論文の概要: Geometric Deep Learning for the Assessment of Thrombosis Risk in the Left Atrial Appendage

• arxiv url: http://arxiv.org/abs/2210.10563v1
• Date: Wed, 19 Oct 2022 14:03:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-20 13:18:05.762922
• Title: Geometric Deep Learning for the Assessment of Thrombosis Risk in the Left Atrial Appendage
• Title（参考訳）: 左心房細動における血栓症リスク評価のための幾何学的深層学習
• Authors: Xabier Morales, Jordi Mill, Guillem Simeon, Kristine A. Juhl, Ole De Backer, Rasmus R. Paulsen and Oscar Camara
• Abstract要約: 本研究では,患者固有のLAA形状から,血栓症のリスクに関連する内皮細胞活性化電位(ECAP)を予測できるフレームワークを開発する。 このモデルは202個の合成LAAと54個の実LAAを組み合わせたデータセットを用いて訓練され、EPP分布を瞬時に予測し、平均絶対誤差は0.563である。
• 参考スコア（独自算出の注目度）: 0.7956218230251954
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The assessment of left atrial appendage (LAA) thrombogenesis has experienced major advances with the adoption of patient-specific computational fluid dynamics (CFD) simulations. Nonetheless, due to the vast computational resources and long execution times required by fluid dynamics solvers, there is an ever-growing body of work aiming to develop surrogate models of fluid flow simulations based on neural networks. The present study builds on this foundation by developing a deep learning (DL) framework capable of predicting the endothelial cell activation potential (ECAP), linked to the risk of thrombosis, solely from the patient-specific LAA geometry. To this end, we leveraged recent advancements in Geometric DL, which seamlessly extend the unparalleled potential of convolutional neural networks (CNN), to non-Euclidean data such as meshes. The model was trained with a dataset combining 202 synthetic and 54 real LAA, predicting the ECAP distributions instantaneously, with an average mean absolute error of 0.563. Moreover, the resulting framework manages to predict the anatomical features related to higher ECAP values even when trained exclusively on synthetic cases.
• Abstract（参考訳）: 左心房細動 (LAA) 血栓発生の評価は, 患者特異的流体力学 (CFD) シミュレーションの導入により大きく進歩した。 それでも、膨大な計算資源と流体力学の解法が必要とする長い実行時間のために、ニューラルネットワークに基づく流体流動シミュレーションの代理モデルを開発することを目的とした、継続的な研究が続けられている。 本研究は, 深層学習(DL)フレームワークを構築し, 患者固有のLAA形状から, 血栓症のリスクに関連する内皮細胞活性化電位(ECAP)を予測する。 この目的のために我々は、畳み込みニューラルネットワーク(cnn)の非並列ポテンシャルをメッシュなどの非ユークリッドデータにシームレスに拡張する幾何dlの最近の進歩を利用した。 このモデルは202syntheticと54 real laaを組み合わせたデータセットでトレーニングされ、平均的な絶対誤差0.563でecap分布を瞬時に予測した。 さらに,合成事例のみを訓練した場合でも,高いecap値に関連する解剖学的特徴を予測できる。

関連論文リスト

• Mesh-Informed Reduced Order Models for Aneurysm Rupture Risk Prediction [0.0]
  グラフニューラルネットワーク(GNN)は、有限体積(FV)離散化によって得られるメッシュの自然なグラフ構造を利用する。 実験的な検証フレームワークは有望な結果をもたらし,その方法が次元の呪いを克服する有効な代替手段であることを確認した。
  論文  参考訳（メタデータ） (2024-10-04T09:39:15Z)
• tdCoxSNN: Time-Dependent Cox Survival Neural Network for Continuous-time Dynamic Prediction [19.38247205641199]
  本研究では,時間依存型Coxサバイバルニューラルネットワーク(tdCoxSNN)を提案する。 提案手法と共同モデリングおよびランドマーク手法を広範囲なシミュレーションにより評価・比較する。
  論文  参考訳（メタデータ） (2023-07-12T03:03:40Z)
• 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)
• Transient Hemodynamics Prediction Using an Efficient Octree-Based Deep Learning Model [0.0]
  複雑な合成血管形状の高分解能(空間および時間)速度場を予測できるアーキテクチャを提案する。 CFDシミュレーションと比較して、速度場は平均絶対誤差0.024m/sで推定できるのに対し、実行時間は高性能クラスタでは数時間からコンシューマグラフィカル処理ユニットでは数秒に短縮される。
  論文  参考訳（メタデータ） (2023-02-13T17:56:00Z)
• 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)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations [58.720142291102135]
  動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。 本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
  論文  参考訳（メタデータ） (2021-04-28T22:14:25Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)

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。