ترجمه فارسی مقاله شبکه های عصبی نمودار آگاه از فیزیک برای تخمین میدان جریان در شریان های کاروتید

چکیده

Hemodynamic quantities are valuable biomedical risk factors for cardiovascular pathology such as atherosclerosis. Non-invasive, in-vivo measurement of these quantities can only be performed using a select number of modalities that are not widely available, such as 4D flow magnetic resonance imaging (MRI). In this work, we create a surrogate model for hemodynamic flow field estimation, powered by machine learning. We train graph neural networks that include priors about the underlying symmetries and physics, limiting the amount of data required for training. This allows us to train the model using moderately-sized, in-vivo 4D flow MRI datasets, instead of large in-silico datasets obtained by computational fluid dynamics (CFD), as is the current standard. We create an efficient, equivariant neural network by combining the popular PointNet++ architecture with group-steerable layers. To incorporate the physics-informed priors, we derive an efficient discretisation scheme for the involved differential operators. We perform extensive experiments in carotid arteries and show that our model can accurately estimate low-noise hemodynamic flow fields in the carotid artery. Moreover, we show how the learned relation between geometry and hemodynamic quantities transfers to 3D vascular models obtained using a different imaging modality than the training data. This shows that physics-informed graph neural networks can be trained using 4D flow MRI data to estimate blood flow in unseen carotid artery geometries.

چکیده به فارسی (ترجمه ماشینی)

مقادیر همودینامیکی عوامل خطر زیست پزشکی با ارزش برای آسیب شناسی قلبی عروقی مانند آترواسکلروز هستند.اندازه گیری غیر تهاجمی و داخلی این مقادیر فقط با استفاده از تعداد انتخابی از روشهای موجود در دسترس نیست ، مانند تصویربرداری رزونانس مغناطیسی 4D (MRI).در این کار ، ما یک مدل جانشین برای برآورد میدان جریان همودینامیکی ، که از یادگیری ماشین استفاده می شود ، ایجاد می کنیم.ما شبکه های عصبی نمودار را آموزش می دهیم که شامل مقدماتی در مورد تقارن و فیزیک اساسی است و میزان داده های مورد نیاز برای آموزش را محدود می کند.این به ما اجازه می دهد تا به جای مجموعه داده های بزرگ درون سیلیکو که توسط دینامیک سیال محاسباتی (CFD) به دست آمده ، مانند استاندارد فعلی ، مدل را با استفاده از مجموعه داده های MRI در اندازه گیری متوسط ​​4D 4D آموزش دهیم.ما با ترکیب معماری محبوب PointNET ++ با لایه های گروهی به حالت گروهی ، یک شبکه عصبی کارآمد و معتبر ایجاد می کنیم.برای ترکیب مقدمات آگاه از فیزیک ، ما یک طرح تفسیر کارآمد برای اپراتورهای دیفرانسیل درگیر را استخراج می کنیم.ما آزمایش های گسترده ای را در شریان های کاروتید انجام می دهیم و نشان می دهیم که مدل ما می تواند به طور دقیق زمینه های جریان همودینامیکی کم نویز را در شریان کاروتید تخمین بزند.علاوه بر این ، ما نشان می دهیم که چگونه رابطه آموخته شده بین هندسه و مقادیر همودینامیکی به مدلهای عروقی سه بعدی به دست آمده با استفاده از یک روش تصویربرداری متفاوت از داده های آموزش منتقل می شود.این نشان می دهد که شبکه های عصبی آگاه از فیزیک می توانند با استفاده از داده های MRI جریان 4D برای برآورد جریان خون در هندسه های شریان کاروتید غیب آموزش داده شوند.