論文の概要: Tailoring Graph Neural Network-based Flow-guided Localization to Individual Bloodstreams and Activities

• arxiv url: http://arxiv.org/abs/2408.01239v2
• Date: Tue, 20 Aug 2024 11:12:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-21 19:00:29.722793
• Title: Tailoring Graph Neural Network-based Flow-guided Localization to Individual Bloodstreams and Activities
• Title（参考訳）: グラフニューラルネットワークによる個別血流と活動へのフロー誘導型位置決め
• Authors: Pablo Galván, Filip Lemic, Gerard Calvo Bartra, Sergi Abadal, Xavier Costa Pérez,
• Abstract要約: 血流中ナノデバイスを用いたフローガイドの局在化は,早期疾患の検出,生物状態の連続モニタリング,標的治療に有用であることが期待される。 ナノデバイスは、ローカライゼーション目的のために誤った生データを生成する、サイズと電力制約を呈する。 オンボディアンカーはこのデータを受信し、興味のある診断イベントの場所を導出する。
• 参考スコア（独自算出の注目度）: 12.879900371671754
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flow-guided localization using in-body nanodevices in the bloodstream is expected to be beneficial for early disease detection, continuous monitoring of biological conditions, and targeted treatment. The nanodevices face size and power constraints that produce erroneous raw data for localization purposes. On-body anchors receive this data, and use it to derive the locations of diagnostic events of interest. Different Machine Learning (ML) approaches have been recently proposed for this task, yet they are currently restricted to a reference bloodstream of a resting patient. As such, they are unable to deal with the physical diversity of patients' bloodstreams and cannot provide continuous monitoring due to changes in individual patient's activities. Toward addressing these issues for the current State-of-the-Art (SotA) flow-guided localization approach based on Graph Neural Networks (GNNs), we propose a pipeline for GNN adaptation based on individual physiological indicators including height, weight, and heart rate. Our results indicate that the proposed adaptions are beneficial in reconciling the individual differences between bloodstreams and activities.
• Abstract（参考訳）: 血流中ナノデバイスを用いたフローガイドの局在化は,早期疾患の検出,生物状態の連続モニタリング,標的治療に有用であることが期待される。 ナノデバイスは、ローカライゼーション目的のために誤った生データを生成する、サイズと電力制約を呈する。 オンボディアンカーはこのデータを受信し、興味のある診断イベントの場所を導出する。 さまざまな機械学習(ML)アプローチが最近提案されているが、現在は安静患者の基準血流に制限されている。 そのため、患者の血流の物理的多様性には対処できず、個々の患者の活動の変化による継続的なモニタリングもできない。 グラフニューラルネットワーク(GNN)をベースとした現状のフローガイド型ローカライズ手法であるSotA(State-of-the-Art)に対するこれらの課題に対処するために,身長,体重,心拍数などの個々の生理指標に基づくGNN適応のためのパイプラインを提案する。 以上の結果から,提案した適応は,血流と活動の個人差を和らげる上で有益であることが示唆された。

関連論文リスト

• Meta Flow Matching: Integrating Vector Fields on the Wasserstein Manifold [83.18058549195855]
  自然科学における複数の過程は、確率密度のワッサーシュタイン多様体上のベクトル場として表さなければならない。 特に、疾患の発生とその治療反応が患者固有の細胞の微小環境に依存するパーソナライズド医療において重要である。 本稿では,これらのベクトル場をワッサーシュタイン多様体上で積分するメタフローマッチング(Meta Flow Matching, MFM)を提案する。
  論文  参考訳（メタデータ） (2024-08-26T20:05:31Z)
• Physics-informed graph neural networks for flow field estimation in carotid arteries [2.0437999068326276]
  循環動態量は動脈硬化などの循環器疾患にとって貴重なバイオメディカルリスク因子である。 本研究では,機械学習を利用した血行動態場推定のための代理モデルを作成する。 私たちは、基礎となる対称性と物理に関する事前情報を含むグラフニューラルネットワークをトレーニングし、トレーニングに必要なデータ量を制限する。 このことは、物理インフォームドグラフニューラルネットワークを4次元フローMRIデータを用いてトレーニングすることで、見えない頸動脈領域の血流を推定できることを示している。
  論文  参考訳（メタデータ） (2024-08-13T13:09:28Z)
• Analytical Modelling of Raw Data for Flow-Guided In-body Nanoscale Localization [5.188841610098436]
  精密医療では、ナノデバイスは血流から病気の診断、治療、モニタリングを約束する。 現在のフロー誘導型ローカライゼーションアプローチは、通信能力とエネルギー関連能力に制約がある。 本研究では,フロー誘導型ローカライゼーションのための原料データの解析モデルを提案し,ナノデバイスの通信機能およびエネルギー関連機能として生データをモデル化する。
  論文  参考訳（メタデータ） (2023-09-27T21:26:01Z)
• Graph Neural Networks as an Enabler of Terahertz-based Flow-guided Nanoscale Localization over Highly Erroneous Raw Data [13.183137616254928]
  本稿では,フロー誘導型ローカライゼーションのための生データの解析モデルを提案する。 また,グラフニューラルネットワーク(GNN)をフロー誘導型ローカライゼーションパラダイムに統合する。
  論文  参考訳（メタデータ） (2023-07-09T09:08:38Z)
• Pain level and pain-related behaviour classification using GRU-based sparsely-connected RNNs [61.080598804629375]
  慢性的な痛みを持つ人は、特定の身体の動きを無意識に適応させ、怪我や追加の痛みから身を守る。 この相関関係を分析するための専用のベンチマークデータベースが存在しないため、日々の行動に影響を及ぼす可能性のある特定の状況の1つを検討した。 我々は、複数のオートエンコーダを組み込んだゲートリカレントユニット(GRU)と疎結合なリカレントニューラルネットワーク(s-RNN)のアンサンブルを提案した。 本手法は,痛みレベルと痛み関連行動の両方の分類において,最先端のアプローチよりも優れていることを示すいくつかの実験を行った。
  論文  参考訳（メタデータ） (2022-12-20T12:56:28Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• 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)
• Multiple Organ Failure Prediction with Classifier-Guided Generative Adversarial Imputation Networks [4.040013871160853]
  多臓器不全 (MOF) は集中治療室 (ICU) 患者の死亡率が高い重篤な症候群である。 機械学習モデルを電子健康記録に適用することは、欠落した値の広範性のために難しい。
  論文  参考訳（メタデータ） (2021-06-22T15:49:01Z)
• Health Status Prediction with Local-Global Heterogeneous Behavior Graph [69.99431339130105]
  ウェアラブルセンサから継続的に収集される各種データストリームにより、健康状態の推定が可能です。 行動関連マルチソースデータストリームをローカル・グローバル・グラフでモデル化することを提案する。 学生生活データセットを用いて実験を行い,提案モデルの有効性を実証した。
  論文  参考訳（メタデータ） (2021-03-23T11:10:04Z)
• Physics-informed neural networks for myocardial perfusion MRI quantification [3.318100528966778]
  本研究では, 心筋灌流MR定量化のための物理インフォームドニューラルネットワーク(PINN)を提案する。 PINNは、基礎となる物理保存法則を尊重しながら、観測された拡散MRデータに適合するように訓練することができる。
  論文  参考訳（メタデータ） (2020-11-25T16:02:52Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。