論文の概要: Learning Reduced-Order Models for Cardiovascular Simulations with Graph
Neural Networks
- arxiv url: http://arxiv.org/abs/2303.07310v1
- Date: Mon, 13 Mar 2023 17:32:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 13:36:59.361668
- Title: Learning Reduced-Order Models for Cardiovascular Simulations with Graph
Neural Networks
- Title(参考訳): グラフニューラルネットワークを用いた循環器シミュレーションのための低次学習モデル
- Authors: Luca Pegolotti, Martin R. Pfaller, Natalia L. Rubio, Ke Ding, Rita
Brugarolas Brufau, Eric Darve, Alison L. Marsden
- Abstract要約: 三次元血行シミュレーションデータに基づいて学習したグラフニューラルネットワークを用いて,血流動態をシミュレートする1次元還元次モデルを構築した。
提案手法は,物理に基づく一次元モデルよりも優れた性能を示しながら,推論時の高効率性を保っている。
- 参考スコア(独自算出の注目度): 1.2643625859899612
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reduced-order models based on physics are a popular choice in cardiovascular
modeling due to their efficiency, but they may experience reduced accuracy when
working with anatomies that contain numerous junctions or pathological
conditions. We develop one-dimensional reduced-order models that simulate blood
flow dynamics using a graph neural network trained on three-dimensional
hemodynamic simulation data. Given the initial condition of the system, the
network iteratively predicts the pressure and flow rate at the vessel
centerline nodes. Our numerical results demonstrate the accuracy and
generalizability of our method in physiological geometries comprising a variety
of anatomies and boundary conditions. Our findings demonstrate that our
approach can achieve errors below 2% and 3% for pressure and flow rate,
respectively, provided there is adequate training data. As a result, our method
exhibits superior performance compared to physics-based one-dimensional models,
while maintaining high efficiency at inference time.
- Abstract(参考訳): 物理学に基づく減数次モデルは、その効率性から心臓血管モデリングにおいて一般的な選択であるが、多数の接合部や病理状態を含む解剖学を扱う際に精度が低下することがある。
三次元血行シミュレーションデータに基づいて学習したグラフニューラルネットワークを用いて,血流動態をシミュレートする1次元還元次モデルを開発した。
システムの初期状態を考えると、ネットワークは容器の中心線ノードの圧力と流量を反復的に予測する。
本手法は,様々な解剖学と境界条件からなる生理学的ジオメトリにおいて精度と一般化性を示す。
以上の結果から, 適切なトレーニングデータがあれば, 圧力と流量について2%, 3%以下の誤差が得られることがわかった。
その結果, 提案手法は物理系1次元モデルと比較して優れた性能を示し, 推論時の効率を維持した。
関連論文リスト
- 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) - Mesh Neural Networks for SE(3)-Equivariant Hemodynamics Estimation on
the Artery Wall [9.924271375096547]
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。
論文 参考訳(メタデータ) (2022-12-09T18:16:06Z) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳(メタデータ) (2022-10-13T10:00:30Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳(メタデータ) (2022-02-21T18:59:03Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - 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) - Dynamic Neural Diversification: Path to Computationally Sustainable
Neural Networks [68.8204255655161]
訓練可能なパラメータが制限された小さなニューラルネットワークは、多くの単純なタスクに対してリソース効率の高い候補となる。
学習過程において隠れた層内のニューロンの多様性を探索する。
ニューロンの多様性がモデルの予測にどのように影響するかを分析する。
論文 参考訳(メタデータ) (2021-09-20T15:12:16Z) - Sparse Flows: Pruning Continuous-depth Models [107.98191032466544]
生成モデルにおいて,プルーニングによりニューラルネットワークの一般化が向上することを示す。
また、プルーニングは、元のネットワークに比べて最大98%少ないパラメータで、精度を損なうことなく、最小かつ効率的なニューラルODE表現を見出すことを示した。
論文 参考訳(メタデータ) (2021-06-24T01:40:17Z) - A Physics-Constrained Deep Learning Model for Simulating Multiphase Flow
in 3D Heterogeneous Porous Media [1.4050836886292868]
物理制約付き深層学習モデルを構築し, 多相多孔質体における多相流の解法について検討した。
モデルは物理に基づくシミュレーションデータから訓練され、物理過程をエミュレートする。
このモデルは物理シミュレーションと比較して1400倍のスピードアップで予測を行う。
論文 参考訳(メタデータ) (2021-04-30T02:15:01Z) - 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) - Physics-Informed Neural State Space Models via Learning and Evolution [1.1086440815804224]
システム同定のためのニューラル状態空間力学モデルの検出法について検討する。
モデル選択と最適化を交互に行う非同期な遺伝的探索アルゴリズムを用いる。
論文 参考訳(メタデータ) (2020-11-26T23:35:08Z)
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。