論文の概要: Stochastic Modeling of Inhomogeneities in the Aortic Wall and Uncertainty Quantification using a Bayesian Encoder-Decoder Surrogate

• arxiv url: http://arxiv.org/abs/2202.10244v1
• Date: Mon, 21 Feb 2022 13:53:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-23 08:50:44.708483
• Title: Stochastic Modeling of Inhomogeneities in the Aortic Wall and Uncertainty Quantification using a Bayesian Encoder-Decoder Surrogate
• Title（参考訳）: ベイズエンコーダデコーダサロゲートを用いた大動脈壁の不均一性の確率的モデリングと不確かさ定量化
• Authors: Sascha Ranftl, Malte Rolf-Pissarczyk, Gloria Wolkerstorfer, Antonio Pepe, Jan Egger, Wolfgang von der Linden, Gerhard A. Holzapfel
• Abstract要約: 大動脈壁の不均一性は局所的な応力蓄積を引き起こし、おそらく解離を開始する。 大動脈のいくつかの部分は、病理学的変化による不均一性の発生に特に影響を受けやすい。 有限要素モデルを用いた解離大動脈壁の弾性繊維劣化の均一分布について述べる。
• 参考スコア（独自算出の注目度）: 0.25754437758979887
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inhomogeneities in the aortic wall can lead to localized stress accumulations, possibly initiating dissection. In many cases, a dissection results from pathological changes such as fragmentation or loss of elastic fibers. But it has been shown that even the healthy aortic wall has an inherent heterogeneous microstructure. Some parts of the aorta are particularly susceptible to the development of inhomogeneities due to pathological changes, however, the distribution in the aortic wall and the spatial extent, such as size, shape, and type, are difficult to predict. Motivated by this observation, we describe the heterogeneous distribution of elastic fiber degradation in the dissected aortic wall using a stochastic constitutive model. For this purpose, random field realizations, which model the stochastic distribution of degraded elastic fibers, are generated over a non-equidistant grid. The random field then serves as input for a uni-axial extension test of the pathological aortic wall, solved with the finite-element (FE) method. To include the microstructure of the dissected aortic wall, a constitutive model developed in a previous study is applied, which also includes an approach to model the degradation of inter-lamellar elastic fibers. Then to assess the uncertainty in the output stress distribution due to this stochastic constitutive model, a convolutional neural network, specifically a Bayesian encoder-decoder, was used as a surrogate model that maps the random input fields to the output stress distribution obtained from the FE analysis. The results show that the neural network is able to predict the stress distribution of the FE analysis while significantly reducing the computational time. In addition, it provides the probability for exceeding critical stresses within the aortic wall, which could allow for the prediction of delamination or fatal rupture.
• Abstract（参考訳）: 大動脈壁の不均一性は局所的な応力蓄積を引き起こし、おそらく解離を開始する。 多くの場合、解離は、破片化や弾性繊維の喪失などの病理学的変化から生じる。 しかし、健康な大動脈壁でさえ本質的に異質な微細構造を持っていることが示されている。 大動脈のいくつかの部分は病理学的変化による不均一性の発生に特に影響を受けやすいが,大動脈壁の分布や大きさ,形状,タイプなどの空間的範囲は予測が困難である。 本研究の目的は, 確率構成モデルを用いて, 解離大動脈壁の弾性繊維劣化の均一分布について述べることである。 この目的のために、劣化した弾性繊維の確率分布をモデル化する確率場実現が非等価グリッド上で生成される。 ランダムフィールドは、有限要素法(FE)法で解決された病理大動脈壁の一軸拡張テストの入力として機能する。 解離した大動脈壁の微細構造を含めるために, 前報で開発した構成モデルを適用し, また, 層間弾性繊維の劣化をモデル化するアプローチも含む。 次に,この確率的構成モデルによる出力応力分布の不確実性を評価するために,fe解析から得られた出力応力分布にランダム入力場をマッピングするサロゲートモデルとして,畳み込みニューラルネットワーク,特にベイズエンコーダ・デコーダを用いた。 その結果, ニューラルネットワークはfe解析の応力分布を予測でき, 計算時間を大幅に削減できることがわかった。 さらに、大動脈壁内の臨界応力を超える確率を与え、剥離や致命的な破裂の予測を可能にする。

関連論文リスト

• Fine-Tuning Discrete Diffusion Models via Reward Optimization with Applications to DNA and Protein Design [56.957070405026194]
  拡散モデルにより生成された軌道全体を通して報酬の直接バックプロパゲーションを可能にするアルゴリズムを提案する。 DRAKESは自然に似ており、高い報酬をもたらすシーケンスを生成することができる。
  論文  参考訳（メタデータ） (2024-10-17T15:10:13Z)
• Physics-Informed Neural Network based inverse framework for time-fractional differential equations for rheology [0.0]
  時間差分方程式は、記憶効果によって特徴づけられる現象を捉えるための堅牢な枠組みを提供する。 しかし、分数微分を含む逆問題の解決は、安定性と特異性に関連する問題を含む顕著な課題を提示する。 本研究では, PINNの適用範囲を広げて, 時間-屈折微分を含む逆問題に対処し, 異常拡散と, 2) 分数粘弾性方程式の2つの問題を対象とする。
  論文  参考訳（メタデータ） (2024-06-06T01:29:17Z)
• Convergence of Continuous Normalizing Flows for Learning Probability Distributions [10.381321024264484]
  連続正規化フロー (Continuous normalizing flow, CNFs) は確率分布を学習するための生成法である。 有限ランダムサンプルからの学習確率分布における線形正則性を持つCNFの理論的性質について検討する。 本稿では,速度推定,離散化誤差,早期停止誤差による誤差を包含する収束解析フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-31T03:39:04Z)
• Theoretical Insights for Diffusion Guidance: A Case Study for Gaussian Mixture Models [59.331993845831946]
  拡散モデルは、所望の特性に向けてサンプル生成を操るために、スコア関数にタスク固有の情報を注入することの恩恵を受ける。 本稿では,ガウス混合モデルの文脈における拡散モデルに対する誘導の影響を理解するための最初の理論的研究を提供する。
  論文  参考訳（メタデータ） (2024-03-03T23:15:48Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• 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)
• Bayesian Networks for the robust and unbiased prediction of depression and its symptoms utilizing speech and multimodal data [65.28160163774274]
  我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
  論文  参考訳（メタデータ） (2022-11-09T14:48:13Z)
• 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)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)
• Simulating progressive intramural damage leading to aortic dissection using an operator-regression neural network [0.2955543753858105]
  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。
  論文  参考訳（メタデータ） (2021-08-25T03:49:19Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)

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。