論文の概要: Deep Learning-based Prediction of Stress and Strain Maps in Arterial
Walls for Improved Cardiovascular Risk Assessment
- arxiv url: http://arxiv.org/abs/2308.01771v1
- Date: Thu, 3 Aug 2023 14:00:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-04 13:58:55.723451
- Title: Deep Learning-based Prediction of Stress and Strain Maps in Arterial
Walls for Improved Cardiovascular Risk Assessment
- Title（参考訳）: 深層学習による動脈壁の応力・ひずみマップ予測による心血管リスク評価の改善
- Authors: Yasin Shokrollahi1, Pengfei Dong1, Xianqi Li, Linxia Gu
- Abstract要約: 本研究では、動脈壁の2次元断面における応力-ひずみ場予測において、FEMの代替としてエンド・ツー・エンドのディープラーニングツールが有効である可能性について検討した。
まず,U-Net を用いた完全畳み込みニューラルネットワーク (CNN) を提案し,動脈壁断面における石灰化の空間的配置に基づくフォン・ミセス応力とひずみ分布の予測を行った。
本研究では, 各種石灰化量と空間構成の異なる動脈壁の応力およびひずみ場マップの予測精度を, 特に知覚的視点から向上する条件付き生成逆数ネットワーク(cGAN)を開発した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study investigated the potential of end-to-end deep learning tools as a
more effective substitute for FEM in predicting stress-strain fields within 2D
cross sections of arterial wall. We first proposed a U-Net based fully
convolutional neural network (CNN) to predict the von Mises stress and strain
distribution based on the spatial arrangement of calcification within arterial
wall cross-sections. Further, we developed a conditional generative adversarial
network (cGAN) to enhance, particularly from the perceptual perspective, the
prediction accuracy of stress and strain field maps for arterial walls with
various calcification quantities and spatial configurations. On top of U-Net
and cGAN, we also proposed their ensemble approaches, respectively, to further
improve the prediction accuracy of field maps. Our dataset, consisting of input
and output images, was generated by implementing boundary conditions and
extracting stress-strain field maps. The trained U-Net models can accurately
predict von Mises stress and strain fields, with structural similarity index
scores (SSIM) of 0.854 and 0.830 and mean squared errors of 0.017 and 0.018 for
stress and strain, respectively, on a reserved test set. Meanwhile, the cGAN
models in a combination of ensemble and transfer learning techniques
demonstrate high accuracy in predicting von Mises stress and strain fields, as
evidenced by SSIM scores of 0.890 for stress and 0.803 for strain.
Additionally, mean squared errors of 0.008 for stress and 0.017 for strain
further support the model's performance on a designated test set. Overall, this
study developed a surrogate model for finite element analysis, which can
accurately and efficiently predict stress-strain fields of arterial walls
regardless of complex geometries and boundary conditions.
- Abstract（参考訳）: 本研究では,動脈壁の2次元断面における応力-ひずみ場予測におけるFEMの代替として,エンドツーエンドのディープラーニングツールの可能性を検討した。
まず,u-netを用いた完全畳み込みニューラルネットワーク(cnn)を提案し,動脈壁断面内の石灰化の空間的配置に基づくvon mises応力とひずみ分布の予測を行った。
さらに, 種々の石灰化量と空間構成を有する動脈壁の応力・ひずみ場マップの予測精度を, 特に知覚的観点から向上させる条件付き生成逆ネットワーク (cgan) を開発した。
u-net と cgan に加えて,フィールドマップの予測精度をさらに向上させるために,それぞれアンサンブル手法を提案した。
入力画像と出力画像からなるデータセットは,境界条件を実装し,応力ひずみ場マップを抽出することで生成された。
トレーニングされたu-netモデルでは、リザーブドテストセットにおいて、構造類似度スコア(ssim)0.854と0.830、平均2乗誤差0.017と0.018のvon mises応力とひずみ場を正確に予測することができる。
一方, アンサンブルと転写学習を組み合わせたcGANモデルでは, 応力の0.890, ひずみの0.803のSSIMスコアが示すように, フォン・ミセスの応力とひずみ場を予測する精度が高い。
さらに、応力が0.008、ひずみが0.017の2乗誤差は、指定されたテストセット上でのモデルの性能をさらに支持する。
本研究では,複雑なジオメトリや境界条件に関わらず,動脈壁の応力ひずみ場を正確にかつ効率的に予測できる有限要素解析のためのサーロゲートモデルを開発した。
関連論文リスト
- Continuous Wavelet Transformation and VGG16 Deep Neural Network for Stress Classification in PPG Signals [0.22499166814992436]
本研究は,光胸腺X線信号によるストレス分類における画期的なアプローチを提案する。
連続ウェーブレット変換(CWT)を実証されたVGG16に組み込むことで,ストレス評価精度と信頼性を向上させる。
論文 参考訳（メタデータ） (2024-10-17T19:29:52Z) - A deep learning approach to wall-shear stress quantification: From numerical training to zero-shot experimental application [2.2284889035802036]
本稿では,乱流境界流の対数層から壁並列速度場を取り込み,深層学習アーキテクチャを提案する。
提案フレームワークは,手軽に利用可能な速度測定から,到達不能な壁面せん断応力情報を抽出する基盤となる。
論文 参考訳（メタデータ） (2024-09-05T22:59:23Z) - Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳（メタデータ） (2023-09-02T01:27:53Z) - Graph Out-of-Distribution Generalization with Controllable Data
Augmentation [51.17476258673232]
グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。
トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。
仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
論文 参考訳（メタデータ） (2023-08-16T13:10:27Z) - Enhanced physics-constrained deep neural networks for modeling vanadium
redox flow battery [62.997667081978825]
本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。
ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
論文 参考訳（メタデータ） (2022-03-03T19:56:24Z) - Attribute-Guided Adversarial Training for Robustness to Natural
Perturbations [64.35805267250682]
本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。
我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
論文 参考訳（メタデータ） (2020-12-03T10:17:30Z) - Trust but Verify: Assigning Prediction Credibility by Counterfactual
Constrained Learning [123.3472310767721]
予測信頼性尺度は統計学と機械学習において基本的なものである。
これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。
この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
論文 参考訳（メタデータ） (2020-11-24T19:52:38Z) - StressNet: Deep Learning to Predict Stress With Fracture Propagation in
Brittle Materials [6.245804384813862]
脆性材料の破砕は、しばしば内部応力の強い亀裂の急激な成長と合体によるものである。
フラクチャー伝播と初期応力データに基づく最大内部応力列全体を予測するために「応力ネット」を提案する。
提案モデルでは,最大内部応力の高精度なマルチステップ予測を約20秒で計算できる。
論文 参考訳（メタデータ） (2020-11-20T05:49:12Z) - Difference-Based Deep Learning Framework for Stress Predictions in
Heterogeneous Media [0.0]
我々は、Deep Learningを利用して、異種メディアにおけるストレス分布を決定するために、新しい差分ベースニューラルネットワーク(DiNN)フレームワークを開発する。
我々は,異種メディアの予測精度を向上させるために,異なる入力サンプル間の応力分布の違いを強調することに重点を置いている。
その結果、DNN構造は既存の構造に比べてストレス予測の精度を著しく向上させることがわかった。
論文 参考訳（メタデータ） (2020-07-01T00:18:14Z) - Scaling Equilibrium Propagation to Deep ConvNets by Drastically Reducing
its Gradient Estimator Bias [65.13042449121411]
実際には、EPによって提供される勾配推定によるネットワークのトレーニングは、MNISTよりも難しい視覚タスクにスケールしない。
有限ヌード法に固有のEPの勾配推定のバイアスがこの現象の原因であることを示す。
これらの手法を適用し、非対称な前方および後方接続を持つアーキテクチャをトレーニングし、13.2%のテストエラーを発生させる。
論文 参考訳（メタデータ） (2020-06-06T09:36:07Z) - StressGAN: A Generative Deep Learning Model for 2D Stress Distribution
Prediction [0.27998963147546135]
固体構造における2D von Mises応力分布を予測するための条件生成逆ネットワーク(cGAN)モデルを提案する。
我々は,ベースライン畳み込みニューラルネットワークモデルよりも高精度な応力分布を予測できることを実証した。
論文 参考訳（メタデータ） (2020-05-30T00:28:21Z)
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。