論文の概要: Modeling and Predicting Blood Flow Characteristics through Double Stenosed Artery from CFD simulation using Deep Learning Models

• arxiv url: http://arxiv.org/abs/2112.03698v1
• Date: Sat, 4 Dec 2021 11:16:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-08 16:02:38.509048
• Title: Modeling and Predicting Blood Flow Characteristics through Double Stenosed Artery from CFD simulation using Deep Learning Models
• Title（参考訳）: 深層学習モデルを用いたcfdシミュレーションによる二重動脈血流特性のモデル化と予測
• Authors: Ishat Raihan Jamil and Mayeesha Humaira
• Abstract要約: 我々は、単純化された二重狭窄動脈モデルのCFDシミュレーションにより生成されたデータセットを用いて、深層学習モデルを訓練し、血流特性を学習し、予測する。 一般化された単純化されたモデルの観点から、制限された首の幾何学的表現が提案され、以前の仮定よりも優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Establishing patient-specific finite element analysis (FEA) models for computational fluid dynamics (CFD) of double stenosed artery models involves time and effort, restricting physicians' ability to respond quickly in time-critical medical applications. Such issues might be addressed by training deep learning (DL) models to learn and predict blood flow characteristics using a dataset generated by CFD simulations of simplified double stenosed artery models with different configurations. When blood flow patterns are compared through an actual double stenosed artery model, derived from IVUS imaging, it is revealed that the sinusoidal approximation of stenosed neck geometry, which has been widely used in previous research works, fails to effectively represent the effects of a real constriction. As a result, a novel geometric representation of the constricted neck is proposed which, in terms of a generalized simplified model, outperforms the former assumption. The sequential change in artery lumen diameter and flow parameters along the length of the vessel presented opportunities for the use of LSTM and GRU DL models. However, with the small dataset of short lengths of doubly constricted blood arteries, the basic neural network model outperforms the specialized RNNs for most flow properties. LSTM, on the other hand, performs better for predicting flow properties with large fluctuations, such as varying blood pressure over the length of the vessels. Despite having good overall accuracies in training and testing across all the properties for the vessels in the dataset, the GRU model underperforms for an individual vessel flow prediction in all cases. The results also point to the need of individually optimized hyperparameters for each property in any model rather than aiming to achieve overall good performance across all outputs with a single set of hyperparameters.
• Abstract（参考訳）: 二重狭窄動脈モデルの計算流体力学(CFD)のための患者固有の有限要素解析(FEA)モデルを確立するには、時間と労力がかかり、医師の時間クリティカルな医療応用における迅速な対応能力が制限される。 このような問題は、異なる構成の単純化された二重狭窄動脈モデルのCFDシミュレーションによって生成されたデータセットを用いて、深層学習(DL)モデルを学習し、血流特性を予測することで解決される。 IVUS画像から得られた実際の二重狭窄動脈モデルを用いて血流パターンを比較すると,従来の研究で広く用いられている狭窄頸部形状の正弦波近似は,真の収縮の効果を効果的に表現できないことが明らかとなった。 その結果、一般化された単純化されたモデルの観点から、制約付き首の新たな幾何学的表現が提案される。 血管長に伴う動脈腔径および血流パラメータの経時的変化は,LSTMおよびGRU DLモデルの使用機会を示唆した。 しかし, 2重拘束型動脈の短いデータ集合では, ニューラルネットワークモデルは, フロー特性のほとんどにおいて, 特殊なrnnを上回っている。 一方,LSTMは血管長の異なる血圧など,大きな変動を伴う流動特性の予測に優れる。 データセット内の容器のすべての特性をトレーニングし、テストする上で、総合的な精度は高いが、gruモデルは、すべてのケースにおいて個々の容器フロー予測に劣る。 また、各プロパティに対して個別に最適化されたハイパーパラメータが必要であり、単一のハイパーパラメータセットで、すべてのアウトプットにまたがる全体的な優れたパフォーマンスを達成することを目指している。

関連論文リスト

• Deep vectorised operators for pulsatile hemodynamics estimation in coronary arteries from a steady-state prior [2.3971720731010766]
  本稿では,拍動血行動態を推定するために,機械学習を利用した時間効率な代理モデルを提案する。 本モデルでは, 震源領域の再サンプリングに依存せず, 脈動速度と圧力の正確な推定値が得られた。
  論文  参考訳（メタデータ） (2024-10-15T12:24:50Z)
• Time Series Modeling for Heart Rate Prediction: From ARIMA to Transformers [4.744436991413165]
  本研究では、LSTMを含む高度なディープラーニングモデルを用いて、MIT-BIHデータベースから心拍数時系列を予測する。 結果は、ディープラーニングモデル、特にPatchTSTが、複数のメトリクスで従来のモデルを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2024-06-18T01:55:37Z)
• Self-Play Fine-Tuning of Diffusion Models for Text-to-Image Generation [59.184980778643464]
  ファインチューニング拡散モデル : 生成人工知能(GenAI)の最前線 本稿では,拡散モデル(SPIN-Diffusion)のための自己演奏ファインチューニングという革新的な手法を紹介する。 提案手法は従来の教師付き微調整とRL戦略の代替として,モデル性能とアライメントの両方を大幅に改善する。
  論文  参考訳（メタデータ） (2024-02-15T18:59:18Z)
• 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)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• 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)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Sparse Flows: Pruning Continuous-depth Models [107.98191032466544]
  生成モデルにおいて,プルーニングによりニューラルネットワークの一般化が向上することを示す。 また、プルーニングは、元のネットワークに比べて最大98%少ないパラメータで、精度を損なうことなく、最小かつ効率的なニューラルODE表現を見出すことを示した。
  論文  参考訳（メタデータ） (2021-06-24T01:40:17Z)

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。