論文の概要: Graph Neural Network for Cerebral Blood Flow Prediction With Clinical Datasets

• arxiv url: http://arxiv.org/abs/2411.17971v1
• Date: Wed, 27 Nov 2024 01:01:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-28 15:27:39.997697
• Title: Graph Neural Network for Cerebral Blood Flow Prediction With Clinical Datasets
• Title（参考訳）: 臨床データを用いた脳血流予測のためのグラフニューラルネットワーク
• Authors: Seungyeon Kim, Wheesung Lee, Sung-Ho Ahn, Do-Eun Lee, Tae-Rin Lee,
• Abstract要約: 本稿では,これまで見つからなかった脳血管ネットワーク構造において,血流と血圧を予測するグラフニューラルネットワークを提案する。 GNNは狭窄患者の臨床データセットを用いて開発され、複雑で異常な血管の地形を特徴とする。
• 参考スコア（独自算出の注目度）: 4.346588763979967
• License:
• Abstract: Accurate prediction of cerebral blood flow is essential for the diagnosis and treatment of cerebrovascular diseases. Traditional computational methods, however, often incur significant computational costs, limiting their practicality in real-time clinical applications. This paper proposes a graph neural network (GNN) to predict blood flow and pressure in previously unseen cerebral vascular network structures that were not included in training data. The GNN was developed using clinical datasets from patients with stenosis, featuring complex and abnormal vascular geometries. Additionally, the GNN model was trained on data incorporating a wide range of inflow conditions, vessel topologies, and network connectivities to enhance its generalization capability. The approach achieved Pearson's correlation coefficients of 0.727 for pressure and 0.824 for flow rate, with sufficient training data. These findings demonstrate the potential of the GNN for real-time cerebrovascular diagnostics, particularly in handling intricate and pathological vascular networks.
• Abstract（参考訳）: 脳血管疾患の診断と治療には,脳血流の正確な予測が不可欠である。 しかし、従来の計算手法は、しばしばかなりの計算コストを発生させ、リアルタイム臨床応用における実用性を制限する。 本稿では、トレーニングデータに含まれていない未確認脳血管ネットワーク構造において、血流と圧力を予測するグラフニューラルネットワーク(GNN)を提案する。 GNNは狭窄患者の臨床データセットを用いて開発され、複雑で異常な血管の地形を特徴とする。 さらに、GNNモデルは、幅広いインフロー条件、船舶トポロジ、ネットワーク接続性を取り入れたデータに基づいて訓練され、その一般化能力が向上した。 この手法は、圧力0.727、流量0.824というピアソンの相関係数を十分なトレーニングデータで達成した。 以上の結果より, リアルタイム脳血管診断におけるGNNの有用性が示唆された。

関連論文リスト

• The Identification and Categorization of Anemia Through Artificial Neural Networks: A Comparative Analysis of Three Models [0.0]
  本稿では、貧血の診断と分類のための異なるニューラルネットワークベースのアルゴリズムを提案する。 提案したニューラルネットワークは、9つの入力(年齢、性別、RBC、HGB、HCT、MCV、MCH、MCHC、WBC)と1つの出力を含む。 多様な患者に対するシミュレーションの結果から,提案する人工ニューラルネットワークが疾患の存在を迅速かつ正確に検出できることが示されている。
  論文  参考訳（メタデータ） (2024-04-06T17:37:45Z)
• Graph data modelling for outcome prediction in oropharyngeal cancer patients [38.37247384790338]
  グラフニューラルネットワーク(GNN)は、疾患の分類と予後予測のタスクにおいて、医療分野でますます人気が高まっている。 口腔咽頭癌(OPC)患者の2次予後予測のためのインダクティブ・ラーニング・セットアップで検討した患者ハイパーグラフ・ネットワーク(PHGN)を提案する。
  論文  参考訳（メタデータ） (2023-10-04T16:09:35Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• PTGB: Pre-Train Graph Neural Networks for Brain Network Analysis [39.16619345610152]
  臨床結果に関係なく,脳内ネットワーク構造をキャプチャするGNN事前学習フレームワークPTGBを提案する。 PTGBは,(1)脳ネットワークに特化して設計された教師なし事前学習技術で,タスク固有のラベルを持たない大規模データセットからの学習を可能にすること,(2)異なるROIシステムを持つデータセット間の知識伝達を容易にするデータ駆動型パーセルレーションアトラスマッピングパイプラインである。
  論文  参考訳（メタデータ） (2023-05-20T21:07:47Z)
• Transferability of coVariance Neural Networks and Application to Interpretable Brain Age Prediction using Anatomical Features [119.45320143101381]
  グラフ畳み込みネットワーク(GCN)は、トポロジー駆動のグラフ畳み込み演算を利用して、推論タスクのためにグラフをまたいだ情報を結合する。 我々は、共分散行列をグラフとして、共分散ニューラルネットワーク(VNN)の形でGCNを研究した。 VNNは、GCNからスケールフリーなデータ処理アーキテクチャを継承し、ここでは、共分散行列が極限オブジェクトに収束するデータセットに対して、VNNが性能の転送可能性を示すことを示す。
  論文  参考訳（メタデータ） (2023-05-02T22:15:54Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Machine-Learning Identification of Hemodynamics in Coronary Arteries in the Presence of Stenosis [0.0]
  人工ニューラルネットワーク(ANN)モデルは、動脈ネットワーク内の圧力と速度を予測するために合成データを用いて訓練される。 モデルの有効性を3つの実測値を用いて検証した。
  論文  参考訳（メタデータ） (2021-11-02T23:51:06Z)
• 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)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• Finding Patient Zero: Learning Contagion Source with Graph Neural Networks [67.3415507211942]
  感染源の特定は、感染の感染経路に関する重要な洞察を与えることができる。 既存の方法はグラフ理論測度と高価なメッセージパッシングアルゴリズムを用いる。 グラフニューラルネットワーク(GNN)を用いてP0を学習し,この問題を再考する。
  論文  参考訳（メタデータ） (2020-06-21T21:12:44Z)
• Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
  本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。 本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。 我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
  論文  参考訳（メタデータ） (2020-06-16T18:45:20Z)

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。