論文の概要: Transient Hemodynamics Prediction Using an Efficient Octree-Based Deep Learning Model

• arxiv url: http://arxiv.org/abs/2302.06557v1
• Date: Mon, 13 Feb 2023 17:56:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-14 14:36:16.910943
• Title: Transient Hemodynamics Prediction Using an Efficient Octree-Based Deep Learning Model
• Title（参考訳）: 効率的なOctree-based Deep Learningモデルを用いた過渡血行動態予測
• Authors: Noah Maul (1,2), Katharina Zinn (1,2), Fabian Wagner (1), Mareike Thies (1), Maximilian Rohleder (1,2), Laura Pfaff (1,2), Markus Kowarschik (2), Annette Birkhold (2), and Andreas Maier (1) ((1) Pattern Recognition Lab, FAU Erlangen-N\"urnberg, Germany, (2) Siemens Healthcare GmbH, Forchheim, Germany)
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Patient-specific hemodynamics assessment could support diagnosis and treatment of neurovascular diseases. Currently, conventional medical imaging modalities are not able to accurately acquire high-resolution hemodynamic information that would be required to assess complex neurovascular pathologies. Therefore, computational fluid dynamics (CFD) simulations can be applied to tomographic reconstructions to obtain clinically relevant information. However, three-dimensional (3D) CFD simulations require enormous computational resources and simulation-related expert knowledge that are usually not available in clinical environments. Recently, deep-learning-based methods have been proposed as CFD surrogates to improve computational efficiency. Nevertheless, the prediction of high-resolution transient CFD simulations for complex vascular geometries poses a challenge to conventional deep learning models. In this work, we present an architecture that is tailored to predict high-resolution (spatial and temporal) velocity fields for complex synthetic vascular geometries. For this, an octree-based spatial discretization is combined with an implicit neural function representation to efficiently handle the prediction of the 3D velocity field for each time step. The presented method is evaluated for the task of cerebral hemodynamics prediction before and during the injection of contrast agent in the internal carotid artery (ICA). Compared to CFD simulations, the velocity field can be estimated with a mean absolute error of 0.024 m/s, whereas the run time reduces from several hours on a high-performance cluster to a few seconds on a consumer graphical processing unit.
• Abstract（参考訳）: 患者固有の血行動態評価は神経血管疾患の診断と治療を支援する可能性がある。 従来の画像診断法では,複雑な神経血管疾患の診断に必要となる高分解能の血行動態情報を正確に取得できない。 したがって, 計算流体力学(cfd)シミュレーションを断層画像再構成に応用し, 臨床的に関連のある情報を得ることができる。 しかし、3次元CFDシミュレーションは、通常臨床環境では利用できない膨大な計算資源とシミュレーション関連の専門知識を必要とする。 近年,計算効率を向上させるため,CFDサロゲートとしてディープラーニングに基づく手法が提案されている。 それにもかかわらず、複雑な血管形状の高分解能過渡CFDシミュレーションの予測は、従来のディープラーニングモデルに挑戦している。 本研究では,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。 このため、octreeベースの空間的離散化と暗黙の神経関数表現とを組み合わせることで、各時間ステップ毎に3次元速度場の予測を効率的に処理する。 内頸動脈(ICA)における造影剤の注入前後の脳循環動態予測の課題について検討した。 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。

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)
• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• 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)
• 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)
• Deep neural networks for fast acquisition of aortic 3D pressure and velocity flow fields [0.0]
  計算流体力学(CFD)は、血管血行動態をシミュレートし、潜在的治療オプションを分析するために用いられる。 定期的な臨床用CFDの実装はまだ実現されていない。 CFDの障壁には、高い計算資源、シミュレーションのセットアップを設計するために必要な専門的な経験、長い処理時間が含まれる。 本研究は,従来の CFD の結果をML を用いてより高速に自動的かつ高精度に再現できることを示唆する。
  論文  参考訳（メタデータ） (2022-08-25T15:23:46Z)
• Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
  本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。 MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。 最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
  論文  参考訳（メタデータ） (2022-04-01T22:48:08Z)
• 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)
• 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)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)

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。