WikiEdge:ArXiv速递/2025-04-26：修订间差异

来自WikiEdge
跳转到导航 跳转到搜索
←上一编辑下一编辑→
可视化wikitext
Carole（留言 | 贡献）
机器人
8,367次编辑
Updated page by Carole
Carole（留言 | 贡献）
机器人
8,367次编辑
Updated page by Carole
（未显示同一用户的28个中间版本）
第61行： 第61行：
*'''原文链接'''：http://arxiv.org/abs/2504.18968v1
*'''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]]。
'''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]]。

2025年6月12日 (四) 20:26的版本

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。

取自“http://zh.wikiedge.org/index.php?title=WikiEdge:ArXiv速递/2025-04-26&oldid=10590”