WikiEdge:ArXiv速遞/2025-04-26

出自WikiEdge
跳至導覽 跳至搜尋

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的心臟力學建模加速方法
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床中的應用——這類應用通常需要數十至數百次模擬來估計組織參數。我們開發了一種基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，可快速根據患者特異性幾何結構、心腔壓力和材料屬性預測雙心室心肌被動位移。該模型通過有效處理多樣化的三維雙心室幾何結構、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的靈活網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。我們還引入拉普拉斯狄利克雷解以增強空間編碼，並採用基於子集的訓練方法提高效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰居貢獻並過濾無關信息，從而提升預測精度。相比傳統FEA，該模型在GPU上實現約13,000倍加速，CPU上190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用已發表的左心室數據集驗證模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的心臟力學建模加速方法
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床應用中的使用——這類應用通常需要數十至數百次模擬來估計組織參數。我們開發了基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，能夠根據患者特定幾何結構、心室壓力和材料特性快速預測雙心室心肌被動位移。該模型通過有效處理多樣化的三維雙心室幾何形態、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的靈活網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。我們還引入拉普拉斯-狄利克雷解以增強空間編碼，並採用基於子集的訓練方法提高效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰居貢獻並過濾無關信息，從而提升預測精度。相比傳統FEA，該模型在GPU上實現約13,000倍加速，CPU上190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用公開的左心室數據集驗證了模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的心臟力學建模加速方法
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床應用中的使用——這類應用通常需要數十至數百次模擬來估算組織參數。我們開發了基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，可從患者特定幾何結構、心室壓力和材料屬性快速預測雙心室心肌被動位移。該模型通過有效處理多樣化的三維雙心室幾何結構、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的靈活網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。我們還引入拉普拉斯-狄利克雷解以增強空間編碼，並採用基於子集的訓練方法提高效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰居貢獻並過濾無關信息，從而提升預測精度。相比傳統FEA，HeartSimSage在GPU上實現約13,000倍加速，CPU上190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用公開的左心室數據集驗證了模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的心臟力學建模加速方法
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床應用中的使用——這類應用通常需要數十至數百次模擬來估計組織參數。我們開發了基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，可從患者特定幾何結構、心室壓力和材料屬性快速預測雙心室心肌被動位移。該模型通過有效處理多樣化的三維雙心室幾何形態、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的靈活網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。我們還引入拉普拉斯-狄利克雷解以增強空間編碼，並採用基於子集的訓練方法提高效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰域貢獻並過濾無關信息，從而提升預測精度。相比傳統FEA，該模型在GPU上實現約13,000倍加速，CPU上190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用公開的左心室數據集驗證了模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的心臟力學建模加速方法
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床中的應用——這類應用通常需要數十至數百次模擬來估計組織參數。我們開發了基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，可快速根據患者特定幾何結構、心腔壓力和材料屬性預測雙心室心肌被動位移。該模型通過有效處理多樣化的三維雙心室幾何結構、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的靈活網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。我們還引入拉普拉斯-狄利克雷解以增強空間編碼，並採用基於子集的訓練方法提高效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰居貢獻並過濾無關信息，從而提升預測精度。相比傳統FEA，該模型在GPU上實現約13,000倍加速，CPU上190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用公開的左心室數據集驗證了模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的心臟力學建模加速方法
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床應用中的使用——這類應用通常需要數十至數百次模擬來估算組織參數。我們開發了基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，可快速根據患者特異性幾何結構、心室壓力和材料屬性預測雙心室心肌被動位移。該模型通過有效處理多樣化的三維雙心室幾何形態、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的靈活網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。我們還引入拉普拉斯-狄利克雷解以增強空間編碼，並採用基於子集的訓練方法提高效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰居貢獻並過濾無關信息，從而提升預測精度。相比傳統FEA，該模型在GPU上實現約13,000倍加速，CPU上達190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用公開的左心室數據集驗證了模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的心臟力學建模加速方法
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床應用中的使用——這類應用通常需要數十至數百次模擬來估算組織參數。我們開發了基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，能夠根據患者特定幾何結構、心室壓力和材料屬性快速預測雙心室心肌被動位移。該模型通過有效處理多樣化的三維雙心室幾何形態、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的靈活網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。我們還引入拉普拉斯狄利克雷解以增強空間編碼，並採用基於子集的訓練方法提高效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰居貢獻並過濾無關信息，從而提升預測精度。相比傳統FEA，HeartSimSage在GPU上實現約13,000倍加速，CPU上190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用公開的左心室數據集驗證了模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的心臟力學建模加速方法
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床應用中的使用——這類應用通常需要數十至數百次模擬來估計組織參數。我們開發了一種基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，能夠根據患者特定幾何結構、心腔壓力和材料屬性快速預測雙心室心肌被動位移。該模型通過有效處理多樣化的三維雙心室幾何形態、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的靈活網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。我們還引入拉普拉斯-狄利克雷解以增強空間編碼，並採用基於子集的訓練方法提高效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰居貢獻並過濾無關信息，從而提升預測精度。相比傳統FEA，該模型在GPU上實現約13,000倍加速，CPU上190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用公開的左心室數據集驗證了模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的心臟力學建模加速方法
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床應用中的使用——這類應用通常需要數十至數百次模擬來估算組織參數。我們開發了基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，能夠根據患者特異性幾何結構、心室壓力和材料屬性快速預測雙心室心肌的被動位移。該模型通過有效處理多樣化的三維雙心室幾何形態、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的靈活網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。我們還引入拉普拉斯-狄利克雷解以增強空間編碼，並採用基於子集的訓練方法提高效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰居貢獻並過濾無關信息，從而提升預測精度。與傳統FEA相比，HeartSimSage在GPU上實現約13,000倍加速，CPU上190倍加速，同時保持雙心室位移預測的平均誤差僅為0.13%±0.12%。我們使用已公開的左心室數據集驗證了模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的心臟力學建模加速方法
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床應用中的使用——這類應用通常需要數十至數百次模擬來估算組織參數。我們開發了基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，能夠根據患者特定幾何結構、心室壓力和材料屬性快速預測雙心室心肌被動位移。該模型通過有效處理多樣化的三維雙心室幾何形態、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的柔性網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。我們還引入拉普拉斯-狄利克雷解以增強空間編碼，並採用基於子集的訓練方法提升效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰居貢獻並過濾無關信息，從而提高預測精度。相比傳統FEA，該模型在GPU上實現約13,000倍加速，CPU上190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用公開的左心室數據集驗證了模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的加速心臟力學建模
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床應用中的使用——這類應用通常需要數十至數百次模擬來估算組織參數。我們開發了一種基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，能夠根據患者特異性幾何結構、心室壓力和材料屬性快速預測雙心室心肌被動位移。該模型通過有效處理多樣化的三維雙心室幾何形態、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的靈活網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。我們還引入拉普拉斯-狄利克雷解以增強空間編碼，並採用基於子集的訓練方法提高效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰居貢獻並過濾無關信息，從而提升預測精度。與傳統FEA相比，HeartSimSage在GPU上實現約13,000倍加速，CPU上達190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用已公開的左心室數據集驗證了模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的心臟力學建模加速方法
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床應用中的使用——這類應用通常需要數十至數百次模擬來估算組織參數。我們開發了一種基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，能夠根據患者特定幾何結構、心腔壓力和材料屬性快速預測雙心室心肌被動位移。該模型通過有效處理多樣化的三維雙心室幾何形態、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的靈活網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。我們還引入拉普拉斯狄利克雷解以增強空間編碼，並採用基於子集的訓練方法提高效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰居貢獻並過濾無關信息，從而提升預測精度。相比傳統FEA，HeartSimSage在GPU上實現約13,000倍加速，CPU上190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用已發布的左心室數據集驗證模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的心臟力學建模加速方法
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床應用中的使用——這類應用通常需要數十至數百次模擬來估算組織參數。我們開發了一種基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，能夠根據患者特異性幾何結構、心室壓力和材料屬性快速預測雙心室心肌的被動位移。該模型通過有效處理多樣化的三維雙心室幾何形態、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的柔性網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。我們還引入拉普拉斯-狄利克雷解以增強空間編碼，並採用基於子集的訓練方法提高效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰居貢獻並過濾無關信息，從而提升預測精度。與傳統FEA相比，該模型在GPU上實現約13,000倍加速，CPU上190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用公開的左心室數據集驗證了模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的心臟力學建模加速方法
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床應用中的使用——這類應用通常需要數十至數百次模擬來估計組織參數。我們開發了基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，能夠根據患者特定幾何結構、心室壓力和材料屬性快速預測雙心室心肌被動位移。該模型通過有效處理多樣化的三維雙心室幾何結構、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性，並支持具有可變節點數量、排序和單元連接性的靈活網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。此外，我們採用拉普拉斯-狄利克雷解進行空間編碼增強，並運用基於子集的訓練方法提升效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰居貢獻並過濾無關信息，從而提高預測精度。相比傳統FEA，HeartSimSage在GPU上實現約13,000倍加速，CPU上190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用公開的左心室數據集驗證了模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的心臟力學建模加速方法
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床應用中的使用——這類應用通常需要數十至數百次模擬來估算組織參數。我們開發了基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，可從患者特定幾何結構、心室壓力和材料屬性快速預測雙心室心肌被動位移。該模型通過有效處理多樣化的三維雙心室幾何形態、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的柔性網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。我們還引入拉普拉斯狄利克雷解以增強空間編碼，並採用基於子集的訓練方法提高效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰居貢獻並過濾無關信息，從而提升預測精度。相比傳統FEA，該模型在GPU上實現約13,000倍加速，CPU上190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用公開的左心室數據集驗證了模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的心臟力學建模加速方法
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床應用中的使用——這類應用通常需要數十至數百次模擬來估計組織參數。我們開發了基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，能夠根據患者特定幾何結構、心腔壓力和材料屬性快速預測雙心室心肌被動位移。該模型通過有效處理多樣化的三維雙心室幾何形態、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的靈活網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。我們還引入拉普拉斯-狄利克雷解以增強空間編碼，並採用基於子集的訓練方法提高效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰居貢獻並過濾無關信息，從而提升預測精度。相比傳統FEA，該模型在GPU上實現約13,000倍加速，CPU上190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用公開的左心室數據集驗證了模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的心臟力學建模加速方法
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床中的應用——這類應用通常需要數十至數百次模擬來估計組織參數。我們開發了基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，可快速根據患者特定幾何結構、心腔壓力和材料屬性預測雙心室心肌被動位移。該模型通過有效處理多樣化的三維雙心室幾何形態、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的靈活網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。我們還引入拉普拉斯狄利克雷解以增強空間編碼，並採用基於子集的訓練方法提高效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰居貢獻並過濾無關信息，從而提升預測精度。相比傳統FEA，該模型在GPU上實現約13,000倍加速，CPU上190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用公開的左心室數據集驗證了模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的心臟力學建模加速方法
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床應用中的使用——這類應用通常需要數十至數百次模擬來估計組織參數。我們開發了基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，可從患者特定幾何結構、心室壓力和材料屬性快速預測雙心室心肌被動位移。該模型通過有效處理多樣化的三維雙心室幾何形態、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的靈活網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。我們還引入拉普拉斯-狄利克雷解以增強空間編碼，並採用基於子集的訓練提升效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰居貢獻並過濾無關信息，從而提高預測精度。與傳統FEA相比，HeartSimSage在GPU上實現約13,000倍加速，CPU上190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用已發布的左心室數據集驗證模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的心臟力學建模加速方法
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床中的應用——這類應用通常需要數十至數百次模擬來估計組織參數。我們開發了基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，可從患者特定幾何結構、心室壓力和材料屬性快速預測雙心室心肌被動位移。該模型通過有效處理多樣化的三維雙心室幾何結構、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的靈活網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。我們還引入拉普拉斯-狄利克雷解以增強空間編碼，並採用基於子集的訓練提高效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰居貢獻並過濾無關信息，從而提升預測精度。相比傳統FEA，該模型在GPU上實現約13,000倍加速，CPU上190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用公開的左心室數據集驗證了模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的心臟力學建模加速方法
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床應用中的使用——這類應用通常需要數十至數百次模擬來估計組織參數。我們開發了基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，能夠從患者特異性幾何結構、心室壓力和材料屬性快速預測雙心室心肌被動位移。該模型通過有效處理多樣化的三維雙心室幾何形態、網格拓撲、纖維方向、結構本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的靈活網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。我們還引入拉普拉斯-狄利克雷解以增強空間編碼，並採用基於子集的訓練方法提高效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰居貢獻並過濾無關信息，從而提升預測精度。相比傳統FEA，該模型在GPU上實現約13,000倍加速，CPU上190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用公開的左心室數據集驗證了模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的心臟力學建模加速方法
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床應用中的使用——這類應用通常需要數十至數百次模擬來估計組織參數。我們開發了基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，能夠根據患者特定幾何結構、心腔壓力和材料特性快速預測雙心室心肌被動位移。該模型通過有效處理多樣化的三維雙心室幾何形態、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的靈活網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。我們還引入拉普拉斯狄利克雷解以增強空間編碼，並採用基於子集的訓練方法提高效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰居貢獻並過濾無關信息，從而提升預測精度。相比傳統FEA，該模型在GPU上實現約13,000倍加速，CPU上190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用已公開的左心室數據集驗證模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的加速心臟力學建模
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床應用中的使用——這類應用通常需要數十至數百次模擬來估計組織參數。我們開發了基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，能夠根據患者特定幾何結構、心室壓力和材料屬性快速預測雙心室心肌被動位移。該模型通過有效處理多樣化的三維雙心室幾何形態、網格拓撲、纖維方向、結構本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的靈活網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。我們還引入拉普拉斯-狄利克雷解以增強空間編碼，並採用基於子集的訓練方法提高效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰域貢獻並過濾無關信息，從而提升預測精度。與傳統FEA相比，HeartSimSage在GPU上實現約13,000倍加速，CPU上190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用已公開的左心室數據集驗證了模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的心臟力學建模加速方法
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床應用中的使用——這類應用通常需要數十至數百次模擬來估計組織參數。我們開發了基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，能夠根據患者特異性幾何結構、心室壓力和材料屬性快速預測雙心室心肌的被動位移。該模型通過有效處理多樣化的三維雙心室幾何結構、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的靈活網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。我們還引入拉普拉斯-狄利克雷解以增強空間編碼，並採用基於子集的訓練方法提高效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰居貢獻並過濾無關信息，從而提升預測精度。與傳統FEA相比，該模型在GPU上實現約13,000倍加速，CPU上190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用已公開的左心室數據集驗證了模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的心臟力學建模加速方法
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床中的應用——這類應用通常需要數十至數百次模擬來估計組織參數。我們開發了基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，可從患者特定幾何結構、心室壓力和材料屬性快速預測雙心室心肌被動位移。該模型通過有效處理多樣化的三維雙心室幾何結構、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的靈活網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。我們還引入拉普拉斯狄利克雷解以增強空間編碼，並採用基於子集的訓練提升效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰域貢獻並過濾無關信息，從而提高預測精度。相比傳統FEA，該模型在GPU上實現約13,000倍加速，CPU上190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用公開的左心室數據集驗證了模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的心臟力學建模加速方法
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床應用中的使用——這類應用通常需要數十至數百次模擬來估計組織參數。我們開發了基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，可從患者特異性幾何結構、心室壓力和材料屬性快速預測雙心室心肌被動位移。該模型通過有效處理多樣化的三維雙心室幾何結構、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的靈活網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。我們還引入拉普拉斯-狄利克雷解以增強空間編碼，並採用基於子集的訓練方法提高效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰居貢獻並過濾無關信息，從而提升預測精度。相比傳統FEA，該模型在GPU上實現約13,000倍加速，CPU上190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用已公開的左心室數據集驗證了模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的加速心臟力學建模方法
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床應用中的使用——這類應用通常需要數十至數百次模擬來估計組織參數。我們開發了一種基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，可快速根據患者特定幾何結構、心腔壓力和材料屬性預測雙心室心肌被動位移。該模型通過有效處理多樣化的三維雙心室幾何形態、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的靈活網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。我們還引入拉普拉斯-狄利克雷解以增強空間編碼，並採用基於子集的訓練方法提高效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰居貢獻並過濾無關信息，從而提升預測精度。與傳統FEA相比，HeartSimSage在GPU上實現約13,000倍加速，CPU上190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用已公開的左心室數據集驗證模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的加速心臟力學建模
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床應用中的使用——這類應用通常需要數十至數百次模擬來估計組織參數。我們開發了基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，能夠根據患者特異性幾何結構、心室壓力和材料屬性快速預測雙心室心肌的被動位移。該模型通過有效處理多樣化的三維雙心室幾何結構、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的靈活網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。我們還引入拉普拉斯-狄利克雷解以增強空間編碼，並採用基於子集的訓練方法提高效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰居貢獻並過濾無關信息，從而提升預測精度。與傳統FEA相比，HeartSimSage在GPU上實現約13,000倍加速，CPU上190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用已發布的左心室數據集驗證了模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的心臟力學建模加速方法
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床應用中的使用——這類應用通常需要數十至數百次模擬來估算組織參數。我們開發了基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，可從患者特定幾何結構、心室壓力和材料屬性快速預測雙心室心肌被動位移。該模型通過有效處理多樣化的三維雙心室幾何形態、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的靈活網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴的同時優先處理局部交互。我們還引入拉普拉斯-狄利克雷解以增強空間編碼，並採用基於子集的訓練提升效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰居貢獻並過濾無關信息，從而提高預測精度。相比傳統FEA，該模型在GPU上實現約13,000倍加速，CPU上190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用已公開的左心室數據集驗證模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的加速心臟力學建模
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床應用中的使用——這類應用通常需要數十至數百次模擬來估算組織參數。我們開發了基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，可從患者特異性幾何結構、心室壓力和材料屬性快速預測雙心室心肌被動位移。該模型通過有效處理多樣化的三維雙心室幾何結構、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的靈活網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。我們還引入拉普拉斯-狄利克雷解以增強空間編碼，並採用基於子集的訓練方法提升效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰居貢獻並過濾無關信息，從而提高預測精度。相比傳統FEA，該模型在GPU上實現約13,000倍加速，CPU上190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用公開的左心室數據集驗證了模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的心臟力學建模加速方法
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床應用中的使用——這類應用通常需要數十至數百次模擬來估計組織參數。我們開發了基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，可快速根據患者特定幾何結構、心腔壓力和材料屬性預測雙心室心肌被動位移。該模型通過有效處理多樣化的三維雙心室幾何形態、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的靈活網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴的同時優先處理局部交互。我們還引入拉普拉斯-狄利克雷解以增強空間編碼，並採用基於子集的訓練方法提高效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰居貢獻並過濾無關信息，從而提升預測精度。相比傳統FEA，該模型在GPU上實現約13,000倍加速，CPU上190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用公開的左心室數據集驗證了模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的心臟力學建模加速方法
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床應用中的使用——這類應用通常需要數十至數百次模擬來估計組織參數。我們開發了基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，可快速根據患者特定幾何結構、心腔壓力和材料屬性預測雙心室心肌被動位移。該模型通過有效處理多樣化的三維雙心室幾何形態、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的靈活網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。我們還引入拉普拉斯-狄利克雷解以增強空間編碼，並採用基於子集的訓練方法提高效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰居貢獻並過濾無關信息，從而提升預測精度。相比傳統FEA，該模型在GPU上實現約13,000倍加速，CPU上達190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用已發布的左心室數據集驗證模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的加速心臟力學建模方法
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床應用中的使用——這類應用通常需要數十至數百次模擬來估算組織參數。我們開發了基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，能夠根據患者特定幾何結構、心室壓力和材料屬性快速預測雙心室心肌被動位移。該模型通過有效處理多樣化的三維雙心室幾何形態、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的靈活網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。我們還引入拉普拉斯-狄利克雷解以增強空間編碼，並採用基於子集的訓練方法提高效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰居貢獻並過濾無關信息，從而提升預測精度。與傳統FEA相比，該模型在GPU上實現約13,000倍加速，CPU上190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用公開的左心室數據集驗證了模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的心臟力學建模加速方法
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床應用中的使用——這類應用通常需要數十至數百次模擬來估計組織參數。我們開發了基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，可從患者特異性幾何結構、心室壓力和材料屬性快速預測雙心室心肌被動位移。該模型通過有效處理多樣化的三維雙心室幾何形態、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的靈活網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。我們還引入拉普拉斯-狄利克雷解以增強空間編碼，並採用基於子集的訓練方法提高效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰域貢獻並過濾無關信息，從而提升預測精度。相比傳統FEA，該模型在GPU上實現約13,000倍加速，CPU上190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用已公開的左心室數據集驗證了模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的心臟力學建模加速方法
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床應用中的使用——這類應用通常需要數十至數百次模擬來估算組織參數。我們開發了基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，能夠根據患者特定幾何結構、心腔壓力和材料特性快速預測雙心室心肌被動位移。該模型通過有效處理多樣化的三維雙心室幾何形態、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的靈活網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。我們還引入拉普拉斯狄利克雷解以增強空間編碼，並採用基於子集的訓練方法提高效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰居貢獻並過濾無關信息，從而提升預測精度。相比傳統FEA，該模型在GPU上實現約13,000倍加速，CPU上190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用公開的左心室數據集驗證了模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：基於注意力增強圖神經網絡的心臟力學建模加速方法HeartSimSage
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其計算成本高昂，限制了在創建數字孿生體等臨床應用中的使用——這類應用通常需要數十至數百次模擬來估算組織參數。我們開發了基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，可快速根據患者特定幾何結構、心室壓力和材料屬性預測雙心室心肌被動位移。該模型通過有效處理多樣化的三維雙心室幾何形態、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性。它支持具有可變節點數量、排序和單元連接性的靈活網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。我們還引入拉普拉斯-狄利克雷解以增強空間編碼，並採用基於子集的訓練方法提高效率。通過集成注意力機制，HeartSimSage能自適應權衡鄰居貢獻並過濾無關信息，從而提升預測精度。相比傳統FEA，該模型在GPU上實現約13,000倍加速，CPU上190倍加速，同時保持0.13%±0.12%的雙心室位移預測平均誤差。我們使用已公開的左心室數據集驗證模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

摘要

  • 原文標題：HeartSimSage: Attention-Enhanced Graph Neural Networks for Accelerating Cardiac Mechanics Modeling
  • 中文標題：HeartSimSage：基於注意力增強圖神經網絡的心臟力學建模加速方法
  • 發布日期：2025-04-26 16:31:12+00:00
  • 作者：Lei Shi, Yurui Chen, Vijay Vedula
  • 分類：physics.med-ph
  • 原文鏈接：http://arxiv.org/abs/2504.18968v1

中文摘要：有限元分析(FEA)是心臟生物力學建模的基石，但其高昂的計算成本限制了在臨床數字孿生創建中的應用——該過程通常需要數十至數百次模擬來估算組織參數。我們開發了基於注意力機制增強圖神經網絡(GNN)的FEA模擬器HeartSimSage，可快速根據患者特異性幾何結構、心室壓力和材料屬性預測雙心室心肌被動位移。該模型通過有效處理多樣化的三維雙心室幾何形態、網格拓撲、纖維方向、基於結構的本構模型和生理邊界條件，解決了現有模擬器的局限性，並支持具有可變節點數量、排序和單元連接性的柔性網格結構。為優化信息傳播，我們設計了受GraphSAGE啟發的鄰域連接策略，在保持中長程依賴關係的同時優先處理局部交互。通過整合拉普拉斯-狄利克雷解增強空間編碼，並採用基於子集的訓練提升效率。注意力機制的引入使模型能自適應權衡鄰居貢獻並過濾無關信息，將預測精度提升至雙心室位移平均誤差僅0.13%±0.12%。相比傳統FEA，HeartSimSage在GPU上實現約13,000倍加速，CPU上190倍加速。我們使用公開左心室數據集驗證模型，並對超參數、鄰域策略及注意力機制進行了敏感性分析。

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