A Novel LSTM and graph neural networks approach for cardiovascular simulations

In this work it is proposed an innovative approach that integrates Long Short-Term Memory (LSTM) networks with Graph Neural Networks (GNNs) to enhance the accuracy and efficiency of cardiovascular simulations. The proposed model simulates blood flow dynamics and builds upon a MeshGraphNet-based framework, extending its capabilities by incorporating the ability of LSTMs to capture long-term dependencies. This integration not only improves the predictive accuracy but also significantly reduces the computational resources required for the training process. This approach can achieve errors below 2% for blood pressure and flow rate prediction, showcasing a 65% improvement in average error rates compared to the MeshGraphNet-based framework and a notable increase in computational efficiency, reducing training time by at least 57%. This method also introduces the flexibility to adapt to different cardiac cycle periods depending on the patient, providing a robust and efficient tool for patient-specific cardiovascular analysis.

In questo lavoro è proposto un nuovo approccio che integra le reti Long Short-Term Memory (LSTM) con le Graph Neural Networks (GNNs) per migliorare l'accuratezza e l'efficienza nelle simulazioni cardiovascolari. Il modello proposto, che simula la dinamica del flusso sanguigno, si basa sul framework MeshGraphNet ed estende le sue capacità grazie all'abilità delle LSTM di catturare dipendenze temporali a lungo termine. Questa integrazione non solo incrementa l'accuratezza predittiva, ma riduce anche significativamente le risorse computazionali necessarie per il processo di training. Questo approccio è in grado di raggiungere errori inferiori al 2% nella predizione della pressione sanguigna e della portata, segnando un miglioramento del 65% nei tassi di errore medi rispetto al framework basato su MeshGraphNet, oltre a un notevole aumento dell'efficienza computazionale che si traduce in una riduzione del tempo di training di almeno il 57%. Inoltre, questo metodo introduce la capacità di adattarsi a vari periodi del ciclo cardiaco a seconda delle specifiche del paziente, offrendo uno strumento robusto ed efficiente per analisi cardiovascolari personalizzate.