論文の概要: Image2Flow: A hybrid image and graph convolutional neural network for
rapid patient-specific pulmonary artery segmentation and CFD flow field
calculation from 3D cardiac MRI data
- arxiv url: http://arxiv.org/abs/2402.18236v1
- Date: Wed, 28 Feb 2024 11:01:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-29 15:26:26.614729
- Title: Image2Flow: A hybrid image and graph convolutional neural network for
rapid patient-specific pulmonary artery segmentation and CFD flow field
calculation from 3D cardiac MRI data
- Title（参考訳）: 画像2Flow:3次元心臓MRIデータを用いた高速肺動脈分画とCFD血流場計算のためのハイブリッド画像とグラフ畳み込みニューラルネットワーク
- Authors: Tina Yao, Endrit Pajaziti, Michael Quail, Silvia Schievano, Jennifer A
Steeden, Vivek Muthurangu
- Abstract要約: この研究では、パブリックデータセットとプライベートデータセットの両方から135個の3D心筋MRIを使用した。
Image2Flowは、ハイブリッド画像とグラフ畳み込みニューラルネットワークで、肺動脈テンプレートを患者固有の解剖学とCFD値に変換するために訓練された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computational fluid dynamics (CFD) can be used for evaluation of
hemodynamics. However, its routine use is limited by labor-intensive manual
segmentation, CFD mesh creation, and time-consuming simulation. This study aims
to train a deep learning model to both generate patient-specific volume-meshes
of the pulmonary artery from 3D cardiac MRI data and directly estimate CFD flow
fields.
This study used 135 3D cardiac MRIs from both a public and private dataset.
The pulmonary arteries in the MRIs were manually segmented and converted into
volume-meshes. CFD simulations were performed on ground truth meshes and
interpolated onto point-point correspondent meshes to create the ground truth
dataset. The dataset was split 85/10/15 for training, validation and testing.
Image2Flow, a hybrid image and graph convolutional neural network, was trained
to transform a pulmonary artery template to patient-specific anatomy and CFD
values. Image2Flow was evaluated in terms of segmentation and accuracy of CFD
predicted was assessed using node-wise comparisons. Centerline comparisons of
Image2Flow and CFD simulations performed using machine learning segmentation
were also performed.
Image2Flow achieved excellent segmentation accuracy with a median Dice score
of 0.9 (IQR: 0.86-0.92). The median node-wise normalized absolute error for
pressure and velocity magnitude was 11.98% (IQR: 9.44-17.90%) and 8.06% (IQR:
7.54-10.41), respectively. Centerline analysis showed no significant difference
between the Image2Flow and conventional CFD simulated on machine
learning-generated volume-meshes.
This proof-of-concept study has shown it is possible to simultaneously
perform patient specific volume-mesh based segmentation and pressure and flow
field estimation. Image2Flow completes segmentation and CFD in ~205ms, which
~7000 times faster than manual methods, making it more feasible in a clinical
environment.
- Abstract（参考訳）: 計算流体力学(CFD)は血行動態の評価に用いられる。
しかし、日常的な使用は、労働集約的な手動セグメンテーション、cfdメッシュの作成、時間消費シミュレーションによって制限される。
本研究の目的は, 深層学習モデルを用いて, 3次元心臓MRIデータから患者固有の肺動脈容積データを生成し, CFD血流場を直接推定することである。
この研究は、パブリックデータセットとプライベートデータセットの両方から135個の3d心臓mriを使用した。
mriの肺動脈は手作業で分節化され,音量計に変換された。
基礎真理メッシュ上でCFDシミュレーションを行い、点点対応メッシュに補間して基底真理データセットを作成する。
データセットはトレーニング、検証、テストのために85/10/15に分割された。
Image2Flowは、ハイブリッド画像とグラフ畳み込みニューラルネットワークで、肺動脈テンプレートを患者固有の解剖学とCFD値に変換するために訓練された。
予測したcfdのセグメンテーションと精度をノード間比較により評価した。
機械学習セグメンテーションを用いた画像2FlowとCFDシミュレーションのセンターライン比較も行った。
image2flowのセグメンテーション精度は0.9%(iqr: 0.86-0.92)と高い。
圧力と速度の絶対誤差の平均値は11.98%(IQR: 9.44-17.90%)と8.06%(IQR: 7.54-10.41)であった。
中心線解析では,画像2Flowと従来のCFDとの有意な差は認められなかった。
この概念実証研究により,患者固有のボリューム・メッシュに基づくセグメンテーションと圧力・流れ場推定を同時に行うことが可能となった。
Image2Flowは205msでセグメンテーションとCFDを完了し、手作業よりも7000倍速く、臨床環境ではより実現可能である。
関連論文リスト
- Voxel2Hemodynamics: An End-to-end Deep Learning Method for Predicting
Coronary Artery Hemodynamics [24.8579242043367]
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。
論文 参考訳（メタデータ） (2023-05-30T15:12:52Z) - Validated respiratory drug deposition predictions from 2D and 3D medical
images with statistical shape models and convolutional neural networks [47.187609203210705]
患者固有の沈着モデリングのための自動計算フレームワークを開発し,検証することを目的としている。
2次元胸部X線と3次元CT画像から3次元患者の呼吸動態を生成できる画像処理手法が提案されている。
論文 参考訳（メタデータ） (2023-03-02T07:47:07Z) - 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) - Affinity Feature Strengthening for Accurate, Complete and Robust Vessel
Segmentation [48.638327652506284]
血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。
コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
論文 参考訳（メタデータ） (2022-11-12T05:39:17Z) - Dual Multi-scale Mean Teacher Network for Semi-supervised Infection
Segmentation in Chest CT Volume for COVID-19 [76.51091445670596]
CT(Computed tomography)データから肺感染症を自動的に検出することは、COVID-19と戦う上で重要な役割を担っている。
現在の新型コロナウイルス感染症のセグメンテーションのほとんどは、主に3Dシーケンシャルな制約を欠いた2D CT画像に依存している。
既存の3次元CTセグメンテーション法では,3次元ボリュームにおける複数レベルの受容場サイズを達成できない単一スケールの表現に焦点が当てられている。
論文 参考訳（メタデータ） (2022-11-10T13:11:21Z) - Automated Quality Controlled Analysis of 2D Phase Contrast
Cardiovascular Magnetic Resonance Imaging [2.189751467114811]
位相コントラスト心磁気共鳴画像(PC-CMR)を用いた流れ解析
完全CMRスキャンからのフローの完全自動解析のための新しいディープラーニングベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2022-09-28T16:37:35Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - Mesh convolutional neural networks for wall shear stress estimation in
3D artery models [7.7393800633675465]
CFDと同じ有限要素表面メッシュ上で直接動作するメッシュ畳み込みニューラルネットワークを提案する。
このメッシュ上での3次元壁せん断応力ベクトルを正確に予測できることが,我々のフレキシブルディープラーニングモデルにより示されている。
論文 参考訳（メタデータ） (2021-09-10T11:32:05Z) - Systematic Clinical Evaluation of A Deep Learning Method for Medical
Image Segmentation: Radiosurgery Application [48.89674088331313]
3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。
本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
論文 参考訳（メタデータ） (2021-08-21T16:15:40Z) - A self-supervised learning strategy for postoperative brain cavity
segmentation simulating resections [46.414990784180546]
畳み込みニューラルネットワーク(CNN)は最先端の画像セグメンテーション技術である。
CNNはトレーニングに大量の注釈付きデータセットを必要とする。
自己教師型学習戦略は、トレーニングにラベルのないデータを活用することができる。
論文 参考訳（メタデータ） (2021-05-24T12:27:06Z) - Neural Network-derived perfusion maps: a Model-free approach to computed
tomography perfusion in patients with acute ischemic stroke [4.925222726301579]
畳み込みニューラルネットワーク(CNN)はCT灌流データから臨床的に関連するパラメトリックマップを生成することができる。
cnnベースのアプローチは,最先端の灌流解析法に匹敵する臨床関連灌流マップを作成した。
論文 参考訳（メタデータ） (2021-01-15T07:11:02Z)
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。