論文の概要: Non-invasive hemodynamic analysis for aortic regurgitation using computational fluid dynamics and deep learning

• arxiv url: http://arxiv.org/abs/2111.11660v1
• Date: Tue, 23 Nov 2021 05:19:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-25 01:57:42.015039
• Title: Non-invasive hemodynamic analysis for aortic regurgitation using computational fluid dynamics and deep learning
• Title（参考訳）: 計算流体力学とディープラーニングを用いた大動脈弁閉鎖不全症の非侵襲的血行動態解析
• Authors: Derek Long, Cameron McMurdo, Edward Ferdian, Charlene Mauger
• Abstract要約: 心臓血管血行動態の変化は大動脈逆流(AR)の発生と密接に関連している 4次元(4次元)流磁気共鳴画像(MRI)を用いて非侵襲的に測定できる。 しかし、解像度の低さは、しばしば4次元フローMRIと複雑なAR血行動態の限界によって生じる。 これを解決するために、計算流体力学シミュレーションを合成された4次元フローMRIデータに変換し、様々なニューラルネットワークのトレーニングに使用した。
• 参考スコア（独自算出の注目度）: 2.150638298922378
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Changes in cardiovascular hemodynamics are closely related to the development of aortic regurgitation (AR), a type of valvular heart disease. Pressure gradients derived from blood flows are used to indicate AR onset and evaluate its severity. These metrics can be non-invasively obtained using four-dimensional (4D) flow magnetic resonance imaging (MRI), where accuracy is primarily dependent on spatial resolution. However, insufficient resolution often results from limitations in 4D flow MRI and complex AR hemodynamics. To address this, computational fluid dynamics simulations were transformed into synthetic 4D flow MRI data and used to train a variety of neural networks. These networks generated super resolution, full-field phase images with an upsample factor of 4. Results showed decreased velocity error, high structural similarity scores, and improved learning capabilities from previous work. Further validation was performed on two sets of in-vivo 4D flow MRI data and demonstrated success in de-noising flow images. This approach presents an opportunity to comprehensively analyse AR hemodynamics in a non-invasive manner.
• Abstract（参考訳）: 心血管血行動態の変化は、弁膜性心疾患の一種である大動脈逆流(AR)の発生と密接に関連している。 血流に由来する圧力勾配はar発症を示し、その重症度を評価するために用いられる。 これらの測定値は主に空間分解能に依存する4次元(4d)流磁気共鳴イメージング(mri)を用いて非侵襲的に得ることができる。 しかし、解像度の不足はしばしば4dフローmriと複雑なar血行動態の限界から生じる。 これを解決するために、計算流体力学シミュレーションを合成4次元フローMRIデータに変換し、様々なニューラルネットワークのトレーニングに使用した。 これらのネットワークは4.4倍の高分解能フルフィールド位相画像を生成する。 その結果, 速度誤差の低減, 構造的類似度が高く, 学習能力も向上した。 2セットのin-vivo 4D Flow MRIデータに対してさらなる検証を行い, ノイズ除去に成功した。 このアプローチは、非侵襲的な方法でar血行動態を包括的に分析する機会を提供する。

関連論文リスト

• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Physics-informed graph neural networks for flow field estimation in carotid arteries [2.0437999068326276]
  循環動態量は動脈硬化などの循環器疾患にとって貴重なバイオメディカルリスク因子である。 本研究では,機械学習を利用した血行動態場推定のための代理モデルを作成する。 私たちは、基礎となる対称性と物理に関する事前情報を含むグラフニューラルネットワークをトレーニングし、トレーニングに必要なデータ量を制限する。 このことは、物理インフォームドグラフニューラルネットワークを4次元フローMRIデータを用いてトレーニングすることで、見えない頸動脈領域の血流を推定できることを示している。
  論文  参考訳（メタデータ） (2024-08-13T13:09:28Z)
• Neural Fields for Continuous Periodic Motion Estimation in 4D Cardiovascular Imaging [1.1786989970743633]
  時間分解型3次元フローMRI(4D Flow MRI)は、大動脈弓などの血管の血行動態を可視化し定量化するための、ユニークな非侵襲的なソリューションを提供する。 動脈4DフローMRIのほとんどの解析法は, フルサイクルセグメンテーションが難しいため, 静的動脈壁を用いている。 心臓周期を通して連続的な周期的な壁の変形を直接推定する神経磁場に基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-07-30T10:50:51Z)
• Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
  磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。 本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
  論文  参考訳（メタデータ） (2023-11-22T05:44:51Z)
• Generalized super-resolution 4D Flow MRI $\unicode{x2013}$ using ensemble learning to extend across the cardiovascular system [28.516235368817586]
  本研究の目的は,異種トレーニングセットと専用アンサンブル学習を組み合わせたSR 4D Flow MRIの一般化可能性を検討することである。 その結果,バッギングと積み重ねはドメイン間のSR性能を向上し,低分解能入力データから高分解能速度を正確に予測できることが示唆された。 以上の結果から,本研究はSR 4D Flow MRIの汎用的アプローチとして,様々な臨床領域にまたがるアンサンブル学習の有用性を示すものである。
  論文  参考訳（メタデータ） (2023-11-20T14:55:40Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Coarse-Super-Resolution-Fine Network (CoSF-Net): A Unified End-to-End Neural Network for 4D-MRI with Simultaneous Motion Estimation and Super-Resolution [21.75329634476446]
  我々は,高分解能ネットワーク(CoSF-Net)と呼ばれる新しいディープラーニングフレームワークを開発した。 既存のネットワークと最先端の3つのアルゴリズムと比較して、CoSF-Netは4D-MRIの呼吸相間の変形可能なベクトル場を正確に推定するだけでなく、解剖学的特徴を増強した4D-MRIの空間分解能も同時に改善した。
  論文  参考訳（メタデータ） (2022-11-21T01:42:51Z)
• 4D Deep Learning for Multiple Sclerosis Lesion Activity Segmentation [49.32653090178743]
  我々は,MRIボリュームの履歴を用いて,この問題をフル4次元ディープラーニングに拡張することで,性能が向上するかどうか検討する。 提案手法は, 病変側真陽性率0.84, 病変側偽陽性率0.19で従来手法より優れていた。
  論文  参考訳（メタデータ） (2020-04-20T11:41:01Z)
• 4DFlowNet: Super-Resolution 4D Flow MRI using Deep Learning and Computational Fluid Dynamics [0.0795451369160375]
  画像解像度の上昇は、特に異常な血流を持つ患者において、より正確で、血流のより良い評価を可能にする。 計算流体力学シミュレーションを用いて, 合成4次元フローMRIデータを生成する。 我々の新しい4DFlowNetネットワークは, この合成4Dフローデータをトレーニングし, 2。
  論文  参考訳（メタデータ） (2020-04-15T12:16:52Z)
• Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
  本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。 また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-02-25T14:48:17Z)
• 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。