論文の概要: Physics-informed neural networks for improving cerebral hemodynamics
predictions
- arxiv url: http://arxiv.org/abs/2108.11498v1
- Date: Wed, 25 Aug 2021 22:19:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-28 02:42:54.511614
- Title: Physics-informed neural networks for improving cerebral hemodynamics
predictions
- Title(参考訳): 脳循環動態予測のための物理インフォームニューラルネットワーク
- Authors: Mohammad Sarabian, Hessam Babaee, Kaveh Laksari
- Abstract要約: 本研究では,高速計算流体力学シミュレーションを用いて,スパースな臨床測定を増強する物理インフォームド・ディープラーニング・フレームワークを提案する。
本フレームワークでは,脳内数箇所のリアルタイムTD速度測定と,3次元画像から取得した基線血管断面領域を用いた。
4次元MRIで得られた生体内速度測定に対して,本モデルの有効性を検証した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Determining brain hemodynamics plays a critical role in the diagnosis and
treatment of various cerebrovascular diseases. In this work, we put forth a
physics-informed deep learning framework that augments sparse clinical
measurements with fast computational fluid dynamics (CFD) simulations to
generate physically consistent and high spatiotemporal resolution of brain
hemodynamic parameters. Transcranial Doppler (TCD) ultrasound is one of the
most common techniques in the current clinical workflow that enables
noninvasive and instantaneous evaluation of blood flow velocity within the
cerebral arteries. However, it is spatially limited to only a handful of
locations across the cerebrovasculature due to the constrained accessibility
through the skull's acoustic windows. Our deep learning framework employs
in-vivo real-time TCD velocity measurements at several locations in the brain
and the baseline vessel cross-sectional areas acquired from 3D angiography
images, and provides high-resolution maps of velocity, area, and pressure in
the entire vasculature. We validated the predictions of our model against
in-vivo velocity measurements obtained via 4D flow MRI scans. We then showcased
the clinical significance of this technique in diagnosing the cerebral
vasospasm (CVS) by successfully predicting the changes in vasospastic local
vessel diameters based on corresponding sparse velocities measurements. The key
finding here is that the combined effects of uncertainties in outlet boundary
condition subscription and modeling physics deficiencies render the
conventional purely physics-based computational models unsuccessful in
recovering accurate brain hemodynamics. Nonetheless, fusing these models with
clinical measurements through a data-driven approach ameliorates predictions of
brain hemodynamic variables.
- Abstract(参考訳): 脳循環動態の決定は、様々な脳血管疾患の診断と治療において重要な役割を果たす。
本研究では, 高速計算流体力学(CFD)シミュレーションを用いて, 脳循環動態パラメータの物理的に一貫した高時空間分解能を生成することにより, スパース臨床測定を増強する物理インフォームド・ディープラーニング・フレームワークを提案する。
経頭蓋ドプラ(TCD)超音波は、脳動脈内の血流速度を非侵襲的かつ瞬時に評価できる、現在の臨床ワークフローにおいて最も一般的な手法の1つである。
しかし、頭蓋骨の音響窓を通してのアクセシビリティが制限されているため、脳血管の至る所には空間的に限られている。
深層学習フレームワークでは,脳内数箇所のリアルタイムTD速度測定と3次元血管造影画像から得られた血管横断領域を用いて,血管全体の速度,面積,圧力の高解像度マップを提供する。
4次元フローmriスキャンで得られた生体内速度測定から予測したモデルの有効性を検証した。
次に, 血管内皮の局所血管径の変化を正常に予測し, 脳血管拡張症(CVS)の診断における本手法の臨床的意義を明らかにした。
ここでの鍵となる発見は、出口境界条件のサブスクリプションにおける不確実性と物理モデリングの欠陥が組み合わさって、従来の純粋に物理学に基づく計算モデルが正確な脳血行動態の回復に失敗したことである。
それでも、これらのモデルをデータ駆動アプローチによる臨床測定で融合することで、脳の血行動態変数の予測が改善される。
関連論文リスト
- Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳(メタデータ) (2024-05-21T20:37:07Z) - BrainODE: Dynamic Brain Signal Analysis via Graph-Aided Neural Ordinary Differential Equations [67.79256149583108]
本稿では,脳波を連続的にモデル化するBrainODEというモデルを提案する。
遅延初期値とニューラルODE関数を不規則な時系列から学習することにより、BrainODEは任意の時点の脳信号を効果的に再構築する。
論文 参考訳(メタデータ) (2024-04-30T10:53:30Z) - SE(3) symmetry lets graph neural networks learn arterial velocity
estimation from small datasets [3.861633648502351]
冠動脈血行動態は診断,予後,治療計画に有用なバイオマーカーの基礎となる可能性がある。
速度場は典型的には、計算流体力学(CFD)を用いて患者固有の3次元動脈モデルから得られる。
我々は,3次元速度場を推定する効率的なブラックボックスサロゲート法としてグラフニューラルネットワーク(GNN)を提案する。
論文 参考訳(メタデータ) (2023-02-17T09:42:38Z) - Transient Hemodynamics Prediction Using an Efficient Octree-Based Deep
Learning Model [0.0]
複雑な合成血管形状の高分解能(空間および時間)速度場を予測できるアーキテクチャを提案する。
CFDシミュレーションと比較して、速度場は平均絶対誤差0.024m/sで推定できるのに対し、実行時間は高性能クラスタでは数時間からコンシューマグラフィカル処理ユニットでは数秒に短縮される。
論文 参考訳(メタデータ) (2023-02-13T17:56:00Z) - 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) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳(メタデータ) (2022-10-23T15:11:37Z) - Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and
Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。
MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。
最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
論文 参考訳(メタデータ) (2022-04-01T22:48:08Z) - 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) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2021-07-16T12:56:09Z) - Microvascular Dynamics from 4D Microscopy Using Temporal Segmentation [81.30750944868142]
経時的に脳血流量の変化を追跡でき, ピアル表面に向かって伝播する自発性動脈拡張を同定できる。
この新たなイメージング機能は、機能的磁気共鳴イメージング(fMRI)を基盤とした血行動態応答関数を特徴付けるための有望なステップである。
論文 参考訳(メタデータ) (2020-01-14T22:55:03Z)
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。