論文の概要: Physics-informed Neural Network Estimation of Material Properties in
Soft Tissue Nonlinear Biomechanical Models
- arxiv url: http://arxiv.org/abs/2312.09787v1
- Date: Fri, 15 Dec 2023 13:41:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-18 15:40:58.634929
- Title: Physics-informed Neural Network Estimation of Material Properties in
Soft Tissue Nonlinear Biomechanical Models
- Title（参考訳）: 物理インフォームドニューラルネットワークによる軟組織非線形生体力学モデルにおける材料特性の推定
- Authors: Federica Caforio and Francesco Regazzoni and Stefano Pagani and Elias
Karabelas and Christoph Augustin and Gundolf Haase and Gernot Plank and Alfio
Quarteroni
- Abstract要約: 物理インフォームドニューラルネットワーク(PINN)と3次元軟組織非線形生体力学モデルを組み合わせた新しいアプローチを提案する。
提案した学習アルゴリズムは、限られた量の変位から情報を符号化し、場合によっては、臨床環境で日常的に取得できる歪みデータを符号化する。
提案手法の精度とロバスト性を示すために,いくつかのベンチマークを行った。
- 参考スコア（独自算出の注目度）: 3.000260570199229
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The development of biophysical models for clinical applications is rapidly
advancing in the research community, thanks to their predictive nature and
their ability to assist the interpretation of clinical data. However,
high-resolution and accurate multi-physics computational models are
computationally expensive and their personalisation involves fine calibration
of a large number of parameters, which may be space-dependent, challenging
their clinical translation. In this work, we propose a new approach which
relies on the combination of physics-informed neural networks (PINNs) with
three-dimensional soft tissue nonlinear biomechanical models, capable of
reconstructing displacement fields and estimating heterogeneous
patient-specific biophysical properties. The proposed learning algorithm
encodes information from a limited amount of displacement and, in some cases,
strain data, that can be routinely acquired in the clinical setting, and
combines it with the physics of the problem, represented by a mathematical
model based on partial differential equations, to regularise the problem and
improve its convergence properties. Several benchmarks are presented to show
the accuracy and robustness of the proposed method and its great potential to
enable the robust and effective identification of patient-specific,
heterogeneous physical properties, s.a. tissue stiffness properties. In
particular, we demonstrate the capability of the PINN to detect the presence,
location and severity of scar tissue, which is beneficial to develop
personalised simulation models for disease diagnosis, especially for cardiac
applications.
- Abstract（参考訳）: 臨床応用のためのバイオフィジカルモデルの開発は、その予測的性質と臨床データの解釈を支援する能力のおかげで、研究コミュニティで急速に進んでいる。
しかし、高分解能で高精度なマルチフィジカル計算モデルは計算コストが高く、そのパーソナライズには、空間に依存しない多くのパラメータの微調整が含まれ、臨床翻訳に挑戦している。
本研究では,物理に変形したニューラルネットワーク(pinns)と三次元軟組織非線形生体力学モデルを組み合わせて,変位場を再構成し,患者固有の生体物理特性を推定する手法を提案する。
提案する学習アルゴリズムは, 限られた変位量から情報を符号化し, 場合によっては, 臨床で日常的に取得できるひずみデータと, 偏微分方程式に基づく数理モデルで表される問題の物理を組み合わせることで, 問題を正則化し, 収束性を向上させる。
提案手法の精度とロバスト性を示し, 患者特異的で不均一な物理的特性, 組織硬度特性の堅牢かつ効果的な同定を可能にする大きな可能性を示す。
特に, 傷痕組織の存在, 位置, 重症度を検出するPINNの能力を実証し, 特に心臓疾患の診断における個人化シミュレーションモデルの開発に有用であることを示す。
関連論文リスト
- InVAErt networks for amortized inference and identifiability analysis of lumped parameter hemodynamic models [0.0]
本研究では、ニューラルネットワークをベースとしたデータ駆動型フレームワークであるinVAErtネットワークを用いて、剛体力学系のディジタル双対解析を強化する。
InVAErtネットワークの柔軟性と有効性について,合成データから欠落成分を含む実データへの6成分ループ型パラメータ血行動態モデルの生理的逆転の文脈で示す。
論文 参考訳（メタデータ） (2024-08-15T17:07:40Z) - Deep Latent Variable Modeling of Physiological Signals [0.8702432681310401]
潜時変動モデルを用いた生理モニタリングに関する高次元問題について検討する。
まず、光学的に得られた信号を入力として、心の電気波形を生成するための新しい状態空間モデルを提案する。
次に,確率的グラフィカルモデルの強みと深い敵対学習を組み合わせた脳信号モデリング手法を提案する。
第3に,生理的尺度と行動の合同モデリングのための枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T17:07:33Z) - Incorporating sufficient physical information into artificial neural
networks: a guaranteed improvement via physics-based Rao-Blackwellization [0.0]
ラオ・ブラックウェル化の概念は、物理情報による人工ニューラルネットワークの予測を改善するために用いられる。
提案手法は材料モデリングに適用され, 収率関数の同定例で説明される。
論文 参考訳（メタデータ） (2023-11-10T16:05:46Z) - Physics-informed UNets for Discovering Hidden Elasticity in
Heterogeneous Materials [0.0]
弾性インバージョンのための新しいUNetベースニューラルネットワークモデル(El-UNet)を開発した。
完全接続された物理インフォームドニューラルネットワークと比較して,El-UNetによる精度と計算コストの両面で優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-01T23:35:03Z) - Physically constrained neural networks to solve the inverse problem for
neuron models [0.29005223064604074]
システム生物学とシステム神経生理学は、生体医学科学における多くの重要な応用のための強力なツールである。
ディープニューラルネットワークの分野における最近の進歩は、非線形で普遍的な近似を定式化する可能性を示している。
論文 参考訳（メタデータ） (2022-09-24T12:51:15Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - 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) - A deep learning driven pseudospectral PCE based FFT homogenization
algorithm for complex microstructures [68.8204255655161]
提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。
提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
論文 参考訳（メタデータ） (2021-10-26T07:02:14Z) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳（メタデータ） (2021-03-29T11:30:18Z) - Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic
Programmed Deep Kernels [93.58854458951431]
本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。
我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。
我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
論文 参考訳（メタデータ） (2020-09-16T15:16:03Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z)
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。