論文の概要: Real-time whole-heart electromechanical simulations using Latent Neural Ordinary Differential Equations

• arxiv url: http://arxiv.org/abs/2306.05321v1
• Date: Thu, 8 Jun 2023 16:13:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-09 13:28:12.854250
• Title: Real-time whole-heart electromechanical simulations using Latent Neural Ordinary Differential Equations
• Title（参考訳）: 潜在ニューラル正規微分方程式を用いた実時間全心電メカニカルシミュレーション
• Authors: Matteo Salvador, Marina Strocchi, Francesco Regazzoni, Luca Dede', Steven Niederer, Alfio Quarteroni
• Abstract要約: 心不全患者の時間的圧力-体積動態を学習するために,潜時ニューラル正規微分方程式を用いた。 LNODEsに基づくサロゲートモデルは4003D-0D全閉ループ電気機械シミュレーションから訓練される。 本報告では, 文献で利用可能な最も高度な心臓機能代理モデルについて紹介する。
• 参考スコア（独自算出の注目度）: 2.208529796170897
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Cardiac digital twins provide a physics and physiology informed framework to deliver predictive and personalized medicine. However, high-fidelity multi-scale cardiac models remain a barrier to adoption due to their extensive computational costs and the high number of model evaluations needed for patient-specific personalization. Artificial Intelligence-based methods can make the creation of fast and accurate whole-heart digital twins feasible. In this work, we use Latent Neural Ordinary Differential Equations (LNODEs) to learn the temporal pressure-volume dynamics of a heart failure patient. Our surrogate model based on LNODEs is trained from 400 3D-0D whole-heart closed-loop electromechanical simulations while accounting for 43 model parameters, describing single cell through to whole organ and cardiovascular hemodynamics. The trained LNODEs provides a compact and efficient representation of the 3D-0D model in a latent space by means of a feedforward fully-connected Artificial Neural Network that retains 3 hidden layers with 13 neurons per layer and allows for 300x real-time numerical simulations of the cardiac function on a single processor of a standard laptop. This surrogate model is employed to perform global sensitivity analysis and robust parameter estimation with uncertainty quantification in 3 hours of computations, still on a single processor. We match pressure and volume time traces unseen by the LNODEs during the training phase and we calibrate 4 to 11 model parameters while also providing their posterior distribution. This paper introduces the most advanced surrogate model of cardiac function available in the literature and opens new important venues for parameter calibration in cardiac digital twins.
• Abstract（参考訳）: 心臓デジタル双生児は、予測的でパーソナライズされた医療を提供するための物理学と生理学のインフォームド・フレームワークを提供する。 しかし、高忠実度マルチスケール心臓モデルは、その膨大な計算コストと患者固有のパーソナライズに必要なモデル評価の多さから、採用の障壁となっている。 人工知能に基づく手法は、高速で正確なデジタル双生児の作成を可能にする。 本研究では、LNODE(Latent Neural Ordinary Differential Equations)を用いて、心不全患者の時間的圧力-体積ダイナミクスを学習する。 我々のlnodesに基づくサーロゲートモデルは, 43のモデルパラメータを考慮しつつ, 400の3d-0d心室クローズドループ電気機械シミュレーションから訓練された。 訓練されたlノードは、3つの隠れ層と13個のニューロンを層ごとに保持し、標準ラップトップの1つのプロセッサ上で心臓機能の300倍のリアルタイム数値シミュレーションを可能にするフィードフォワード完全接続型ニューラルネットワークを用いて、潜在空間における3d-0dモデルのコンパクトで効率的な表現を提供する。 このサーロゲートモデルは、単一のプロセッサ上で3時間の計算で不確実性定量化を伴うグローバル感度解析とロバストパラメータ推定を行うために用いられる。 トレーニング期間中にLNODEによって見つからない圧力と体積の時間トレースに一致し、4から11のモデルパラメータを校正し、後部分布も提供する。 本報告では, 心機能に関する最新のサロゲートモデルを導入し, 心臓デジタル双生児におけるパラメータキャリブレーションのための新たな重要な場所を開く。

関連論文リスト

• Physics-constrained coupled neural differential equations for one dimensional blood flow modeling [0.3749861135832073]
  計算心血管モデリングは、血流動態を理解する上で重要な役割を担っている。 有限要素法(FEM)に基づく従来の1次元モデルは、3次元平均解に比べて精度が低いことが多い。 本研究では1次元血流モデルの精度を向上させる物理制約付き機械学習手法を提案する。
  論文  参考訳（メタデータ） (2024-11-08T15:22:20Z)
• BrainODE: Dynamic Brain Signal Analysis via Graph-Aided Neural Ordinary Differential Equations [67.79256149583108]
  本稿では,脳波を連続的にモデル化するBrainODEというモデルを提案する。 遅延初期値とニューラルODE関数を不規則な時系列から学習することにより、BrainODEは任意の時点の脳信号を効果的に再構築する。
  論文  参考訳（メタデータ） (2024-04-30T10:53:30Z)
• Robust automated calcification meshing for biomechanical cardiac digital twins [7.253614989403737]
  本稿では、患者固有の石灰化を所定の心臓メッシュに堅牢に組み込むことができるエンドツーエンドの自動メッシュアルゴリズムを提案する。 このアルゴリズムは、手動メッシュの数時間から、自動計算の$sim$1分までの大幅なスピードアップを提供する。
  論文  参考訳（メタデータ） (2024-03-08T02:25:44Z)
• Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
  我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。 粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-19T21:50:32Z)
• Branched Latent Neural Maps [0.0]
  分岐潜在ニューラルネットワーク(BLNMs)は、複雑な物理過程をコードする有限次元の入出力マップを学習する。 BLNMは、小さなトレーニングデータセットと1つのプロセッサでの短いトレーニング時間で優れた一般化特性を示す。 オンラインフェーズでは、BLNMは単一のコアコンピュータ上での心臓電気生理学のリアルタイムシミュレーションを5000倍高速に行うことができる。
  論文  参考訳（メタデータ） (2023-08-04T04:04:58Z)
• Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
  ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。 NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。 本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
  論文  参考訳（メタデータ） (2023-06-24T17:01:51Z)
• The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
  本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。 本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:34:13Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Learning Reduced-Order Models for Cardiovascular Simulations with Graph Neural Networks [1.2643625859899612]
  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。
  論文  参考訳（メタデータ） (2023-03-13T17:32:46Z)
• Deep Computational Model for the Inference of Ventricular Activation Properties [10.886815576856574]
  患者固有の心臓計算モデルは、精密医療の効率的な実現と、デジタル双生児を用いた in-silico 臨床試験に不可欠である。 深層学習に基づく患者固有の計算モデルを提案し,心室活性化特性の推測のために解剖学的および電気生理学的情報を融合することができる。 我々はEikonalモデルを用いて、特定の患者情報も考慮されている推論モデルをトレーニングするために、地上の真理特性を持つ模擬心電図を生成する。
  論文  参考訳（メタデータ） (2022-08-08T10:23:43Z)
• 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)

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。