論文の概要: Machine Learning based Extraction of Boundary Conditions from Doppler
Echo Images for Patient Specific Coarctation of the Aorta: Computational
Fluid Dynamics Study
- arxiv url: http://arxiv.org/abs/2209.09139v2
- Date: Tue, 20 Sep 2022 07:55:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-21 14:42:52.607589
- Title: Machine Learning based Extraction of Boundary Conditions from Doppler
Echo Images for Patient Specific Coarctation of the Aorta: Computational
Fluid Dynamics Study
- Title(参考訳): 超音波ドップラー画像からの機械学習による大動脈特定結節領域の境界条件抽出:計算流体力学による検討
- Authors: Vincent Milimo Masilokwa Punabantu, Malebogo Ngoepe, Amit Kumar
Mishra, Thomas Aldersley, John Lawrenson, Liesl Zuhlke
- Abstract要約: 本研究では,ドップラー心エコー画像から境界条件(BC)を求める機械学習(ML)手法の応用について検討する。
提案手法は,MLとCFDを組み合わせて,関心領域内のヘモダイナミックフローをモデル化する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Purpose- Coarctation of the Aorta (CoA) patient-specific computational fluid
dynamics (CFD) studies in resource constrained settings are limited by the
available imaging modalities for geometry and velocity data acquisition.
Doppler echocardiography has been seen as a suitable velocity acquisition
modality due to its higher availability and safety. This study aimed to
investigate the application of classical machine learning (ML) methods to
create an adequate and robust approach for obtaining boundary conditions (BCs)
from Doppler Echocardiography images, for haemodynamic modeling using CFD.
Methods- Our proposed approach combines ML and CFD to model haemodynamic flow
within the region of interest. With the key feature of the approach being the
use of ML models to calibrate the inlet and outlet boundary conditions (BCs) of
the CFD model. The key input variable for the ML model was the patients heart
rate as this was the parameter that varied in time across the measured vessels
within the study. ANSYS Fluent was used for the CFD component of the study
whilst the scikit-learn python library was used for the ML component.
Results- We validated our approach against a real clinical case of severe CoA
before intervention. The maximum coarctation velocity of our simulations were
compared to the measured maximum coarctation velocity obtained from the patient
whose geometry is used within the study. Of the 5 ML models used to obtain BCs
the top model was within 5\% of the measured maximum coarctation velocity.
Conclusion- The framework demonstrated that it was capable of taking
variations of the patients heart rate between measurements into account. Thus,
enabling the calculation of BCs that were physiologically realistic when the
heart rate was scaled across each vessel whilst providing a reasonably accurate
solution.
- Abstract(参考訳): 資源制約条件におけるAorta (CoA) 患者固有の計算流体力学(CFD) 研究の目的-幾何および速度データ取得のための画像モダリティによって制限される。
ドップラー心エコー法はその高可用性と安全性のために、適切な速度獲得モードと見なされている。
本研究では,従来の機械学習(ML)手法を用いてドップラー心エコー画像から境界条件(BC)を抽出し,CFDを用いた血行動態モデリングを行う手法を提案する。
提案手法は, ml と cfd を組み合わせることで, 関心領域内の流れをモデル化する。
アプローチの重要な特徴は、MLモデルを使用してCFDモデルの入口および出口境界条件(BC)を校正することである。
mlモデルの主要な入力変数は患者の心拍数であり、これは研究内の測定された血管をまたいで時間的に変化するパラメータであった。
ANSYS FluentはCFD成分として,Scikit-Lern pythonライブラリはML成分として用いられた。
結果- 介入前の重篤なCoA症例に対するアプローチを検証した。
シミュレーションで得られた最大凝固速度を, 幾何学的手法を用いた患者から得られた最大凝固速度と比較した。
BCの取得に使用された5つのMLモデルのうち、最上位モデルは最大弧速度の5倍以内であった。
結語-この枠組みは、測定値間での患者の心拍数の変化を考慮に入れることができることを示した。
したがって、心臓の速度が各血管にまたがってスケールされたときに生理的に現実的なBCの計算を可能にし、合理的に正確な解が得られる。
関連論文リスト
- Image2Flow: A hybrid image and graph convolutional neural network for
rapid patient-specific pulmonary artery segmentation and CFD flow field
calculation from 3D cardiac MRI data [0.0]
この研究では、パブリックデータセットとプライベートデータセットの両方から135個の3D心筋MRIを使用した。
Image2Flowは、ハイブリッド画像とグラフ畳み込みニューラルネットワークで、肺動脈テンプレートを患者固有の解剖学とCFD値に変換するために訓練された。
論文 参考訳(メタデータ) (2024-02-28T11:01:14Z) - Contrast-agent-induced deterministic component of CT-density in the
abdominal aorta during routine angiography: proof of concept study [0.0]
血管内のコントラスト剤の動的挙動を記述するモデルを構築した。
特定の研究の診断値の増大とCTデータ処理ツールの改善に有用である。
論文 参考訳(メタデータ) (2023-10-31T07:59:57Z) - 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) - 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) - Three-dimensional micro-structurally informed in silico myocardium --
towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。
シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
論文 参考訳(メタデータ) (2022-08-22T22:01:44Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳(メタデータ) (2022-02-22T15:24:06Z) - 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) - Physics-informed neural networks for improving cerebral hemodynamics
predictions [0.0]
本研究では,高速計算流体力学シミュレーションを用いて,スパースな臨床測定を増強する物理インフォームド・ディープラーニング・フレームワークを提案する。
本フレームワークでは,脳内数箇所のリアルタイムTD速度測定と,3次元画像から取得した基線血管断面領域を用いた。
4次元MRIで得られた生体内速度測定に対して,本モデルの有効性を検証した。
論文 参考訳(メタデータ) (2021-08-25T22:19:41Z) - 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) - 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) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳(メタデータ) (2020-05-27T20:44:38Z)
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。