論文の概要: Machine-Learning Identification of Hemodynamics in Coronary Arteries in
the Presence of Stenosis
- arxiv url: http://arxiv.org/abs/2111.01950v1
- Date: Tue, 2 Nov 2021 23:51:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-04 23:29:41.126957
- Title: Machine-Learning Identification of Hemodynamics in Coronary Arteries in
the Presence of Stenosis
- Title(参考訳): 冠動脈狭窄症における血行動態の機械学習による同定
- Authors: Mohammad Farajtabar, Morsal Momeni Larimi, Mohit Biglarian, Morteza
Miansari
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Prediction of the blood flow characteristics is of utmost importance for
understanding the behavior of the blood arterial network, especially in the
presence of vascular diseases such as stenosis. Computational fluid dynamics
(CFD) has provided a powerful and efficient tool to determine these
characteristics including the pressure and velocity fields within the network.
Despite numerous studies in the field, the extremely high computational cost of
CFD has led the researchers to develop new platforms including Machine Learning
approaches that instead provide faster analyses at a much lower cost. In this
study, we put forth a Deep Neural Network framework to predict flow behavior in
a coronary arterial network with different properties in the presence of any
abnormality like stenosis. To this end, an artificial neural network (ANN)
model is trained using synthetic data so that it can predict the pressure and
velocity within the arterial network. The data required to train the neural
network were obtained from the CFD analysis of several geometries of arteries
with specific features in ABAQUS software. Blood pressure drop caused by
stenosis, which is one of the most important factors in the diagnosis of heart
diseases, can be predicted using our proposed model knowing the geometrical and
flow boundary conditions of any section of the coronary arteries. The
efficiency of the model was verified using three real geometries of LAD's
vessels. The proposed approach precisely predicts the hemodynamic behavior of
the blood flow. The average accuracy of the pressure prediction was 98.7% and
the average velocity magnitude accuracy was 93.2%. According to the results of
testing the model on three patient-specific geometries, model can be considered
as an alternative to finite element methods as well as other hard-to-implement
and time-consuming numerical simulations.
- Abstract(参考訳): 血流特性の予測は、特に狭窄などの血管疾患の存在において、血管網の挙動を理解する上で最も重要である。
計算流体力学(CFD)は、ネットワーク内の圧力場や速度場を含むこれらの特性を決定するための強力で効率的なツールを提供する。
この分野での多くの研究にもかかわらず、CFDの計算コストが非常に高いため、研究者らは機械学習アプローチを含む新しいプラットフォームを開発し、より高速な分析をはるかに低コストで提供するようになった。
本研究では,狭窄などの異常が存在する場合の冠動脈内血流動態を予測するためのDeep Neural Networkフレームワークを提案する。
この目的のために、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。
ニューラルネットワークのトレーニングに必要なデータは、ABAQUSソフトウェアに特有の特徴を持ついくつかの動脈のCFD解析から得られた。
心臓疾患の診断において最も重要な因子の一つである狭窄による血圧低下は、冠動脈のどの部分の幾何学的および流れ境界条件を知るモデルを用いて予測できる。
モデルの有効性を3つの実測値を用いて検証した。
提案手法は血流の血行動態を正確に予測する。
圧力予測の平均精度は98.7%、平均速度の精度は93.2%であった。
3つの患者固有のジオメトリでモデルをテストする結果によると、モデルは他の実装や時間を要する数値シミュレーションと同様に有限要素法に代わるものと見なすことができる。
関連論文リスト
- Adversarial Contrastive Learning Based Physics-Informed Temporal Networks for Cuffless Blood Pressure Estimation [37.94387581519217]
逆相関学習を用いた物理インフォームド・テンポラル・ネットワーク(PITN)を導入し,非常に限られたデータで正確なBP推定を実現する。
次に, 対人訓練を駆使して生理的時系列データを生成し, スパースデータに面したPITNの堅牢性を向上させる。
論文 参考訳(メタデータ) (2024-08-16T02:17:21Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - Voxel2Hemodynamics: An End-to-end Deep Learning Method for Predicting
Coronary Artery Hemodynamics [24.8579242043367]
局所血行動態は冠動脈狭窄の機能的意義を決定する上で重要な役割を担っている。
CCTA画像から冠状動脈血行動態を予測できるエンドツーエンドのディープラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2023-05-30T15:12:52Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳(メタデータ) (2023-04-14T09:39:06Z) - 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) - 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) - 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) - 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) - 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) - Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。
ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。
我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
論文 参考訳(メタデータ) (2021-04-07T01:15:06Z) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳(メタデータ) (2020-01-08T15:47:08Z)
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。