基于周期性校正神经网络的血流血管壁耦合

发布时间：2021-11-17 09:00

　　针对传统的血流血管壁耦合难以兼顾计算效率和视觉真实感的问题,提出了一种基于周期性校正神经网络（Periodic-corrected Network,PcNet）的血流血管壁耦合数据驱动仿真方法。设计基于平滑粒子流体动力学（SPH）的血流粒子状态特征向量,对邻域血流粒子和血管壁代理粒子的混合贡献进行建模。提出一种半监督的神经网络——改进的周期性校正神经网络,预测每个粒子在下一帧的加速度。实验结果表明该仿真方法实现了快速、稳定、逼真的血流血管壁耦合。 

【文章来源】：计算机工程与应用. 2019,55(24)北大核心CSCD

【文章页数】：6 页

【部分图文】：

经典三层神经网络工作机制

输入数据（当前帧血流粒子邻域特征向量）和目标数据（下一帧血流粒子加速度）通过如下场景获得：初始化柱状血流，使其从一定高度开始在重力作用下流入固定的血管模型，时间步长为0.005 s。如图2所示，分别对血管模型A、血管模型B进行仿真，并分别收集数据，利用本文半监督式周期性校正的训练策略训练血管模型专用网络。以血管模型A为例，经5轮不同初始高度的仿真得到5组数据，每组收集800帧，每帧16 000个粒子信息，总计6 400万样本。本文神经网络在输入层有24个神经元，输出层有3个神经元。经初步验证，当隐含层数达到3层、每个隐含层的神经元个数达到5个时，神经网络可以相对准确地描述输入层和输出层之间的非线性关系。随着隐含层数和单层神经元个数继续增加，网络性能并没有明显提升，同时消耗大量计算资源。因此，最终将隐含层数设置为3层，隐含层神经元个数设置为5个。

如图3所示，本文方法实现了逼真、稳定的血流血管壁耦合动态仿真，取得了与物理方法几乎一致的视觉效果。图4将时间定格，在同一帧中多个视角下对两种方法的仿真结果进行对比。观察发现，本文方法在一些血流飞溅的细节上表现出了更精细的视觉效果（虚线圈出），这与物理方法为简化计算选用低压缩性推导的做法有关。同时，本文数据驱动方法利用神经网络求解器在血流粒子加速度计算步的快速求解能力，避免了物理方法复杂的流体力和耦合力计算过程，在计算效率上实现了5倍左右的提升（如表1所示）。图4两种方法单帧血流仿真结果的多视角对比

【参考文献】：
期刊论文
[1]虚拟手术流血模拟的GPU加速实现[J]. 赖颢升,向辉.  中国图象图形学报. 2014(10)



本文编号：3500586