論文の概要: Geometry adaptive waveformer for cardio-vascular modeling

• arxiv url: http://arxiv.org/abs/2503.17505v1
• Date: Fri, 21 Mar 2025 19:35:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 16:32:16.681085
• Title: Geometry adaptive waveformer for cardio-vascular modeling
• Title（参考訳）: 心血管モデリングのための幾何適応波形変換器
• Authors: Navaneeth N, Souvik Chakraborty,
• Abstract要約: 心血管系における血流動態を予測するための幾何適応型波形変換器モデルを提案する。 フレームワークは、ジオメトリエンコーダ、ジオメトリデコーダ、ウェーブフォーマの3つのコンポーネントで構成されている。 各種心血管データに対するアプローチの有効性について検討した。
• 参考スコア（独自算出の注目度）: 0.9208007322096533
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Modeling cardiovascular anatomies poses a significant challenge due to their complex, irregular structures and inherent pathological conditions. Numerical simulations, while accurate, are often computationally expensive, limiting their practicality in clinical settings. Traditional machine learning methods, on the other hand, often struggle with some major hurdles, including high dimensionality of the inputs, inability to effectively work with irregular grids, and preserving the time dependencies of responses in dynamic problems. In response to these challenges, we propose a geometry adaptive waveformer model to predict blood flow dynamics in the cardiovascular system. The framework is primarily composed of three components: a geometry encoder, a geometry decoder, and a waveformer. The encoder transforms input defined on the irregular domain to a regular domain using a graph operator-based network and signed distance functions. The waveformer operates on the transformed field on the irregular grid. Finally, the decoder reverses this process, transforming the output from the regular grid back to the physical space. We evaluate the efficacy of the approach on different sets of cardiovascular data.
• Abstract（参考訳）: 心血管系解剖学のモデル化は、その複雑で不規則な構造と固有の病理状態のために大きな課題となる。 数値シミュレーションは正確ではあるが、しばしば計算コストが高く、臨床環境での実用性を制限する。 一方、従来の機械学習手法は、入力の高次元性、不規則なグリッドを効果的に扱えないこと、動的問題における応答の時間依存性の保存など、いくつかの大きなハードルと苦労することが多い。 これらの課題に対応するため,循環器系における血流動態を予測するための幾何適応型波形変換器モデルを提案する。 フレームワークは主に、幾何学エンコーダ、幾何学デコーダ、波形フォーマの3つのコンポーネントで構成されている。 エンコーダは、不規則領域で定義された入力を、グラフ演算子ベースのネットワークと符号付き距離関数を用いて正規領域に変換する。 波形変換器は、不規則グリッド上の変換フィールドで動作する。 最後に、デコーダはこの処理を反転させ、正規グリッドからの出力を物理空間に戻す。 各種心血管データに対するアプローチの有効性について検討した。

関連論文リスト

• Non-Invasive Reconstruction of Cardiac Activation Dynamics Using Physics-Informed Neural Networks [0.0]
  心活性化パターンを回復するための物理インフォームドニューラルネットワークフレームワークを提案する。 提案手法は, 非線形異方性モデリング, 不均一繊維配向, 支配力学の弱い定式化, 有限要素損失関数を統合して, 物理的制約を直接トレーニングに埋め込む。
  論文  参考訳（メタデータ） (2026-03-04T08:33:16Z)
• Shape-informed cardiac mechanics surrogates in data-scarce regimes via geometric encoding and generative augmentation [3.03918153717041]
  代理モデルはシミュレーションを加速することができるが、多様な解剖学における一般化は困難である。 物理応答の学習から幾何学的表現を分離する2段階の枠組みを提案する。 提案手法は, 正確な予測と非可視測地への一般化を可能にする。
  論文  参考訳（メタデータ） (2026-02-23T19:40:55Z)
• Towards Deep Learning Surrogate for the Forward Problem in Electrocardiology: A Scalable Alternative to Physics-Based Models [0.0]
  心電学における前向き問題、心臓電気活動による体表面電位の計算は、伝統的に物理学に基づくモデルを用いて解決される。 本稿では,フォワードソルバの効率的なサロゲートとして,概念深層学習(DL)フレームワークを提案する。 2次元組織シミュレーションを用いて, 健全性, 線維性, ギャップ結合を再現し, 高精度なモデルを構築した。
  論文  参考訳（メタデータ） (2025-12-15T15:09:53Z)
• Accelerating 3D Photoacoustic Computed Tomography with End-to-End Physics-Aware Neural Operators [74.65171736966131]
  光音響計算トモグラフィ(PACT)は、光コントラストと超音波分解能を組み合わせることで、光拡散限界を超える深部像を実現する。 現在の実装では、高密度トランスデューサアレイと長い取得時間を必要とし、臨床翻訳を制限している。 本研究では,センサ計測からボリューム再構成まで,逆音響マッピングを直接学習する物理認識モデルであるPanoを紹介する。
  論文  参考訳（メタデータ） (2025-09-11T23:12:55Z)
• Physics-constrained coupled neural differential equations for one dimensional blood flow modeling [0.3749861135832073]
  計算心血管モデリングは、血流動態を理解する上で重要な役割を担っている。 有限要素法(FEM)に基づく従来の1次元モデルは、3次元平均解に比べて精度が低いことが多い。 本研究では1次元血流モデルの精度を向上させる物理制約付き機械学習手法を提案する。
  論文  参考訳（メタデータ） (2024-11-08T15:22:20Z)
• A personalized time-resolved 3D mesh generative model for unveiling normal heart dynamics [6.6350578770951385]
  心臓左室の形状と運動パターンの分布を学習するための条件付き生成モデルであるMeshHeartを開発した。 MeshHeartに基づいて、3D+t心筋メッシュ配列の潜時空間を調査し、そのパーソナライズされた規範パターンから実際の心臓の偏差を定量化する距離距離測度である潜時デルタを提案する。
  論文  参考訳（メタデータ） (2024-09-20T18:08:37Z)
• WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
  深部画像登録は異常な精度と高速な推測を示した。 近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。 本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
  論文  参考訳（メタデータ） (2024-07-18T11:51:01Z)
• Non-Rigid Shape Registration via Deep Functional Maps Prior [1.9249120068573227]
  本研究では,非剛体形状登録のための学習ベースフレームワークを提案する。 我々は、高次元埋め込みによって誘導される対応によって誘導されるターゲットポイントクラウドに向かって、ソースメッシュを変形する。 我々のパイプラインは、厳密でないクラウドマッチングのいくつかのベンチマークで最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-11-08T06:52:57Z)
• General Neural Gauge Fields [100.35916421218101]
  我々はゲージ変換とニューラルネットワークを協調的に最適化する学習フレームワークを開発した。 我々は、シーン情報を本質的に保存し、優れた性能を得ることができる情報不変ゲージ変換を導出する。
  論文  参考訳（メタデータ） (2023-05-05T12:08:57Z)
• Online Learning of Wheel Odometry Correction for Mobile Robots with Attention-based Neural Network [63.8376359764052]
  現代のロボットプラットフォームは、人間の横で毎日運用するために、信頼性の高いローカライゼーションシステムを必要としている。 フィルタされた車輪と慣性オドメトリーに基づく単純なポーズ推定アルゴリズムは、急激なキネマティックな変化とホイールスリップの存在下で失敗することが多い。 本稿では,車輪形状補正のための革新的なオンライン学習手法を提案し,ロバストなマルチソースローカライゼーションシステムを提案する。
  論文  参考訳（メタデータ） (2023-03-21T10:30:31Z)
• Deep learning-based surrogate model for 3-D patient-specific computational fluid dynamics [6.905238157628892]
  任意の複雑な3次元幾何学の入力空間をパラメータ化することは、非常に難しい。 本稿では,これらの課題に対処し,迅速な血行動態予測を可能にするための新しいディープラーニング・サロゲート・モデリング・ソリューションを提案する。
  論文  参考訳（メタデータ） (2022-04-11T17:34:51Z)
• Implicit field supervision for robust non-rigid shape matching [29.7672368261038]
  2つの非剛性変形形状の対応を確立することは、ビジュアルコンピューティングにおける最も基本的な問題の1つである。 固定テンプレート上で連続的な形状の変形場を学習する自動デコーダフレームワークに基づく手法を提案する。 本手法は強い人工物の存在下では極めて堅牢であり,任意の形状のカテゴリに一般化することができる。
  論文  参考訳（メタデータ） (2022-03-15T07:22:52Z)
• Learning Skeletal Articulations with Neural Blend Shapes [57.879030623284216]
  あらかじめ定義された骨格構造を有するエンベロープを用いて3次元文字を表現できるニューラルテクニックを開発している。 我々のフレームワークは、同じ調音構造を持つリグとスキンキャラクタを学習する。 関節領域の変形品質を向上させるニューラルブレンディング形状を提案します。
  論文  参考訳（メタデータ） (2021-05-06T05:58:13Z)
• gradSim: Differentiable simulation for system identification and visuomotor control [66.37288629125996]
  本稿では,微分可能マルチフィジカルシミュレーションと微分可能レンダリングを活用し,3次元監督への依存を克服するフレームワークであるgradsimを提案する。 当社の統合グラフは、状態ベースの(3D)監督に頼ることなく、挑戦的なバイスモメータ制御タスクで学習を可能にします。
  論文  参考訳（メタデータ） (2021-04-06T16:32:01Z)
• Problems of representation of electrocardiograms in convolutional neural networks [58.720142291102135]
  これらの問題は本質的に体系的であることを示す。 これらは、畳み込みネットワークが複合オブジェクトでどのように機能するかに起因するが、その一部は厳格に固定されていないが、大きな移動性を持っている。
  論文  参考訳（メタデータ） (2020-12-01T14:02:06Z)
• Hamiltonian Dynamics for Real-World Shape Interpolation [66.47407593823208]
  我々は3次元形状の古典的問題を再考し、ハミルトン力学に基づく新しい物理的に妥当なアプローチを提案する。 本手法は, 中間形状を正確に保存し, 自己切断を回避し, 高分解能スキャンにスケーラブルである。
  論文  参考訳（メタデータ） (2020-04-10T18:38:52Z)

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。