論文の概要: Mesh Neural Networks for SE(3)-Equivariant Hemodynamics Estimation on
the Artery Wall
- arxiv url: http://arxiv.org/abs/2212.05023v1
- Date: Fri, 9 Dec 2022 18:16:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-12 14:56:13.299870
- Title: Mesh Neural Networks for SE(3)-Equivariant Hemodynamics Estimation on
the Artery Wall
- Title（参考訳）: SE(3)-等価な動脈壁の血行動態推定のためのメッシュニューラルネットワーク
- Authors: Julian Suk, Pim de Haan, Phillip Lippe, Christoph Brune, Jelmer M.
Wolterink
- Abstract要約: 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。
冠状動脈の大規模データセットを用いて実験を行い, 方向性壁せん断応力 (WSS) を近似誤差7.6%で推定した。
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。
- 参考スコア（独自算出の注目度）: 9.924271375096547
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computational fluid dynamics (CFD) is a valuable asset for patient-specific
cardiovascular-disease diagnosis and prognosis, but its high computational
demands hamper its adoption in practice. Machine-learning methods that estimate
blood flow in individual patients could accelerate or replace CFD simulation to
overcome these limitations. In this work, we consider the estimation of
vector-valued quantities on the wall of three-dimensional geometric artery
models. We employ group-equivariant graph convolution in an end-to-end
SE(3)-equivariant neural network that operates directly on triangular surface
meshes and makes efficient use of training data. We run experiments on a large
dataset of synthetic coronary arteries and find that our method estimates
directional wall shear stress (WSS) with an approximation error of 7.6% and
normalised mean absolute error (NMAE) of 0.4% while up to two orders of
magnitude faster than CFD. Furthermore, we show that our method is powerful
enough to accurately predict transient, vector-valued WSS over the cardiac
cycle while conditioned on a range of different inflow boundary conditions.
These results demonstrate the potential of our proposed method as a plugin
replacement for CFD in the personalised prediction of hemodynamic vector and
scalar fields.
- Abstract（参考訳）: 計算流体力学(CFD)は、患者固有の心血管疾患の診断と予後に有用であるが、その高い計算要求は実際は導入を妨げている。
個々の患者の血流を推定する機械学習手法は、これらの制限を克服するためにCFDシミュレーションを加速または置き換える可能性がある。
本研究では,三次元動脈モデルの壁面におけるベクトル値量の推定について検討する。
三角面メッシュ上で直接動作し、トレーニングデータを効率的に利用するエンドツーエンドse(3)等価ニューラルネットワークにおいて、グループ同値グラフ畳み込みを採用する。
冠状動脈の大規模データセットを用いて実験を行い, 壁面せん断応力(WSS)を7.6%の近似誤差で推定し, 平均絶対誤差(NMAE)は0.4%, CFDより2桁高速であることを確認した。
さらに, 本手法は, 種々の流入境界条件を条件に, 心臓循環の過渡的, ベクトル値のWSSを正確に予測できるほど強力であることを示す。
これらの結果は,血行動態ベクトルとスカラー場の個人化予測において,CFDのプラグイン代替として提案手法の可能性を示している。
関連論文リスト
- Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。
絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
論文 参考訳（メタデータ） (2024-10-28T15:54:50Z) - 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) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - 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) - SE(3) symmetry lets graph neural networks learn arterial velocity
estimation from small datasets [3.861633648502351]
冠動脈血行動態は診断,予後,治療計画に有用なバイオマーカーの基礎となる可能性がある。
速度場は典型的には、計算流体力学(CFD)を用いて患者固有の3次元動脈モデルから得られる。
我々は,3次元速度場を推定する効率的なブラックボックスサロゲート法としてグラフニューラルネットワーク(GNN)を提案する。
論文 参考訳（メタデータ） (2023-02-17T09:42:38Z) - 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 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) - Mesh convolutional neural networks for wall shear stress estimation in
3D artery models [7.7393800633675465]
CFDと同じ有限要素表面メッシュ上で直接動作するメッシュ畳み込みニューラルネットワークを提案する。
このメッシュ上での3次元壁せん断応力ベクトルを正確に予測できることが,我々のフレキシブルディープラーニングモデルにより示されている。
論文 参考訳（メタデータ） (2021-09-10T11:32:05Z) - 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) - Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。
ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。
我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
論文 参考訳（メタデータ） (2021-04-07T01:15:06Z) - Cephalometric Landmark Regression with Convolutional Neural Networks on
3D Computed Tomography Data [68.8204255655161]
側方X線写真におけるケパロメトリ解析では, 横面への投射による3次元物体の構造を十分に利用していない。
本稿では,3次元畳み込みニューラルネットワーク(CNN)を用いたキーポイント回帰法について述べる。
本研究は,Frankfort Horizontal および cephalometric points の位置推定において,提案手法を広く評価し,その効果を実証した。
論文 参考訳（メタデータ） (2020-07-20T12:45:38Z)
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。