論文の概要: PhysGNN: A Physics-Driven Graph Neural Network Based Model for
Predicting Soft Tissue Deformation in Image-Guided Neurosurgery
- arxiv url: http://arxiv.org/abs/2109.04352v1
- Date: Thu, 9 Sep 2021 15:43:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-10 14:23:29.895452
- Title: PhysGNN: A Physics-Driven Graph Neural Network Based Model for
Predicting Soft Tissue Deformation in Image-Guided Neurosurgery
- Title（参考訳）: PhysGNN:画像ガイド下神経外科における軟部組織の変形予測のための物理駆動型グラフニューラルネットワークモデル
- Authors: Yasmin Salehi, Dennis Giannacopoulos
- Abstract要約: グラフニューラルネットワーク(GNN)を利用した有限要素解析(FEA)の解を近似したデータ駆動モデルを提案する。
提案アーキテクチャであるPhysGNNは,神経外科的設定に適した計算可能でありながら,正確かつ高速な軟部組織変形近似を約束する。
- 参考スコア（独自算出の注目度）: 0.15229257192293202
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Correctly capturing intraoperative brain shift in image-guided neurosurgical
procedures is a critical task for aligning preoperative data with
intraoperative geometry, ensuring effective surgical navigation and optimal
surgical precision. While the finite element method (FEM) is a proven technique
to effectively approximate soft tissue deformation through biomechanical
formulations, their degree of success boils down to a trade-off between
accuracy and speed. To circumvent this problem, the most recent works in this
domain have proposed leveraging data-driven models obtained by training various
machine learning algorithms, e.g. random forests, artificial neural networks
(ANNs), with the results of finite element analysis (FEA) to speed up tissue
deformation approximations by prediction. These methods, however, do not
account for the structure of the finite element (FE) mesh during training that
provides information on node connectivities as well as the distance between
them, which can aid with approximating tissue deformation based on the
proximity of force load points with the rest of the mesh nodes. Therefore, this
work proposes a novel framework, PhysGNN, a data-driven model that approximates
the solution of FEA by leveraging graph neural networks (GNNs), which are
capable of accounting for the mesh structural information and inductive
learning over unstructured grids and complex topological structures.
Empirically, we demonstrate that the proposed architecture, PhysGNN, promises
accurate and fast soft tissue deformation approximations while remaining
computationally feasible, suitable for neurosurgical settings.
- Abstract（参考訳）: 画像誘導下神経外科手術における術中脳シフトを正しく捉えることは,術前データを術中形状と整合させ,外科的ナビゲーションと最適な手術精度を確保するための重要な課題である。
有限要素法 (FEM) は生体力学的定式化による軟組織変形を効果的に近似する手法として証明されているが, その成功度は, 精度と速度のトレードオフに繋がる。
この問題を解決するために、この分野の最新研究は、さまざまな機械学習アルゴリズムをトレーニングしたデータ駆動モデルを活用することを提案している。
予測により組織変形近似を高速化する有限要素解析(fea)の結果,ランダムフォレスト,人工ニューラルネットワーク(anns)が得られた。
しかしながら、これらの方法は、ノード接続性に関する情報を提供するトレーニング中の有限要素(FE)メッシュの構造と、それらの間の距離を考慮せず、メッシュノードの他の部分との力負荷点の近接に基づく組織変形の近似に役立つ。
そこで本研究では,メッシュ構造情報を計算できるグラフニューラルネットワーク(gnns)と,非構造グリッドと複雑なトポロジ構造上での帰納学習を活用し,feaの解を近似するデータ駆動モデルであるphysgnnを提案する。
実験的に,提案アーキテクチャであるPhysGNNは,神経外科的設定に適した計算可能でありながら,正確かつ高速な軟部組織変形近似を約束することを示した。
関連論文リスト
- Graph Neural Networks for modelling breast biomechanical compression [0.08192907805418582]
3次元モダリティからマンモグラフィーなどのX線治療への正確な画像登録には乳房圧迫シミュレーションが不可欠である。
圧縮による組織形状と位置の変化を考慮し、正確なアライメントを確保し、分析を改善している。
有限要素解析(FEA)は軟組織変形の近似に信頼性があり、精度と計算効率のバランスをとるのに苦労する。
近年の研究では、組織変形予測を高速化するために、FAAの結果に基づいて訓練されたデータ駆動モデルを用いている。
胸部圧迫シミュレーションのための物理ベースのグラフニューラルネットワーク(PhysGNN)を提案する。
論文 参考訳（メタデータ） (2024-11-10T20:59:23Z) - Physics-Informed Neural Networks with Hard Linear Equality Constraints [9.101849365688905]
本研究は,線形等式制約を厳格に保証する物理インフォームドニューラルネットワークKKT-hPINNを提案する。
溶融タンク炉ユニット, 抽出蒸留サブシステム, 化学プラントのアスペンモデル実験により, このモデルが予測精度をさらに高めることを示した。
論文 参考訳（メタデータ） (2024-02-11T17:40:26Z) - PINQI: An End-to-End Physics-Informed Approach to Learned Quantitative MRI Reconstruction [0.7199733380797579]
定量的磁気共鳴イメージング(qMRI)は、生体物理パラメータの再現可能な測定を可能にする。
この課題は、取得した生データから所望の組織パラメーターマップを得るために、非線形で不適切な逆問題を解決することである。
我々は、信号、取得モデルに関する知識を統合した新しいqMRI再構成手法であるPINQIを提案し、単一エンドツーエンドのトレーニング可能なニューラルネットワークへの正規化を学習した。
論文 参考訳（メタデータ） (2023-06-19T15:37:53Z) - DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data
via Dynamic Graph Structure Learning [58.94034282469377]
下流予測タスクによって誘導されるfMRIデータの最適時間変化依存性構造を学習する新しい手法であるDynDepNetを提案する。
実世界のfMRIデータセットの実験は、性別分類のタスクにおいて、DynDepNetが最先端の結果を達成することを実証している。
論文 参考訳（メタデータ） (2022-09-27T16:32:11Z) - A Physics-Guided Neural Operator Learning Approach to Model Biological
Tissues from Digital Image Correlation Measurements [3.65211252467094]
本稿では, 生体組織モデリングにおけるデータ駆動型相関について述べる。これは, 未知の負荷シナリオ下でのデジタル画像相関(DIC)測定に基づいて変位場を予測することを目的としている。
ブタ三尖弁リーフレット上の多軸延伸プロトコルのDIC変位追跡測定から材料データベースを構築した。
材料応答は、負荷から結果の変位場への解演算子としてモデル化され、材料特性はデータから暗黙的に学習され、自然にネットワークパラメータに埋め込まれる。
論文 参考訳（メタデータ） (2022-04-01T04:56:41Z) - 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) - Physics-informed ConvNet: Learning Physical Field from a Shallow Neural
Network [0.180476943513092]
マルチ物理システムのモデル化と予測は、避けられないデータ不足とノイズのために依然として課題である。
物理インフォームド・コンボリューション・ネットワーク(PICN)と呼ばれる新しいフレームワークは、CNNの観点から推奨されている。
PICNは物理インフォームド機械学習において、代替のニューラルネットワークソルバとなる可能性がある。
論文 参考訳（メタデータ） (2022-01-26T14:35:58Z) - 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) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Modeling from Features: a Mean-field Framework for Over-parameterized
Deep Neural Networks [54.27962244835622]
本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。
このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。
本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
論文 参考訳（メタデータ） (2020-07-03T01:37:16Z) - 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。