論文の概要: Physics-informed neural network estimation of active material properties in time-dependent cardiac biomechanical models

• arxiv url: http://arxiv.org/abs/2505.03382v1
• Date: Tue, 06 May 2025 10:01:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:11.321012
• Title: Physics-informed neural network estimation of active material properties in time-dependent cardiac biomechanical models
• Title（参考訳）: 物理インフォームドニューラルネットワークによる時間依存型心臓生体力学モデルにおける活性物質特性の推定
• Authors: Matthias Höfler, Francesco Regazzoni, Stefano Pagani, Elias Karabelas, Christoph Augustin, Gundolf Haase, Gernot Plank, Federica Caforio,
• Abstract要約: 本研究では、時間依存型心臓生体力学モデルにおいて、アクティブな収縮性パラメーターを推定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(PINN)の適用について検討する。 我々は騒音や空間分解能の高い環境下で様々な活動的応力場を再構築することができる。 このアプローチは、心臓線維症の診断、治療計画、心臓状態の管理を大幅に改善する新たな経路を開く。
• 参考スコア（独自算出の注目度）: 2.8763745263714005
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Active stress models in cardiac biomechanics account for the mechanical deformation caused by muscle activity, thus providing a link between the electrophysiological and mechanical properties of the tissue. The accurate assessment of active stress parameters is fundamental for a precise understanding of myocardial function but remains difficult to achieve in a clinical setting, especially when only displacement and strain data from medical imaging modalities are available. This work investigates, through an in-silico study, the application of physics-informed neural networks (PINNs) for inferring active contractility parameters in time-dependent cardiac biomechanical models from these types of imaging data. In particular, by parametrising the sought state and parameter field with two neural networks, respectively, and formulating an energy minimisation problem to search for the optimal network parameters, we are able to reconstruct in various settings active stress fields in the presence of noise and with a high spatial resolution. To this end, we also advance the vanilla PINN learning algorithm with the use of adaptive weighting schemes, ad-hoc regularisation strategies, Fourier features, and suitable network architectures. In addition, we thoroughly analyse the influence of the loss weights in the reconstruction of active stress parameters. Finally, we apply the method to the characterisation of tissue inhomogeneities and detection of fibrotic scars in myocardial tissue. This approach opens a new pathway to significantly improve the diagnosis, treatment planning, and management of heart conditions associated with cardiac fibrosis.
• Abstract（参考訳）: 心臓バイオメカニクスのアクティブストレスモデルでは、筋活動による機械的変形が説明され、組織の電気生理学的特性と機械的特性の関連が説明される。 活動的ストレスパラメータの正確な評価は、心筋機能の正確な理解には不可欠であるが、臨床環境では、特に医療画像モダリティからの変位データとひずみデータしか得られない場合は、達成が困難である。 この研究は、物理インフォームドニューラルネットワーク(PINN)を用いて、これらのタイプのイメージングデータから、時間依存の心臓生体力学モデルにおいて、アクティブな収縮性パラメーターを推定する。 特に、探索状態とパラメータフィールドを2つのニューラルネットワークでパラメトリし、最適なネットワークパラメータを探索するためのエネルギー最小化問題を定式化することにより、ノイズや空間分解能の高い様々な設定のアクティブストレスフィールドを再構築することができる。 この目的のために、適応重み付け方式、アドホック正規化戦略、フーリエ機能、適切なネットワークアーキテクチャを用いて、バニラPINN学習アルゴリズムを前進させる。 また,アクティブストレスパラメータの再構成における損失重みの影響を徹底的に分析した。 最後に, 心筋組織の組織不均一性と線維性亀裂の検出に本法を適用した。 このアプローチは、心臓線維症の診断、治療計画、心臓状態の管理を大幅に改善する新たな経路を開く。

関連論文リスト

• Leveraging Cardiovascular Simulations for In-Vivo Prediction of Cardiac Biomarkers [43.17768785084301]
  我々は、新たに構築された心臓シミュレーションの大規模なデータセットに基づいて、無傷神経後部推定器を訓練する。 シミュレーションデータと実世界の測定値との整合性を改善するために,要素モデリング効果を取り入れた。 提案するフレームワークは,実世界のデータに対する予測能力を向上するために,インバイブなデータソースをさらに統合することができる。
  論文  参考訳（メタデータ） (2024-12-23T13:05:17Z)
• An Optimization Framework to Personalize Passive Cardiac Mechanics [1.3127539363517526]
  本研究は、心臓組織の受動力学的特性を推定する逆有限要素解析(iFEA)フレームワークを提案する。 受動的機械的挙動を特徴づけることに焦点をあて、このフレームワークは構造に基づく異方性超弾性モデルを採用している。 本フレームワークは,心相分解CT画像から得られた胆道および左房の心筋モデルを用いて検討した。
  論文  参考訳（メタデータ） (2024-04-03T15:23:17Z)
• Physics-informed Neural Network Estimation of Material Properties in Soft Tissue Nonlinear Biomechanical Models [2.8763745263714005]
  物理インフォームドニューラルネットワーク(PINN)と3次元軟組織非線形生体力学モデルを組み合わせた新しいアプローチを提案する。 提案した学習アルゴリズムは、限られた量の変位から情報を符号化し、場合によっては、臨床環境で日常的に取得できる歪みデータを符号化する。 提案手法の精度とロバスト性を示すために,いくつかのベンチマークを行った。
  論文  参考訳（メタデータ） (2023-12-15T13:41:20Z)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• Video-based Remote Physiological Measurement via Cross-verified Feature Disentangling [121.50704279659253]
  非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。 次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。 歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
  論文  参考訳（メタデータ） (2020-07-16T09:39:17Z)

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。