論文の概要: Full-field surrogate modeling of cardiac function encoding geometric variability
- arxiv url: http://arxiv.org/abs/2504.20479v1
- Date: Tue, 29 Apr 2025 07:22:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:54.783221
- Title: Full-field surrogate modeling of cardiac function encoding geometric variability
- Title（参考訳）: 幾何学的変動をコードする心機能のフルフィールドサロゲートモデリング
- Authors: Elena Martinez, Beatrice Moscoloni, Matteo Salvador, Fanwei Kong, Mathias Peirlinck, Alison Lesley Marsden,
- Abstract要約: 本研究では,心臓解剖学をフルフィールドサロゲートモデルに組み込む新しい計算パイプラインを提案する。
我々は,物理シミュレーションから抽出した活性化マップをニューラルネットワークに符号化するために,分岐潜時ニューラルネットワーク(BLNMs)を有効な科学的機械学習手法として用いた。
我々のサロゲートモデルは、複雑な患者コホートにまたがるロバスト性と大きな一般化を示し、平均2乗誤差0.0034を達成する。
- 参考スコア（独自算出の注目度）: 1.3643562541556224
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Combining physics-based modeling with data-driven methods is critical to enabling the translation of computational methods to clinical use in cardiology. The use of rigorous differential equations combined with machine learning tools allows for model personalization with uncertainty quantification in time frames compatible with clinical practice. However, accurate and efficient surrogate models of cardiac function, built from physics-based numerical simulation, are still mostly geometry-specific and require retraining for different patients and pathological conditions. We propose a novel computational pipeline to embed cardiac anatomies into full-field surrogate models. We generate a dataset of electrophysiology simulations using a complex multi-scale mathematical model coupling partial and ordinary differential equations. We adopt Branched Latent Neural Maps (BLNMs) as an effective scientific machine learning method to encode activation maps extracted from physics-based numerical simulations into a neural network. Leveraging large deformation diffeomorphic metric mappings, we build a biventricular anatomical atlas and parametrize the anatomical variability of a small and challenging cohort of 13 pediatric patients affected by Tetralogy of Fallot. We propose a novel statistical shape modeling based z-score sampling approach to generate a new synthetic cohort of 52 biventricular geometries that are compatible with the original geometrical variability. This synthetic cohort acts as the training set for BLNMs. Our surrogate model demonstrates robustness and great generalization across the complex original patient cohort, achieving an average adimensional mean squared error of 0.0034. The Python implementation of our BLNM model is publicly available under MIT License at https://github.com/StanfordCBCL/BLNM.
- Abstract（参考訳）: 物理に基づくモデリングとデータ駆動手法を組み合わせることは、心臓医学における臨床利用への計算手法の変換を可能にするために重要である。
厳密な微分方程式と機械学習ツールを組み合わせることで、臨床実践と互換性のある時間枠における不確実な定量化を伴うモデルパーソナライゼーションが可能になる。
しかし、物理に基づく数値シミュレーションから構築された心臓機能の高精度かつ効率的な代理モデルはほとんどが幾何学的特有であり、異なる患者や病態に対する再訓練を必要としている。
本研究では,心臓解剖学をフルフィールドサロゲートモデルに組み込む新しい計算パイプラインを提案する。
我々は、偏微分方程式と常微分方程式を結合した複雑な多スケール数学モデルを用いて、電気生理学的シミュレーションのデータセットを生成する。
我々は,物理シミュレーションから抽出した活性化マップをニューラルネットワークに符号化するために,分岐潜時ニューラルネットワーク(BLNMs)を有効な科学的機械学習手法として採用した。
両心室性解剖学的アトラスを作製し,Fowtのテトラロジーに影響を及ぼす13名の小児小・難治性コホートの解剖学的変動をパラメトリズした。
本稿では, 統計的形状モデリングに基づく新しいzスコアサンプリング手法を提案し, 元の幾何学的変数に適合する52の両心室ジオメトリーからなる新しい合成コホートを生成する。
この合成コホートはBLNMのトレーニングセットとして機能する。
我々の代理モデルでは、複雑な患者コホート全体にわたって頑健さと大きな一般化を示し、平均1次元平均2乗誤差0.0034を達成している。
BLNMモデルのPython実装は、MIT Licenseでhttps://github.com/StanfordCBCL/BLNMで公開されている。
関連論文リスト
- A Hybrid CNN-Transformer Model for Heart Disease Prediction Using Life History Data [4.043923997825091]
本研究では、畳み込みニューラルネットワーク(CNN)とトランスフォーマーのハイブリッドモデルを用いて、心臓疾患の予測と診断を行う。
局所的な特徴を検出するCNNの強みとグローバルな関係を感知するトランスフォーマーの高能力に基づいて、このモデルは心臓病の危険因子を検出することができる。
論文 参考訳（メタデータ） (2025-03-03T23:12:55Z) - Multi-Parameter Molecular MRI Quantification using Physics-Informed Self-Supervised Learning [0.0]
常微分方程式(ODE)モデルを用いてパラメータ抽出逆問題の解法を提案する。
これは、数値ODEソルバをステップワイズ解析として機能させ、自動微分に基づく最適化と互換性を持たせることで実現される。
The neural-network-based train-by-fit pipeline was used to Quantify semisolid magnetization transfer (MT) and chemical exchange saturation transfer (CEST) amide proton exchange parameters in the human brain。
論文 参考訳（メタデータ） (2024-11-10T12:40:33Z) - Physically recurrent neural network for rate and path-dependent heterogeneous materials in a finite strain framework [0.0]
不均一物質のマイクロスケール解析のためのハイブリッド物理に基づくデータ駆動サロゲートモデルについて検討した。
提案したモデルは、ニューラルネットワークにそれらを埋め込むことで、フルオーダーのマイクロモデルで使用されるモデルに含まれる物理に基づく知識の恩恵を受ける。
論文 参考訳（メタデータ） (2024-04-05T12:40:03Z) - A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)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-リガンド結合ダイナミクス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。
従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,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) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Data-driven reduced-order modelling for blood flow simulations with
geometry-informed snapshots [0.0]
類似しているが異なる領域における血流シミュレーションの効率的な予測法として,データ駆動サロゲートモデルを提案する。
幾何パラメータに対する非侵入的還元次数モデルが適切な分解を用いて構築される。
ラジアル基底関数補間器は、縮小順序モデルの縮小係数を予測するために訓練される。
論文 参考訳（メタデータ） (2023-02-21T21:18:17Z) - Conditional Generative Models for Simulation of EMG During Naturalistic
Movements [45.698312905115955]
本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。
本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
論文 参考訳（メタデータ） (2022-11-03T14:49:02Z) - 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) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳（メタデータ） (2021-06-25T20:09:23Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳（メタデータ） (2021-06-05T01:31:51Z)
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。