論文の概要: Conditional Graph Neural Network for Predicting Soft Tissue Deformation and Forces
- arxiv url: http://arxiv.org/abs/2507.05315v1
- Date: Mon, 07 Jul 2025 13:33:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-09 16:34:37.263654
- Title: Conditional Graph Neural Network for Predicting Soft Tissue Deformation and Forces
- Title（参考訳）: 軟部組織変形・力予測のための条件付きグラフニューラルネットワーク
- Authors: Madina Kojanazarova, Florentin Bieder, Robin Sandkühler, Philippe C. Cattin,
- Abstract要約: この複雑さに対処するために、新しいデータ駆動モデル、条件付きグラフニューラルネットワーク(cGNN)を導入する。
本モデルでは, 表面点と印加力の位置を計測し, 点の変形とそれらに作用する力を予測するように設計されている。
軟組織ファントムの表面追跡データを実験で収集し,転送学習を用いてデータ不足を克服した。
- 参考スコア（独自算出の注目度）: 0.9986418756990159
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Soft tissue simulation in virtual environments is becoming increasingly important for medical applications. However, the high deformability of soft tissue poses significant challenges. Existing methods rely on segmentation, meshing and estimation of stiffness properties of tissues. In addition, the integration of haptic feedback requires precise force estimation to enable a more immersive experience. We introduce a novel data-driven model, a conditional graph neural network (cGNN) to tackle this complexity. Our model takes surface points and the location of applied forces, and is specifically designed to predict the deformation of the points and the forces exerted on them. We trained our model on experimentally collected surface tracking data of a soft tissue phantom and used transfer learning to overcome the data scarcity by initially training it with mass-spring simulations and fine-tuning it with the experimental data. This approach improves the generalisation capability of the model and enables accurate predictions of tissue deformations and corresponding interaction forces. The results demonstrate that the model can predict deformations with a distance error of 0.35$\pm$0.03 mm for deformations up to 30 mm and the force with an absolute error of 0.37$\pm$0.05 N for forces up to 7.5 N. Our data-driven approach presents a promising solution to the intricate challenge of simulating soft tissues within virtual environments. Beyond its applicability in medical simulations, this approach holds the potential to benefit various fields where realistic soft tissue simulations are required.
- Abstract（参考訳）: 仮想環境における軟組織シミュレーションは医療応用においてますます重要になっている。
しかし、軟組織の高い変形性は大きな課題となる。
既存の手法は、組織のセグメンテーション、メッシュ化、硬さ特性の推定に頼っている。
さらに、触覚フィードバックの統合は、より没入的な体験を可能にするために、正確な力の推定を必要とする。
この複雑さに対処するために、新しいデータ駆動モデル、条件付きグラフニューラルネットワーク(cGNN)を導入する。
本モデルでは, 表面点と印加力の位置を計測し, 点の変形とそれらに作用する力を予測するように設計されている。
軟組織ファントムの表面追跡データを実験で収集し,データ不足を克服するために移動学習を用いた。
このアプローチはモデルの一般化能力を改善し、組織変形とそれに対応する相互作用力の正確な予測を可能にする。
以上の結果から, このモデルでは, 30mmの変形に対して0.35$\pm$0.03 mm, 7.5Nまでの変形に対して0.37$\pm$0.05Nの変形を予測できることがわかった。
医療シミュレーションにおける適用性以外にも、現実的な軟組織シミュレーションを必要とする様々な分野に利益をもたらす可能性を秘めている。
関連論文リスト
- Neural-Augmented Kelvinlet: Real-Time Soft Tissue Deformation with Multiple Graspers [11.97310697947584]
本稿では,軟組織変形を現実的かつリアルタイムに近似する新しい物理インフォームド・ニューラルシミュレータを提案する。
我々のフレームワークは、Kelvinletをベースとした前駆体をニューラルシミュレータに統合し、Kelvinletを残留学習と正規化に活用する最初のアプローチとなる。
論文 参考訳（メタデータ） (2025-06-06T19:22:49Z) - GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。
我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。
さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
論文 参考訳（メタデータ） (2024-12-23T18:58:17Z) - Thermodynamics-informed graph neural networks for real-time simulation of digital human twins [2.6811507121199325]
本稿では,軟組織シミュレーション研究の進展をめざした新しい手法を提案する。
提案手法は, グラフニューラルネットワークの幾何学的バイアスと, 垂直構造の配置から導かれる物理的バイアスを統合する。
そこで本研究では,ヒト肝臓のトラクションおよび圧縮負荷に対する応答を7.3ミリ秒以内で予測するモデルを提案する。
論文 参考訳（メタデータ） (2024-12-16T18:01:40Z) - Graph Neural Networks for modelling breast biomechanical compression [0.08192907805418582]
3次元モダリティからマンモグラフィーなどのX線治療への正確な画像登録には乳房圧迫シミュレーションが不可欠である。
圧縮による組織形状と位置の変化を考慮し、正確なアライメントを確保し、分析を改善している。
有限要素解析(FEA)は軟組織変形の近似に信頼性があり、精度と計算効率のバランスをとるのに苦労する。
近年の研究では、組織変形予測を高速化するために、FAAの結果に基づいて訓練されたデータ駆動モデルを用いている。
胸部圧迫シミュレーションのための物理ベースのグラフニューラルネットワーク(PhysGNN)を提案する。
論文 参考訳（メタデータ） (2024-11-10T20:59:23Z) - NeuralClothSim: Neural Deformation Fields Meet the Thin Shell Theory [70.10550467873499]
薄型シェルを用いた新しい擬似布シミュレータであるNeuralClothSimを提案する。
メモリ効率の高い解法はニューラル変形場と呼ばれる新しい連続座標に基づく表面表現を演算する。
論文 参考訳（メタデータ） (2023-08-24T17:59:54Z) - Real-time simulation of viscoelastic tissue behavior with physics-guided
deep learning [0.8250374560598492]
軟部組織の変位場を粘弾性特性で予測する深層学習法を提案する。
提案手法は従来のCNNモデルよりも精度が高い。
本調査は,仮想現実における深層学習のギャップを埋めるのに役立つものと期待されている。
論文 参考訳（メタデータ） (2023-01-11T18:17:10Z) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳（メタデータ） (2022-10-13T10:00:30Z) - 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) - Exploring the potential of transfer learning for metamodels of
heterogeneous material deformation [0.0]
転送学習は,低忠実度シミュレーションデータとシミュレーションデータの両方を利用することができることを示す。
我々は、大きな変形を受ける異種材料のオープンソースベンチマークデータセットであるMechanical MNISTを拡張した。
これらの低忠実度シミュレーション結果に基づいて学習したメタモデルに蓄積された知識の伝達は、高忠実度シミュレーションの結果を予測するのに使用されるメタモデルの性能を大幅に向上させることができることを示す。
論文 参考訳（メタデータ） (2020-10-28T12:43:46Z)
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。