机器学习和简化建模用于编织支架部署的仿真
摘要：基于机器学习和降阶建模的快速准确的内腔重建可以协助医务人员在规划和介入阶段进行治疗。该流程包括一个分类步骤，用于先验确定模拟能否从临床角度成功（支架与血管之间的良好配合），然后是回归步骤，以提供已部署支架配置的近似解决方案。使用非侵入式降阶建模方案（组合适当正交分解算法和高斯过程回归）实现后者。这个流程在理想化的颅内动脉和囊状动脉瘤上进行了验证，并研究了六个几何和外科参数对支架部署结果的影响。这个两步流程能以高达95％的准确度对部署条件进行分类，并实时预测支架配置，平均预测误差不大于三维转角血管造影的空间分辨率（0.15mm）。这些结果显示了这些技术能在几毫秒内进行模拟，并保持支架布置配置的力学实验性和可预测性的能力。
作者：Beatrice Bisighini, Miquel Aguirre, Marco Evangelos Biancolini, Federica Trovalusci, David Perrin, Stephane Avril, Baptiste Pierrat
论文ID：2301.08511
分类：Computational Engineering, Finance, and Science
分类简称：cs.CE
提交时间：2023-01-23