Fugu-MT 論文翻訳(概要): Geometric Uncertainty in Patient-Specific Cardiovascular Modeling with Convolutional Dropout Networks

論文の概要: Geometric Uncertainty in Patient-Specific Cardiovascular Modeling with Convolutional Dropout Networks

arxiv url: http://arxiv.org/abs/2009.07395v1
Date: Wed, 16 Sep 2020 00:13:12 GMT
ステータス: 処理完了
システム内更新日: 2022-10-18 00:39:44.102803
Title: Geometric Uncertainty in Patient-Specific Cardiovascular Modeling with Convolutional Dropout Networks
Title（参考訳）: コンボリューショナル・ドロップアウトネットワークを用いた患者特異的心血管モデリングにおける幾何学的不確かさ
Authors: Gabriel Maher, Casey Fleeter, Daniele Schiavazzi, Alison Marsden
Abstract要約: 患者固有の心血管モデルの条件分布からサンプルを生成する新しい手法を提案する。提案手法で導入された主な革新は、トレーニングデータから直接幾何的不確実性を学ぶ能力である。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a novel approach to generate samples from the conditional distribution of patient-specific cardiovascular models given a clinically aquired image volume. A convolutional neural network architecture with dropout layers is first trained for vessel lumen segmentation using a regression approach, to enable Bayesian estimation of vessel lumen surfaces. This network is then integrated into a path-planning patient-specific modeling pipeline to generate families of cardiovascular models. We demonstrate our approach by quantifying the effect of geometric uncertainty on the hemodynamics for three patient-specific anatomies, an aorto-iliac bifurcation, an abdominal aortic aneurysm and a sub-model of the left coronary arteries. A key innovation introduced in the proposed approach is the ability to learn geometric uncertainty directly from training data. The results show how geometric uncertainty produces coefficients of variation comparable to or larger than other sources of uncertainty for wall shear stress and velocity magnitude, but has limited impact on pressure. Specifically, this is true for anatomies characterized by small vessel sizes, and for local vessel lesions seen infrequently during network training.
Abstract（参考訳）: 臨床応用画像量を用いた患者固有の心血管モデルの条件分布からサンプルを生成する新しい手法を提案する。流出層を有する畳み込みニューラルネットワークアーキテクチャは、まず回帰手法を用いて血管腔のセグメンテーションを訓練し、血管腔表面のベイズ的推定を可能にする。このネットワークはパスプランニング患者固有のモデリングパイプラインに統合され、心臓血管モデル群を生成する。今回我々は,大動脈・腸骨分岐術,腹部大動脈瘤,左冠状動脈のサブモデルである3症例の血行動態に対する幾何学的不確かさの影響を定量化することにより,そのアプローチを実証する。提案手法で導入された重要なイノベーションは、トレーニングデータから直接幾何学的不確実性を学ぶ能力である。その結果, 幾何学的不確かさが壁せん断応力や速度等級の他の不確実性源と同等かそれ以上の変動係数を発生させるが, 圧力への影響は限られていることがわかった。具体的には,小血管サイズを特徴とする解剖学や,ネットワークトレーニング中にみられにくい局所血管病変に当てはまる。

関連論文リスト

Reconstructing Blood Flow in Data-Poor Regimes: A Vasculature Network Kernel for Gaussian Process Regression [2.9998889086656586]
非ユークリッド空間である血管ネットワーク内のカーネルを再構築する新しい手法を提案する。提案したカーネルは、時間的および血管間相関を符号化し、直接測定を欠いた血管における血流の再構築を可能にする。本研究は, 単純Y字型分岐術, 腹部大動脈, ウィリス円の3症例において, モデルの性能を実証するものである。
論文参考訳（メタデータ） (2024-03-14T15:41:15Z)
Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文参考訳（メタデータ） (2024-03-02T00:56:05Z)
S3M: Scalable Statistical Shape Modeling through Unsupervised Correspondences [91.48841778012782]
本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
論文参考訳（メタデータ） (2023-04-15T09:39:52Z)
Learning Reduced-Order Models for Cardiovascular Simulations with Graph Neural Networks [1.2643625859899612]
三次元血行シミュレーションデータに基づいて学習したグラフニューラルネットワークを用いて,血流動態をシミュレートする1次元還元次モデルを構築した。提案手法は,物理に基づく一次元モデルよりも優れた性能を示しながら,推論時の高効率性を保っている。
論文参考訳（メタデータ） (2023-03-13T17:32:46Z)
Mesh Neural Networks for SE(3)-Equivariant Hemodynamics Estimation on the Artery Wall [13.113110989699571]
三次元幾何学的動脈モデルによる壁面上のベクトル値量の推定について検討する。我々は、三角形のメッシュ上で直接動作するエンドツーエンドSE(3)-同変ニューラルネットワークにおいて、グループ同変グラフ畳み込みを用いる。本手法は, 経時的, ベクトル値のWSSを, 異なる流れ境界条件下で正確に予測できるほど強力であることを示す。
論文参考訳（メタデータ） (2022-12-09T18:16:06Z)
Neural operator learning of heterogeneous mechanobiological insults contributing to aortic aneurysms [0.15658704610960567]
胸部大動脈瘤(英: Thoracic aortic aneurysm,TAA)は、大動脈の局所的な拡張であり、壁構成、構造、機能から生じる。本稿では,深層演算子ネットワーク(DeepONet)をベースとしたサロゲートモデルをトレーニングし,TAAの寄与要因を特定するための統合フレームワークを提案する。提案手法は,患者固有のメカノロジー的侮辱プロファイルを高精度に予測できることを示す。
論文参考訳（メタデータ） (2022-05-08T04:37:49Z)
Machine-Learning Identification of Hemodynamics in Coronary Arteries in the Presence of Stenosis [0.0]
人工ニューラルネットワーク(ANN)モデルは、動脈ネットワーク内の圧力と速度を予測するために合成データを用いて訓練される。モデルの有効性を3つの実測値を用いて検証した。
論文参考訳（メタデータ） (2021-11-02T23:51:06Z)
A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文参考訳（メタデータ） (2021-10-24T18:58:40Z)
Symmetry-Enhanced Attention Network for Acute Ischemic Infarct Segmentation with Non-Contrast CT Images [50.55978219682419]
急性虚血性梗塞セグメンテーションのための対称性増強型注意ネットワーク(SEAN)を提案する。提案するネットワークは、入力されたCT画像を、脳組織が左右対称な標準空間に自動的に変換する。提案したSEANは、ダイス係数と梗塞局所化の両方の観点から、対称性に基づく最先端の手法より優れている。
論文参考訳（メタデータ） (2021-10-11T07:13:26Z)
Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文参考訳（メタデータ） (2020-10-05T14:18:52Z)
Deep Modeling of Growth Trajectories for Longitudinal Prediction of Missing Infant Cortical Surfaces [58.780482825156035]
空間グラフ畳み込みニューラルネットワーク(GCNN)を用いた皮質表面の経時的予測法を提案する。提案手法は,皮質成長軌跡をモデル化し,複数点の内曲面と外曲面を共同で予測する。本手法が時間的皮質成長パターンの非線形性を捉えることができることを示す。
論文参考訳（メタデータ） (2020-09-06T18:46:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。