論文の概要: Simulating progressive intramural damage leading to aortic dissection
using an operator-regression neural network
- arxiv url: http://arxiv.org/abs/2108.11985v1
- Date: Wed, 25 Aug 2021 03:49:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-30 14:04:43.423518
- Title: Simulating progressive intramural damage leading to aortic dissection
using an operator-regression neural network
- Title（参考訳）: オペレーター・レグレッション・ニューラル・ネットワークを用いた大動脈解離に至る進行性村内損傷のシミュレーション
- Authors: Minglang Yin, Ehsan Ban, Bruno V. Rego, Enrui Zhang, Cristina
Cavinato, Jay D. Humphrey, George Em Karniadakis
- Abstract要約: We developed a data-driven surrogate model for the delamination process for differential strut distributions using DeepONet。
その結果,DeepONetは様々なストラット分布を正確に予測できることがわかった。
- 参考スコア（独自算出の注目度）: 0.2955543753858105
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Aortic dissection progresses via delamination of the medial layer of the
wall. Notwithstanding the complexity of this process, insight has been gleaned
by studying in vitro and in silico the progression of dissection driven by
quasi-static pressurization of the intramural space by fluid injection, which
demonstrates that the differential propensity of dissection can be affected by
spatial distributions of structurally significant interlamellar struts that
connect adjacent elastic lamellae. In particular, diverse histological
microstructures may lead to differential mechanical behavior during dissection,
including the pressure--volume relationship of the injected fluid and the
displacement field between adjacent lamellae. In this study, we develop a
data-driven surrogate model for the delamination process for differential strut
distributions using DeepONet, a new operator--regression neural network. The
surrogate model is trained to predict the pressure--volume curve of the
injected fluid and the damage progression field of the wall given a spatial
distribution of struts, with in silico data generated with a phase-field finite
element model. The results show that DeepONet can provide accurate predictions
for diverse strut distributions, indicating that this composite branch-trunk
neural network can effectively extract the underlying functional relationship
between distinctive microstructures and their mechanical properties. More
broadly, DeepONet can facilitate surrogate model-based analyses to quantify
biological variability, improve inverse design, and predict mechanical
properties based on multi-modality experimental data.
- Abstract（参考訳）: 大動脈解離は壁の内側層を剥離することで進行する。
このプロセスの複雑さにも拘わらず、in vitro およびsilico において、流体注入による粘膜内空間の準静圧加圧によって引き起こされる解離の進行が、隣り合う弾性ラメラと接続する構造的に有意な層間トラストの空間分布に影響されることが示されている。
特に, 種々の組織学的微細構造は, 注入流体の圧力-体積関係や隣接するラメラ間の変位場など, 解剖中の力学的挙動の違いを引き起こす可能性がある。
本研究では,新しい演算子回帰ニューラルネットワークであるDeepONetを用いて,差分ストラット分布の偏微分過程に対するデータ駆動サロゲートモデルを開発した。
サロゲートモデルは、位相場有限要素モデルによって生成されたシリコデータを用いて、射出流体の圧力体積曲線と、strutsの空間分布が与えられる壁の損傷進行場を予測するように訓練されている。
その結果、DeepONetは様々なストラット分布の正確な予測が可能であり、この複合分岐トランクニューラルネットワークは、特徴的なミクロ組織と機械的特性の基盤となる機能的関係を効果的に抽出できることを示した。
より広範に、DeepONetはモデルに基づく解析を補助し、生物の多様性を定量化し、逆設計を改善し、多モード実験データに基づいて機械的特性を予測する。
関連論文リスト
- Back to Bayesics: Uncovering Human Mobility Distributions and Anomalies with an Integrated Statistical and Neural Framework [14.899157568336731]
DeepBayesicは、ベイズ原理とディープニューラルネットワークを統合し、基盤となる分布をモデル化する新しいフレームワークである。
我々は,いくつかのモビリティデータセットに対するアプローチを評価し,最先端の異常検出手法の大幅な改善を実証した。
論文 参考訳（メタデータ） (2024-10-01T19:02:06Z) - 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) - Deep Variational Lesion-Deficit Mapping [0.3914676152740142]
本稿では,病変欠損モデル比較のための包括的枠組みを提案する。
また,本モデルでは,すべてのシミュレーションシナリオにおいて,確立された手法よりもかなり優れていることを示す。
我々の分析は、このアプローチの広く採用されていることを正当化する。
論文 参考訳（メタデータ） (2023-05-27T13:49:35Z) - 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) - 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) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳（メタデータ） (2021-06-03T00:02:05Z) - Diffusion Mechanism in Residual Neural Network: Theory and Applications [12.573746641284849]
限られたトレーニングサンプルを持つ多くの学習タスクでは、拡散はラベル付きおよびラベルなしのデータポイントを接続する。
本稿では,ニューラルネットワークのアーキテクチャへの拡散を内部的に導入する新しい拡散残差ネットワーク(Diff-ResNet)を提案する。
構造的データ仮定により,提案した拡散ブロックは,クラス間点の分離性を向上させる距離-距離比を増大させることができることが証明された。
論文 参考訳（メタデータ） (2021-05-07T10:42:59Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳（メタデータ） (2020-06-16T18:45:20Z)
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。