論文の概要: Voxel2Hemodynamics: An End-to-end Deep Learning Method for Predicting
Coronary Artery Hemodynamics
- arxiv url: http://arxiv.org/abs/2305.19107v1
- Date: Tue, 30 May 2023 15:12:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-31 15:47:04.054374
- Title: Voxel2Hemodynamics: An End-to-end Deep Learning Method for Predicting
Coronary Artery Hemodynamics
- Title（参考訳）: Voxel2血行動態:冠動脈血行動態予測のためのエンドツーエンドディープラーニング手法
- Authors: Ziyu Ni, Linda Wei, Lijian Xu, Simon Yu, Qing Xia, Hongsheng Li and
Shaoting Zhang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 24.8579242043367
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Local hemodynamic forces play an important role in determining the functional
significance of coronary arterial stenosis and understanding the mechanism of
coronary disease progression. Computational fluid dynamics (CFD) have been
widely performed to simulate hemodynamics non-invasively from coronary computed
tomography angiography (CCTA) images. However, accurate computational analysis
is still limited by the complex construction of patient-specific modeling and
time-consuming computation. In this work, we proposed an end-to-end deep
learning framework, which could predict the coronary artery hemodynamics from
CCTA images. The model was trained on the hemodynamic data obtained from 3D
simulations of synthetic and real datasets. Extensive experiments demonstrated
that the predicted hemdynamic distributions by our method agreed well with the
CFD-derived results. Quantitatively, the proposed method has the capability of
predicting the fractional flow reserve with an average error of 0.5\% and 2.5\%
for the synthetic dataset and real dataset, respectively. Particularly, our
method achieved much better accuracy for the real dataset compared to
PointNet++ with the point cloud input. This study demonstrates the feasibility
and great potential of our end-to-end deep learning method as a fast and
accurate approach for hemodynamic analysis.
- Abstract（参考訳）: 局所血行動態は冠動脈狭窄の機能的意義を判定し,冠動脈疾患進展のメカニズムを理解する上で重要な役割を担っている。
冠動脈造影CT(CCTA)画像から血行動態を非侵襲的にシミュレートするためにCFD(Computational fluid dynamics)が広く行われている。
しかし、正確な計算分析は、患者固有のモデリングと時間を要する計算の複雑な構成によって制限されている。
本研究では,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。
このモデルは、合成データと実際のデータセットの3次元シミュレーションから得られた血行力学的データに基づいて訓練された。
本法により予測された血行動態分布はCFD由来の結果とよく一致した。
定量的に,提案手法では,合成データセットと実データセットの平均誤差が0.5\%,2.5\%の分数フロー予備量を予測することができる。
特に,point cloudインプットを用いたpointnet++と比較して,実際のデータセットの精度が大幅に向上した。
本研究は,血行動態解析のための高速かつ高精度なアプローチとして,エンドツーエンドの深層学習法の有効性と可能性を示す。
関連論文リスト
- 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) - 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 [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) - Geometric Deep Learning for the Assessment of Thrombosis Risk in the
Left Atrial Appendage [0.7956218230251954]
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。
論文 参考訳（メタデータ） (2022-10-19T14:03:54Z) - 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 multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳（メタデータ） (2021-06-25T20:09:23Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳（メタデータ） (2021-06-03T00:02:05Z) - 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) - Trajectories, bifurcations and pseudotime in large clinical datasets:
applications to myocardial infarction and diabetes data [94.37521840642141]
混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。
この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
論文 参考訳（メタデータ） (2020-07-07T21:04:55Z) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳（メタデータ） (2020-01-08T15:47:08Z)
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。