論文の概要: Don't You (Project Around Discs)? Neural Network Surrogate and Projected Gradient Descent for Calibrating an Intervertebral Disc Finite Element Model

• arxiv url: http://arxiv.org/abs/2408.06067v1
• Date: Mon, 12 Aug 2024 11:39:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-13 14:25:27.666661
• Title: Don't You (Project Around Discs)? Neural Network Surrogate and Projected Gradient Descent for Calibrating an Intervertebral Disc Finite Element Model
• Title（参考訳）: 円盤周りの計画)? 椎間板有限要素モデルのキャリブレーションのためのニューラルネットワークサロゲートと投射勾配
• Authors: Matan Atad, Gabriel Gruber, Marx Ribeiro, Luis Fernando Nicolini, Robert Graf, Hendrik Möller, Kati Nispel, Ivan Ezhov, Daniel Rueckert, Jan S. Kirschke,
• Abstract要約: 本研究では,ニューラルネットワーク(NN)サロゲートを用いたL4-L5 IVD FEモデルに対して,新しい,効率的かつ効果的なキャリブレーション手法を提案する。 NNサロゲートはシミュレーションの結果を高精度に予測し、他の機械学習モデルより優れている。 従来のキャリブレーションでは1サンプルにつき最大8日, キャリブレーション時間を3秒未満に短縮する。
• 参考スコア（独自算出の注目度）: 9.456474817418703
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate calibration of finite element (FE) models of human intervertebral discs (IVDs) is essential for their reliability and application in diagnosing and planning treatments for spinal conditions. Traditional calibration methods are computationally intensive, requiring iterative, derivative-free optimization algorithms that often take hours or days to converge. This study addresses these challenges by introducing a novel, efficient, and effective calibration method for an L4-L5 IVD FE model using a neural network (NN) surrogate. The NN surrogate predicts simulation outcomes with high accuracy, outperforming other machine learning models, and significantly reduces the computational cost associated with traditional FE simulations. Next, a Projected Gradient Descent (PGD) approach guided by gradients of the NN surrogate is proposed to efficiently calibrate FE models. Our method explicitly enforces feasibility with a projection step, thus maintaining material bounds throughout the optimization process. The proposed method is evaluated against state-of-the-art Genetic Algorithm (GA) and inverse model baselines on synthetic and in vitro experimental datasets. Our approach demonstrates superior performance on synthetic data, achieving a Mean Absolute Error (MAE) of 0.06 compared to the baselines' MAE of 0.18 and 0.54, respectively. On experimental specimens, our method outperforms the baseline in 5 out of 6 cases. Most importantly, our approach reduces calibration time to under three seconds, compared to up to 8 days per sample required by traditional calibration. Such efficiency paves the way for applying more complex FE models, enabling accurate patient-specific simulations and advancing spinal treatment planning.
• Abstract（参考訳）: ヒト椎間板(IVD)の有限要素モデル(FE)の正確な校正は、その信頼性と脊椎疾患の診断および計画治療への応用に不可欠である。 従来のキャリブレーション法は計算集約的であり、収束するのに数時間や数日を要する反復的な微分自由最適化アルゴリズムを必要とする。 本研究では,ニューラルネットワーク(NN)サロゲートを用いたL4-L5 IVD FEモデルに対して,新しい,効率的かつ効果的なキャリブレーション手法を導入することで,これらの課題に対処する。 NNサロゲートは、シミュレーション結果を高精度に予測し、他の機械学習モデルより優れ、従来のFEシミュレーションに関連する計算コストを大幅に削減する。 次に、NNサロゲートの勾配に導かれるプロジェクテッド・グラディエント・ディフレッシュ(PGD)アプローチを提案し、FEモデルを効率的にキャリブレーションする。 提案手法は, 投射工程による実現可能性を明確に強制し, 最適化プロセス全体を通して材料境界を維持する。 提案手法は, 合成およびin vitro実験データセットに基づいて, 最先端の遺伝的アルゴリズム(GA)と逆モデルベースラインに対して評価する。 提案手法は, 平均絶対誤差(MAE)が0.06であるのに対し, ベースラインのMAEは0.18, 0.54であった。 実験例では,6例中5例において,本法は基準値よりも優れていた。 最も重要なのは、従来のキャリブレーションで必要とされるサンプルにつき最大8日に対して、キャリブレーション時間を3秒未満に短縮することです。 このような効率性は、より複雑なFEモデルを適用し、正確な患者固有のシミュレーションを可能にし、脊椎治療計画を進めるための道を開く。

関連論文リスト

• Achieving Well-Informed Decision-Making in Drug Discovery: A Comprehensive Calibration Study using Neural Network-Based Structure-Activity Models [4.619907534483781]
  薬物と標的の相互作用を予測する計算モデルは、新しい治療薬の開発を加速するための貴重なツールである。 しかし、そのようなモデルはキャリブレーションが不十分であり、信頼性の低い不確実性推定をもたらす。 本研究では,ポストホックキャリブレーション法と不確実な定量化手法を組み合わせることで,モデルの精度とキャリブレーションを向上できることを示す。
  論文  参考訳（メタデータ） (2024-07-19T10:29:00Z)
• AI enhanced data assimilation and uncertainty quantification applied to Geological Carbon Storage [0.0]
  本稿では,Surrogate-based hybrid ESMDA (SH-ESMDA)を導入し,Surrogate-based hybrid ESMDA (SH-ESMDA)について述べる。 また,SurrogateをベースとしたHybrid RML(SH-RML)も導入する。 以上の結果より,SH-RMLは従来のESMDAと比較して不確実性が高いことが示唆された。
  論文  参考訳（メタデータ） (2024-02-09T00:24:46Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [74.93549765488103]
  薬物発見において、分子動力学シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合の正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
  ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。 GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
  論文  参考訳（メタデータ） (2023-11-05T11:48:08Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Instance-based Learning with Prototype Reduction for Real-Time Proportional Myocontrol: A Randomized User Study Demonstrating Accuracy-preserving Data Reduction for Prosthetic Embedded Systems [0.0]
  本研究は, 義肢制御におけるジェスチャー検出のためのkNNスキームに基づく学習手法の設計, 実装, 検証を行う。 8チャンネルSEMGアームバンドを用いて,パラメータ化と比例スキームの変化の影響を解析した。
  論文  参考訳（メタデータ） (2023-08-21T20:15:35Z)
• An Optimization-based Deep Equilibrium Model for Hyperspectral Image Deconvolution with Convergence Guarantees [71.57324258813675]
  本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。 新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。 導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
  論文  参考訳（メタデータ） (2023-06-10T08:25:16Z)
• Post-training Model Quantization Using GANs for Synthetic Data Generation [57.40733249681334]
  量子化法における実データを用いたキャリブレーションの代用として合成データを用いた場合について検討する。 本稿では,StyleGAN2-ADAが生成したデータと事前学習したDiStyleGANを用いて定量化したモデルの性能と,実データを用いた量子化とフラクタル画像に基づく代替データ生成手法との比較を行った。
  論文  参考訳（メタデータ） (2023-05-10T11:10:09Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• Transfer learning driven design optimization for inertial confinement fusion [0.0]
  伝達学習は、シミュレーションと実験データを共通のフレームワークに組み込む予測モデルを作成するための有望なアプローチである。 従来のモデルキャリブレーション手法よりも設計を最適化する方が効率的であることを示す。
  論文  参考訳（メタデータ） (2022-05-26T17:38:57Z)
• Highly efficient reliability analysis of anisotropic heterogeneous slopes: Machine Learning aided Monte Carlo method [0.0]
  本稿では,高効率な機械学習支援信頼性手法を提案する。 モンテカルロ(MC)の信頼性調査の結果を正確に予測できるが、500倍高速である。 提案手法は,研究に必要な計算時間を306日から14時間に短縮し,効率を500倍に向上させる。
  論文  参考訳（メタデータ） (2022-04-04T16:28:53Z)

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。