論文の概要: Real-time simulation of viscoelastic tissue behavior with physics-guided deep learning

• arxiv url: http://arxiv.org/abs/2301.04614v1
• Date: Wed, 11 Jan 2023 18:17:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-12 18:14:51.264966
• Title: Real-time simulation of viscoelastic tissue behavior with physics-guided deep learning
• Title（参考訳）: 物理誘導深層学習による粘弾性組織挙動のリアルタイムシミュレーション
• Authors: Mohammad Karami and Herv\'e Lombaert and David Rivest-H\'enault
• Abstract要約: 軟部組織の変位場を粘弾性特性で予測する深層学習法を提案する。 提案手法は従来のCNNモデルよりも精度が高い。 本調査は,仮想現実における深層学習のギャップを埋めるのに役立つものと期待されている。
• 参考スコア（独自算出の注目度）: 0.8250374560598492
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Finite element methods (FEM) are popular approaches for simulation of soft tissues with elastic or viscoelastic behavior. However, their usage in real-time applications, such as in virtual reality surgical training, is limited by computational cost. In this application scenario, which typically involves transportable simulators, the computing hardware severely constrains the size or the level of details of the simulated scene. To address this limitation, data-driven approaches have been suggested to simulate mechanical deformations by learning the mapping rules from FEM generated datasets. Herein, we propose a deep learning method for predicting displacement fields of soft tissues with viscoelastic properties. The main contribution of this work is the use of a physics-guided loss function for the optimization of the deep learning model parameters. The proposed deep learning model is based on convolutional (CNN) and recurrent layers (LSTM) to predict spatiotemporal variations. It is augmented with a mass conservation law in the lost function to prevent the generation of physically inconsistent results. The deep learning model is trained on a set of FEM datasets that are generated from a commercially available state-of-the-art numerical neurosurgery simulator. The use of the physics-guided loss function in a deep learning model has led to a better generalization in the prediction of deformations in unseen simulation cases. Moreover, the proposed method achieves a better accuracy over the conventional CNN models, where improvements were observed in unseen tissue from 8% to 30% depending on the magnitude of external forces. It is hoped that the present investigation will help in filling the gap in applying deep learning in virtual reality simulators, hence improving their computational performance (compared to FEM simulations) and ultimately their usefulness.
• Abstract（参考訳）: 有限要素法(FEM)は弾性または粘弾性挙動を持つ軟組織をシミュレーションするための一般的な手法である。 しかし、仮想現実手術訓練などのリアルタイムアプリケーションでの使用は、計算コストによって制限される。 通常、転送可能なシミュレータを含むこのアプリケーションシナリオでは、計算ハードウェアはシミュレーションされたシーンのサイズや詳細レベルを厳しく制約する。 この制限に対処するため、FEM生成データセットからマッピングルールを学習することで、機械的変形をシミュレートするデータ駆動アプローチが提案されている。 本稿では,粘弾性特性を有する軟組織の変位場を予測するための深層学習法を提案する。 この研究の主な貢献は、ディープラーニングモデルパラメータの最適化に物理誘導損失関数を使用することである。 提案する深層学習モデルは畳み込み層(cnn)と再帰層(lstm)に基づいて時空間変動を予測する。 物理的に矛盾した結果の発生を防止するために、失われた関数に大量保存法則を付加する。 ディープラーニングモデルは、市販の最先端数値神経外科シミュレータから生成される一連のFEMデータセットに基づいて訓練される。 深層学習モデルにおける物理誘導損失関数の利用は,未発見のシミュレーションケースにおける変形予測の一般化に繋がる。 さらに, 従来のCNNモデルよりも精度が向上し, 外部力の大きさに応じて, 目立たない組織では8%から30%の改善が見られた。 本研究は、仮想現実シミュレーターにおけるディープラーニングの適用ギャップを埋め、計算性能(FEMシミュレーションと比較)を改善し、最終的には有用性を高めることが期待されている。

関連論文リスト

• Physics-enhanced Neural Operator for Simulating Turbulent Transport [9.923888452768919]
  本稿では、偏微分方程式(PDE)の物理知識を取り入れた物理強化型ニューラル演算子(PENO)について、正確に流れのダイナミクスをモデル化する。 提案手法は,2つの異なる3次元乱流データに対して,その性能評価を行う。
  論文  参考訳（メタデータ） (2024-05-31T20:05:17Z)
• Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
  データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。 我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。 高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-25T11:29:32Z)
• Improved Long Short-Term Memory-based Wastewater Treatment Simulators for Deep Reinforcement Learning [0.0]
  排水処理データのトレーニングモデルを改善するための2つの手法を実装した。 実験結果から, これらの手法を用いることで, シミュレーションの動作を1年を通して動的時間ワープで改善できることがわかった。
  論文  参考訳（メタデータ） (2024-03-22T10:20:09Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
  微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。 勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
  論文  参考訳（メタデータ） (2022-07-12T16:08:04Z)
• Predicting Loose-Fitting Garment Deformations Using Bone-Driven Motion Networks [63.596602299263935]
  本稿では,骨駆動型モーションネットワークを用いて,ゆるやかな衣服メッシュの変形を対話的に予測する学習アルゴリズムを提案する。 提案手法は,メッシュ変形の予測精度を約20%,ハウスドルフ距離とSTEDで約10%向上させる。
  論文  参考訳（メタデータ） (2022-05-03T07:54:39Z)
• 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)
• Exploring the potential of transfer learning for metamodels of heterogeneous material deformation [0.0]
  転送学習は,低忠実度シミュレーションデータとシミュレーションデータの両方を利用することができることを示す。 我々は、大きな変形を受ける異種材料のオープンソースベンチマークデータセットであるMechanical MNISTを拡張した。 これらの低忠実度シミュレーション結果に基づいて学習したメタモデルに蓄積された知識の伝達は、高忠実度シミュレーションの結果を予測するのに使用されるメタモデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-10-28T12:43:46Z)
• Fast Modeling and Understanding Fluid Dynamics Systems with Encoder-Decoder Networks [0.0]
  本研究では,有限体積シミュレータを用いて,高精度な深層学習に基づくプロキシモデルを効率的に教えることができることを示す。 従来のシミュレーションと比較して、提案したディープラーニングアプローチはより高速なフォワード計算を可能にする。 深層学習モデルの重要物理パラメータに対する感度を定量化することにより、インバージョン問題を大きな加速で解くことができることを示す。
  論文  参考訳（メタデータ） (2020-06-09T17:14:08Z)
• Leveraging Vision and Kinematics Data to Improve Realism of Biomechanic Soft-tissue Simulation for Robotic Surgery [13.657060682152409]
  ロボット内視鏡手術で得られたライブデータは,不正確なFEMシミュレーション結果の修正にどのように用いられるかを検討する。 我々はオープンソースのda Vinciオペレーショナルシステムを用いて,ソフトチップのファントムを探索し,シミュレーションでインタラクションを再現する。 予測メッシュ位置と測定点雲との差を補正するために,ネットワークをトレーニングする。
  論文  参考訳（メタデータ） (2020-03-14T00:16:08Z)

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。