論文の概要: IMC-PINN-FE: A Physics-Informed Neural Network for Patient-Specific Left Ventricular Finite Element Modeling with Image Motion Consistency and Biomechanical Parameter Estimation

• arxiv url: http://arxiv.org/abs/2506.20696v1
• Date: Wed, 25 Jun 2025 11:37:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 19:53:09.822754
• Title: IMC-PINN-FE: A Physics-Informed Neural Network for Patient-Specific Left Ventricular Finite Element Modeling with Image Motion Consistency and Biomechanical Parameter Estimation
• Title（参考訳）: IMC-PINN-FE:画像運動一貫性と生体力学的パラメータ推定を用いた左室有限要素モデリングのための物理インフォームニューラルネットワーク
• Authors: Siyu Mu, Wei Xuan Chan, Choon Hwai Yap,
• Abstract要約: IMC-PINN-FEは,動画像整合性(IMC)と有限要素モデリング(FE)を統合する物理インフォームドニューラルネットワーク(PINN)フレームワークである。 IMC-PINN-FEは、従来の逆FEと比較して数時間から数秒の速さで心筋の硬さと活動性張力を推定する。 画像の変位をより正確に一致させ、平均Diceを0.849から0.927に改善し、リアルな圧力-体積の挙動を保っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Elucidating the biomechanical behavior of the myocardium is crucial for understanding cardiac physiology, but cannot be directly inferred from clinical imaging and typically requires finite element (FE) simulations. However, conventional FE methods are computationally expensive and often fail to reproduce observed cardiac motions. We propose IMC-PINN-FE, a physics-informed neural network (PINN) framework that integrates imaged motion consistency (IMC) with FE modeling for patient-specific left ventricular (LV) biomechanics. Cardiac motion is first estimated from MRI or echocardiography using either a pre-trained attention-based network or an unsupervised cyclic-regularized network, followed by extraction of motion modes. IMC-PINN-FE then rapidly estimates myocardial stiffness and active tension by fitting clinical pressure measurements, accelerating computation from hours to seconds compared to traditional inverse FE. Based on these parameters, it performs FE modeling across the cardiac cycle at 75x speedup. Through motion constraints, it matches imaged displacements more accurately, improving average Dice from 0.849 to 0.927, while preserving realistic pressure-volume behavior. IMC-PINN-FE advances previous PINN-FE models by introducing back-computation of material properties and better motion fidelity. Using motion from a single subject to reconstruct shape modes also avoids the need for large datasets and improves patient specificity. IMC-PINN-FE offers a robust and efficient approach for rapid, personalized, and image-consistent cardiac biomechanical modeling.
• Abstract（参考訳）: 心筋の生体力学的挙動を解明することは、心臓生理学を理解するために重要であるが、臨床画像から直接推測することはできず、典型的には有限要素(FE)シミュレーションを必要とする。 しかし、従来のFE法は計算コストが高く、しばしば観察された心臓の動きを再現することができない。 IMC-PINN-FE, IMC-PINN-FE, IMC-PINN-FEを提案する。 心臓運動は、まず、訓練済みの注意ベースネットワークまたは教師なしの循環調節ネットワークを用いて、MRIまたは心エコーから推定され、その後、運動モードの抽出が行われる。 IMC-PINN-FEは、心筋の硬さと活動性張力を臨床圧力測定に適合させ、従来の逆FEと比較して計算時間を数時間から数秒に短縮する。 これらのパラメータに基づいて、心循環全体にわたるFEモデリングを75倍のスピードアップで行う。 動きの制約により、画像の変位をより正確に一致させ、実際の圧力-体積の挙動を保ちながら、平均Diceを0.849から0.927に改善した。 IMC-PINN-FEは、材料特性の逆計算を導入し、運動の忠実度を向上させることで、従来のPINN-FEモデルを前進させる。 単一対象からのモーションを使用して形状モードを再構築することで、大規模なデータセットの必要性を回避し、患者の特異性を改善する。 IMC-PINN-FEは、迅速、パーソナライズされ、画像に一貫性のある心臓生体力学モデリングのための堅牢で効率的なアプローチを提供する。

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)
• Motion-Guided Deep Image Prior for Cardiac MRI [5.705503725101561]
  Motion-Guided Deep Image priorは、リアルタイム心磁図の高速化のための新しい教師なし再建フレームワークである。 M-DIPは、生理的動きとフレーム間コンテンツの変化を同時にキャプチャする。 M-DIPは、ファントムデータにおける画像品質の指標と、生存中の患者データに対する高い読取スコアを達成した。
  論文  参考訳（メタデータ） (2024-12-05T22:15:18Z)
• 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)
• Multi-view Hybrid Graph Convolutional Network for Volume-to-mesh Reconstruction in Cardiovascular MRI [43.47826598981827]
  画像間直接抽出のための新しいアーキテクチャであるHybridVNetを紹介する。 グラフ構造として符号化することで,表面および体積メッシュを効率的に処理できることを示す。 我々のモデルは、従来の畳み込みネットワークと変分グラフ生成モデル、深い監督とメッシュ固有の正規化を組み合わせたものです。
  論文  参考訳（メタデータ） (2023-11-22T21:51:29Z)
• Continuous 3D Myocardial Motion Tracking via Echocardiography [30.19879953016694]
  心筋運動追跡は、心臓血管疾患の予防と検出に不可欠な臨床ツールである。 現在の技術は、空間次元と時間次元の両方において、心筋の不完全かつ不正確な運動推定に悩まされている。 本稿では, 心臓の3次元構造と包括的6次元前/後方運動をモデル化するためのニューラル心運動場(ニューラルCMF)について紹介する。
  論文  参考訳（メタデータ） (2023-10-04T13:11:20Z)
• Digital twinning of cardiac electrophysiology models from the surface ECG: a geodesic backpropagation approach [39.36827689390718]
  逆等角問題の解法としてGeodesic-BPを提案する。 その結果,Geodesic-BPは人工心臓の活性化を高精度に再現できることが示唆された。 パーソナライズド医療への将来のシフトを考えると、Geodesic-BPは将来の心臓モデルの機能化に役立つ可能性がある。
  論文  参考訳（メタデータ） (2023-08-16T14:57:12Z)
• Three-dimensional micro-structurally informed in silico myocardium -- towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
  本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。 シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
  論文  参考訳（メタデータ） (2022-08-22T22:01:44Z)

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。