論文の概要: Estimation of FFR in coronary arteries with deep learning

• arxiv url: http://arxiv.org/abs/2405.12224v1
• Date: Sat, 6 Apr 2024 12:24:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-01 08:39:42.482505
• Title: Estimation of FFR in coronary arteries with deep learning
• Title（参考訳）: ディープラーニングによる冠動脈内FFRの推定
• Authors: Patryk Rygiel,
• Abstract要約: Fractional Flow Reserve (FFR) は冠状動脈疾患(CAD)における重要なバイオマーカーである 近年、仮想FFR(vFFR)測定の新たなアプローチが出現している。 本稿では,入力容器形状を点雲として表現することで,vFFR推定の新しい手法を提案する。 本手法を臨床の観点から評価し,一般的に用いられているCFDの代替として有効であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Coronary artery disease (CAD) is one of the most common causes of death in the European Union and the USA. The crucial biomarker in its diagnosis is called Fractional Flow Reserve (FFR) and its in-vivo measurement is obtained via an invasive diagnostic technique in the form of coronagraphy. In order to address the invasive drawbacks associated with a procedure, a new approach virtual FFR (vFFR) measurement has emerged in recent years. This technique involves using computed tomography angiography (CTA) to obtain virtual measurements of FFR. By utilizing Computational Fluid Dynamics (CFD), vFFR estimates can be derived from CTA data, providing a promising in-silico alternative to traditional methods. However, the widespread adoption of vFFR from CTA as a diagnostic technique is hindered by two main challenges: time and computational requirements. In this work, we explore the usage of deep learning techniques as surrogate CFD engine models in the task of vFFR estimation in coronary arteries to drastically limit the required time and computational costs without a major drop in quality. We propose a novel approach to vFFR estimation by representing the input vessel geometry as a point cloud and utilizing the hybrid neural network that learns geometry representation based on both explicitly and implicitly given features. We evaluate the method from the clinical point of view and showcase that it can serve as a compelling replacement for commonly utilized CFD-based approaches.
• Abstract（参考訳）: 冠動脈疾患 (CAD) は、欧州連合と米国において最も多い死因の1つである。 診断における重要なバイオマーカーは、Frictional Flow Reserve (FFR) と呼ばれ、その生体内測定は、コロナグラフィーの形で侵襲的な診断技術によって得られる。 近年,術式に関連する侵襲的欠点に対処するために,新しいアプローチとして仮想FFR(vFFR)測定法が登場している。 この技術は、コンピュータ断層撮影血管造影(CTA)を用いてFFRの仮想測定値を得る。 計算流体力学(CFD:Computational Fluid Dynamics)を利用することで、従来の手法に代えて有望な内部シリカを提供するCTAデータからvFFR推定を導出することができる。 しかし、診断技術としてのCTAからのvFFRの普及は、時間と計算の要件という2つの大きな課題によって妨げられている。 本研究では,冠状動脈におけるvFFR推定のタスクにおいて,CFDエンジンモデルのシュロゲートとしてのディープラーニング技術の利用について検討し,品質の大幅な低下を伴わずに,必要な時間と計算コストを大幅に削減する。 本稿では,入力容器形状を点雲として表現し,明示的特徴と暗黙的特徴の両方に基づいて幾何表現を学習するハイブリッドニューラルネットワークを用いたvFFR推定手法を提案する。 本手法を臨床の観点から評価し,一般的に用いられているCFDの代替として有効であることを示す。

関連論文リスト

• FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
  心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。 機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。 本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
  論文  参考訳（メタデータ） (2024-10-28T02:24:01Z)
• 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)
• FeDETR: a Federated Approach for Stenosis Detection in Coronary Angiography [0.3823356975862007]
  冠動脈狭窄は心不全の根底にある因子である。 冠動脈病変の診断にはいくつかの欠点がある。 深層学習法は、FFR/iFR値の自動推定において、心臓科医を支援するために登場した。
  論文  参考訳（メタデータ） (2024-09-21T23:52:05Z)
• Enhancing Angular Resolution via Directionality Encoding and Geometric Constraints in Brain Diffusion Tensor Imaging [70.66500060987312]
  拡散強調画像(DWI)は、水分子の拡散率に感応した磁気共鳴イメージング(MRI)の一種である。 本研究はDirGeo-DTIを提案する。DirGeo-DTIは、勾配方向の最小理論数(6)で得られたDWIの集合からでも、信頼できるDTIメトリクスを推定する深層学習に基づく手法である。
  論文  参考訳（メタデータ） (2024-09-11T11:12:26Z)
• Deep Learning-Based Prediction of Fractional Flow Reserve along the Coronary Artery [0.0]
  機能性冠状動脈疾患(CAD)は,冠状動脈のプラーク蓄積が原因である。 機能的に重要な狭窄の存在を確立するための現在の基準は、侵襲的分画流量予備(FFR)測定である。 冠動脈造影(CCTA)によるFFRの非侵襲的予測が出現した。 CCTAスキャンを用いて,動脈のFFRを予測する深層学習法を提案する。
  論文  参考訳（メタデータ） (2023-08-09T12:45:18Z)
• 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)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• Interpretability of a Deep Learning Model in the Application of Cardiac MRI Segmentation with an ACDC Challenge Dataset [8.460936676149101]
  このプロジェクトは、crdiac構造をセグメント化するように訓練された深層ネットワークから、異なる心臓の状態を示す概念を発見できるかどうかを調べる。 本研究の貢献は,D-TCAV法を心臓MRIアナリシスに応用した新しい方法である。
  論文  参考訳（メタデータ） (2021-03-15T17:57:40Z)
• COVI-AgentSim: an Agent-based Model for Evaluating Methods of Digital Contact Tracing [68.68882022019272]
  COVI-AgentSimは、ウイルス学、病気の進行、社会的接触ネットワーク、移動パターンに基づくエージェントベースのコンパートメンタルシミュレータである。 1)バイナリテスト結果に基づいてバイナリレコメンデーションを割り当てる標準バイナリコンタクトトレース (BCT) と,2) 多様な特徴に基づいてグレードレベルのレコメンデーションを割り当てる特徴ベースコンタクトトレース (FCT) のルールベースの手法である。
  論文  参考訳（メタデータ） (2020-10-30T00:47:01Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)

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。