混合材料的物理信息神经网络模拟.pdfVIP

  • 2
  • 0
  • 约3.24万字
  • 约 8页
  • 2026-03-09 发布于北京
  • 举报

混合材料的物理信息神经网络模拟

121231323

XintianYuan,YunkeAo,BoqiChen,PhilippFürnstahl

Abstract—模拟软组织与刚性解剖结构之间的复杂相互作

用对于外科培训、规划和机器人辅助干预的应用至关重要。传统

的基于有限元方法(FEM)的仿真虽然准确,但在计算上代价高

昂且不适合实时场景。基于学习的方法在加速预测方面显示出

潜力,但未能有效建模软-刚相互作用。我们引入了MIXPINN,

一种用于混合材料仿真的物理信息图神经网络(GNN)框架,

通过基于图的扩展明确捕捉软-刚性相互作用。我们的方法集成

了虚拟节点(VNs)和虚拟边(VEs),以增强刚体约束满足同

时保持计算效率。借助生物力学结构的图表示,MIXPINN从

本FEM生成的数据中学习高保真变形,并实现亚毫米精度的实

时推理。我们在一个现实的临床场景中验证了我们的方法,展

译示了优于基线GNN模型和传统FEM方法的表现。结果显示,

Fig.1.MIXPINN管道概念。对于一个刚性医疗器械与多解剖结构相互

MIXPINN将计算成本降低了大约一个数量级,同时保持高度

中作用的有限元模拟场景,我们将它转化为在表面接触位移影响下的基于物

2物理准确性,使其成为实时外科仿真和机器人辅助程序的一个理信息网格图上的图神经网络训练。该模型旨在通过考虑软组织和多个刚

v可行解决方案。性组件之间的相互作用来预测内部变形。

3

2I.介绍

1未能准确捕捉软体与刚性结构之间的相互作用,这限

3脊柱手术是一项复杂且精细的程序,需要精确性

1制了它们在需要软硬耦合的场景中的适用性,例如脊

.和专业技能。基于仿真的方法可以通过改进术前规划

3柱手术和骨科中超声引导干预[11]。

0[1]、外科培训[2]和机器人程序中的实时辅助[3]来提

5为了弥合这一差距,我们引入了MIXPINN,这是

2高手术效果。增强现实(AR)[4]和机器人辅助干预

:一个专为涉及软组织和刚性结构的混合材料模拟设计

v[5],[6]的最新进展进一步强调了对准确的实时组织变

i的基于物理信息的GNN框架。我们提出了基于物理

x形建模的需求。然而,在保持计算效率的同时实现高

r信息的图增强技术,通过虚拟节点(VNs)和虚拟边

a精度仍然是基于物理的医学模拟的基本挑战。

(VEs)来改进刚体约束满足情况。MIXPINN在FEM

有限元方法(FEM)因其能够高精度地模拟组织

生成的数据上进行训练,并实现了亚毫米精度的实时

行为而在生物力学仿真中被广泛应用[7]。尽管可靠,

推理。如图1所示,我们在超声波(US)探头交互场

但FEM的高计算成本阻碍了其在临床实时应用中的

文档评论(0)

1亿VIP精品文档

相关文档