論文の概要: Learning Hemodynamic Scalar Fields on Coronary Artery Meshes: A Benchmark of Geometric Deep Learning Models

• arxiv url: http://arxiv.org/abs/2501.09046v2
• Date: Thu, 23 Jan 2025 14:18:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 15:56:30.326466
• Title: Learning Hemodynamic Scalar Fields on Coronary Artery Meshes: A Benchmark of Geometric Deep Learning Models
• Title（参考訳）: 冠状動脈メッシュを用いた血行動態スカラーフィールドの学習:幾何学的深層学習モデルのベンチマーク
• Authors: Guido Nannini, Julian Suk, Patryk Rygiel, Simone Saitta, Luca Mariani, Riccardo Maragna, Andrea Baggiano, Gianluca Pontone, Jelmer M. Wolterink, Alberto Redaelli,
• Abstract要約: 本研究は、冠状動脈のvFFR領域をCFDサロゲートとして予測するための様々なバックエンドを実験的に分析する。 トランスフォーマーベースのバックエンドは、圧力とvFFRフィールドを予測する場合、他のバックエンドよりも優れていた。 圧力降下は、圧力関連分野を学習するための最適ネットワーク出力として同定された。
• 参考スコア（独自算出の注目度）: 1.3196614121413786
• License:
• Abstract: Coronary artery disease, caused by the narrowing of coronary vessels due to atherosclerosis, is the leading cause of death worldwide. The diagnostic gold standard, fractional flow reserve (FFR), measures the trans-stenotic pressure ratio during maximal vasodilation but is invasive and costly. This has driven the development of virtual FFR (vFFR) using computational fluid dynamics (CFD) to simulate coronary flow. Geometric deep learning algorithms have shown promise for learning features on meshes, including cardiovascular research applications. This study empirically analyzes various backends for predicting vFFR fields in coronary arteries as CFD surrogates, comparing six backends for learning hemodynamics on meshes using CFD solutions as ground truth. The study has two parts: i) Using 1,500 synthetic left coronary artery bifurcations, models were trained to predict pressure-related fields for vFFR reconstruction, comparing different learning variables. ii) Using 427 patient-specific CFD simulations, experiments were repeated focusing on the best-performing learning variable from the synthetic dataset. Most backends performed well on the synthetic dataset, especially when predicting pressure drop over the manifold. Transformer-based backends outperformed others when predicting pressure and vFFR fields and were the only models achieving strong performance on patient-specific data, excelling in both average per-point error and vFFR accuracy in stenotic lesions. These results suggest geometric deep learning backends can effectively replace CFD for simple geometries, while transformer-based networks are superior for complex, heterogeneous datasets. Pressure drop was identified as the optimal network output for learning pressure-related fields.
• Abstract（参考訳）: 冠動脈疾患は、動脈硬化による冠動脈の狭窄が原因であり、世界中で死因となっている。 診断用金基準である分画流量予備区(FFR)は、最大血管拡張時の経狭窄圧比を測定するが、侵襲的でコストがかかる。 これにより、計算流体力学(CFD)を用いて冠血流をシミュレートする仮想FFR(vFFR)の開発が進められた。 幾何学的ディープラーニングアルゴリズムは、心臓血管研究アプリケーションを含むメッシュ上での学習機能を約束している。 本研究は,冠動脈内のvFFR領域をCFDサロゲートとして予測するための様々なバックエンドを実験的に分析し,CFD溶液を基底としてメッシュ上での血行動態を学習するための6つのバックエンドを比較した。 研究には2つの部分がある。 一 1500個の左冠状動脈分岐術を用いて、異なる学習変数を比較して、vFFR再建のための圧力関連分野を予測するモデルを訓練した。 2) 427人の患者固有のCFDシミュレーションを用いて, 実験は, 合成データセットから最も優れた学習変数に着目した。 ほとんどのバックエンドは、特に多様体上の圧力降下を予測する際に、合成データセット上でうまく機能した。 トランスフォーマーベースのバックエンドは、圧力とvFFRフィールドを予測するときに他よりも優れており、狭窄病変における平均点当たり誤差とvFFR精度の両方で優れた、患者固有のデータに対して強力なパフォーマンスを達成する唯一のモデルであった。 これらの結果は,変圧器に基づくネットワークが複雑で異質なデータセットよりも優れているのに対して,幾何学的深層学習バックエンドは単純なジオメトリにCFDを効果的に置き換えることができることを示唆している。 圧力降下は、圧力関連分野を学習するための最適ネットワーク出力として同定された。

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)
• Estimation of FFR in coronary arteries with deep learning [0.0]
  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。
  論文  参考訳（メタデータ） (2024-04-06T12:24:02Z)
• 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)
• 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)
• 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)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• 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)
• Auto-FedRL: Federated Hyperparameter Optimization for Multi-institutional Medical Image Segmentation [48.821062916381685]
  Federated Learning(FL)は、明示的なデータ共有を避けながら協調的なモデルトレーニングを可能にする分散機械学習技術である。 本稿では,Auto-FedRLと呼ばれる,効率的な強化学習(RL)に基づくフェデレーションハイパーパラメータ最適化アルゴリズムを提案する。 提案手法の有効性は,CIFAR-10データセットと2つの実世界の医用画像セグメンテーションデータセットの不均一なデータ分割に対して検証される。
  論文  参考訳（メタデータ） (2022-03-12T04:11:42Z)
• Flexible Amortized Variational Inference in qBOLD MRI [56.4324135502282]
  データから酸素抽出率(OEF)と脱酸素血液量(DBV)をより明瞭に決定する。 既存の推論手法では、DBVを過大評価しながら非常にノイズの多い、過小評価されたEFマップが得られる傾向にある。 本研究は, OEFとDBVの可算分布を推定できる確率論的機械学習手法について述べる。
  論文  参考訳（メタデータ） (2022-03-11T10:47:16Z)
• Modeling and Predicting Blood Flow Characteristics through Double Stenosed Artery from CFD simulation using Deep Learning Models [0.0]
  我々は、単純化された二重狭窄動脈モデルのCFDシミュレーションにより生成されたデータセットを用いて、深層学習モデルを訓練し、血流特性を学習し、予測する。 一般化された単純化されたモデルの観点から、制限された首の幾何学的表現が提案され、以前の仮定よりも優れていた。
  論文  参考訳（メタデータ） (2021-12-04T11:16:28Z)
• 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)

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。