数据集]]验证了模型，并对[[超参数]]、[[邻域策略]]及[[注意力机制]]进行了[[敏感性分析]]。 == 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[[临床应用]]中的使用——这类应用通常需要数十至数百次[[模拟]]来估计[[组织参数]]。我们开发了基于[[注意力机制]]增强[[图神经网络]](GNN)的FEA[[模拟器]]HeartSimSage，能够根据[[患者特定]][[几何结构]]、[[心室]][[压力]]和[[材料属性]]快速预测[[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，并支持具有可变[[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]]。此外，我们采用[[拉普拉斯-狄利克雷]][[解]]进行[[空间编码]]增强，并运用基于[[子集]]的[[训练方法]]提升效率。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]]，从而提高[[预测]][[精度]]。相比传统[[FEA]]，HeartSimSage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]]。我们使用公开的[[左心室]][[数据集]]验证了模型，并对[[超参数]]、[[邻域]][[策略]]及[[注意力机制]]进行了[[敏感性分析]]。 == 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[[临床应用]]中的使用——这类应用通常需要数十至数百次[[模拟]]来估算[[组织参数]]。我们开发了基于[[注意力机制]]增强[[图神经网络]](GNN)的FEA模拟器HeartSimSage，可从[[患者特定]][[几何结构]]、[[心室]][[压力]]和[[材料属性]]快速预测[[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]][[几何形态]]、[[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]]的柔性[[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]]。我们使用公开的[[左心室]][[数据集]]验证了模型，并对[[超参数]]、[[邻域]][[策略]]及[[注意力机制]]进行了[[敏感性分析]]。 == 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[[临床应用]]中的使用——这类应用通常需要数十至数百次[[模拟]]来估计[[组织参数]]。我们开发了基于[[注意力机制]]增强[[图神经网络]](GNN)的FEA[[模拟器]][[HeartSimSage]]，能够根据[[患者特定]][[几何结构]]、[[心腔]][[压力]]和[[材料属性]]快速预测[[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]][[几何形态]]、[[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]]。我们使用公开的[[左心室]][[数据集]]验证了模型，并对[[超参数]]、[[邻域]][[策略]]及[[注意力机制]]进行了[[敏感性分析]]。 == 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[[患者特定]][[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]][[几何形态]]、[[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]]。我们使用公开的[[左心室]][[数据集]]验证了[[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]]。 == 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[[临床应用]]中的使用——这类应用通常需要数十至数百次[[模拟]]来估计[[组织参数]]。我们开发了基于[[注意力机制]]增强[[图神经网络]](GNN)的FEA模拟器HeartSimSage，可从[[患者特定]][[几何结构]]、[[心室]][[压力]]和[[材料属性]]快速预测[[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]][[几何形态]]、[[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]]提升效率。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，从而提高[[预测精度]]。与传统FEA相比，HeartSimSage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]]。我们使用已发布的[[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]]。 == 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]]。我们开发了基于[[注意力机制]]增强[[图神经网络]](GNN)的FEA模拟器HeartSimSage，可从[[患者特定]][[几何结构]]、[[心室]][[压力]]和[[材料属性]]快速预测[[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]]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]]。我们使用公开的[[左心室]][[数据集]]验证了模型，并对[[超参数]]、[[邻域]][[策略]]及[[注意力机制]]进行了[[敏感性分析]]。 == 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[[临床应用]]中的使用——这类应用通常需要数十至数百次[[模拟]]来估计[[组织参数]]。我们开发了基于[[注意力机制]]增强[[图神经网络]](GNN)的FEA模拟器HeartSimSage，能够从[[患者特异性]][[几何结构]]、[[心室]][[压力]]和[[材料属性]]快速预测[[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]][[几何形态]]、[[网格拓扑]]、[[纤维方向]]、[[结构本构模型]]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]]。我们使用公开的[[左心室]][[数据集]]验证了模型，并对[[超参数]]、[[邻域策略]]及[[注意力机制]]进行了[[敏感性分析]]。 == 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[[临床应用]]中的使用——这类应用通常需要数十至数百次[[模拟]]来估计[[组织参数]]。我们开发了基于[[注意力机制]]增强[[图神经网络]](GNN)的FEA[[模拟器]][[HeartSimSage]]，能够根据[[患者特定]][[几何结构]]、[[心腔]][[压力]]和[[材料特性]]快速预测[[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]][[几何形态]]、[[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]]。我们使用已公开的[[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]]。 == 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加速心脏力学建模 * '''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[[临床应用]]中的使用——这类应用通常需要数十至数百次[[模拟]]来估计[[组织参数]]。我们开发了基于[[注意力机制]]增强[[图神经网络]](GNN)的FEA模拟器HeartSimSage，能够根据[[患者特定]][[几何结构]]、[[心室]][[压力]]和[[材料属性]]快速预测[[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]][[几何形态]]、[[网格拓扑]]、[[纤维方向]]、[[结构本构模型]]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[[邻域]][[贡献]]并过滤无关信息，从而提升[[预测精度]]。与传统FEA相比，HeartSimSage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]]。我们使用已公开的[[左心室]][[数据集]]验证了模型，并对[[超参数]]、[[邻域策略]]及[[注意力机制]]进行了[[敏感性分析]]。 == 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[[临床应用]]中的使用——这类应用通常需要数十至数百次[[模拟]]来估计[[组织参数]]。我们开发了基于[[注意力机制]]增强[[图神经网络]](GNN)的FEA[[模拟器]]HeartSimSage，能够根据[[患者特异性]][[几何结构]]、[[心室]][[压力]]和[[材料属性]]快速预测[[双心室]][[心肌]]的被动[[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]]。与传统FEA相比，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]]。我们使用已公开的[[左心室]][[数据集]]验证了模型，并对[[超参数]]、邻域策略及注意力机制进行了[[敏感性分析]]。 == 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]]。我们开发了基于[[注意力机制]]增强[[图神经网络]](GNN)的FEA[[模拟器]][[HeartSimSage]]，可从[[患者特定]][[几何结构]]、[[心室]][[压力]]和[[材料属性]]快速预测[[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]]提升[[效率]]。通过集成[[注意力机制]]，[[HeartSimSage]]能自适应权衡[[邻域]][[贡献]]并过滤无关[[信息]]，从而提高[[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]]。我们使用公开的[[左心室]][[数据集]]验证了模型，并对[[超参数]]、[[邻域]][[策略]]及[[注意力机制]]进行了[[敏感性分析]]。 == 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[[临床应用]]中的使用——这类应用通常需要数十至数百次[[模拟]]来估计[[组织参数]]。我们开发了基于[[注意力机制]]增强[[图神经网络]](GNN)的FEA模拟器HeartSimSage，可从[[患者特异性]][[几何结构]]、[[心室]][[压力]]和[[材料属性]]快速预测[[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]]。我们使用已公开的[[左心室]][[数据集]]验证了模型，并对[[超参数]]、[[邻域]][[策略]]及[[注意力机制]]进行了[[敏感性分析]]。 == 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加速心脏力学建模方法 * '''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[[临床应用]]中的使用——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[[患者特定]][[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]][[几何形态]]、[[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]]。与传统FEA相比，HeartSimSage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]]。我们使用已公开的[[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]]。 == 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加速心脏力学建模 * '''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[[临床应用]]中的使用——这类应用通常需要数十至数百次[[模拟]]来估计[[组织参数]]。我们开发了基于[[注意力机制]]增强[[图神经网络]](GNN)的FEA[[模拟器]][[HeartSimSage]]，能够根据[[患者特异性]][[几何结构]]、[[心室压力]]和[[材料属性]]快速预测[[双心室]][[心肌]]的被动[[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]]。与传统[[FEA]]相比，[[HeartSimSage]]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]]。我们使用已发布的[[左心室]][[数据集]]验证了模型，并对[[超参数]]、[[邻域]][[策略]]及[[注意力机制]]进行了[[敏感性分析]]。 == 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[[临床应用]]中的使用——这类应用通常需要数十至数百次[[模拟]]来估算[[组织参数]]。我们开发了基于[[注意力机制]]增强[[图神经网络]](GNN)的FEA模拟器HeartSimSage，可从[[患者特定]][[几何结构]]、[[心室压力]]和[[材料属性]]快速预测[[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]][[几何形态]]、[[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]]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]]提升效率。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，从而提高[[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]]。我们使用已公开的[[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]]。 == 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加速心脏力学建模 * '''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[[临床应用]]中的使用——这类应用通常需要数十至数百次[[模拟]]来估算[[组织参数]]。我们开发了基于[[注意力机制]]增强[[图神经网络]](GNN)的FEA模拟器HeartSimSage，可从[[患者特异性]]几何结构、[[心室压力]]和[[材料属性]]快速预测[[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]]提升效率。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，从而提高[[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。我们使用公开的[[左心室数据集]]验证了模型，并对[[超参数]]、[[邻域策略]]及[[注意力机制]]进行了[[敏感性分析]]。 == 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[[临床应用]]中的使用——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[[患者特定]][[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[[几何形态]]、[[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]]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。我们使用公开的[[左心室]][[数据集]]验证了模型，并对[[超参数]]、[[邻域策略]]及[[注意力机制]]进行了[[敏感性分析]]。 == 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[[临床应用]]中的使用——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[[患者特定]][[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]][[几何形态]]、[[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]]上达190倍加速，同时保持0.13%±0.12%的[[双心室]][[位移]][[预测]][[平均误差]]。我们使用已发布的[[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]]。 == 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加速心脏力学建模方法 * '''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[[临床应用]]中的使用——这类应用通常需要数十至数百次[[模拟]]来估算[[组织参数]]。我们开发了基于[[注意力机制]]增强[[图神经网络]](GNN)的FEA模拟器HeartSimSage，能够根据[[患者特定]][[几何结构]]、[[心室]][[压力]]和[[材料属性]]快速预测[[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]][[几何形态]]、[[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]]。与传统FEA相比，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]]。我们使用公开的[[左心室]][[数据集]]验证了模型，并对[[超参数]]、[[邻域]][[策略]]及[[注意力机制]]进行了[[敏感性分析]]。 == 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[[临床应用]]中的使用——这类应用通常需要数十至数百次[[模拟]]来估计[[组织参数]]。我们开发了基于[[注意力机制]]增强[[图神经网络]](GNN)的FEA模拟器HeartSimSage，可从[[患者特异性]][[几何结构]]、[[心室压力]]和[[材料属性]]快速预测[[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[[几何形态]]、[[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[[邻域贡献]]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。我们使用已公开的[[左心室]][[数据集]]验证了模型，并对[[超参数]]、[[邻域策略]]及[[注意力机制]]进行了[[敏感性分析]]。 == 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[[临床应用]]中的使用——这类应用通常需要数十至数百次[[模拟]]来估算[[组织参数]]。我们开发了基于[[注意力机制]]增强[[图神经网络]](GNN)的FEA[[模拟器]][[HeartSimSage]]，能够根据[[患者特定]][[几何结构]]、[[心腔]][[压力]]和[[材料特性]]快速预测[[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]][[几何形态]]、[[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]]。我们使用公开的[[左心室]][[数据集]]验证了模型，并对[[超参数]]、[[邻域]][[策略]]及[[注意力机制]]进行了[[敏感性分析]]。 == 摘要 == * '''原文标题'''：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling * '''中文标题'''：基于注意力增强图神经网络的心脏力学建模加速方法HeartSimSage * '''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[[临床应用]]中的使用——这类应用通常需要数十至数百次[[模拟]]来估算[[组织参数]]。我们开发了基于[[注意力机制]]增强[[图神经网络]](GNN)的FEA模拟器HeartSimSage，可快速根据[[患者特定]][[几何结构]]、[[心室]][[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]][[几何形态]]、[[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]]。我们使用已公开的[[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]]。 == 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，但其高昂的[[计算成本]]限制了在[[临床]][[数字孪生]]创建中的应用——该过程通常需要数十至数百次[[模拟]]来估算[[组织参数]]。我们开发了基于[[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]]、[[心室压力]]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]][[几何形态]]、[[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，并支持具有可变[[节点数量]]、排序和[[单元连接性]]的柔性[[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]]。通过整合[[拉普拉斯-狄利克雷]][[解]]增强[[空间编码]]，并采用基于[[子集]]的[[训练]]提升效率。[[注意力机制]]的引入使模型能自适应权衡[[邻居贡献]]并过滤无关信息，将[[预测精度]]提升至[[双心室]][[位移]][[平均误差]]仅0.13%±0.12%。相比传统FEA，HeartSimSage在[[GPU]]上实现约13,000倍加速，[[CPU]]上190倍加速。我们使用公开[[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]]。
返回
WikiEdge:ArXiv速递/2025-04-26
。
导航菜单
个人工具
创建账号
登录
命名空间
项目页面
讨论
不转换
不转换
简体
繁體
大陆简体
香港繁體
澳門繁體
大马简体
新加坡简体
臺灣正體
查看
阅读
查看源代码
查看历史
更多
搜索
导航
首页
最近更改
随机页面
MediaWiki帮助
工具
链入页面
相关更改
特殊页面
页面信息