論文の概要: From Motion to Meaning: Biomechanics-Informed Neural Network for Explainable Cardiovascular Disease Identification

• arxiv url: http://arxiv.org/abs/2507.05783v1
• Date: Tue, 08 Jul 2025 08:43:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:37.750025
• Title: From Motion to Meaning: Biomechanics-Informed Neural Network for Explainable Cardiovascular Disease Identification
• Title（参考訳）: 運動から意味へ:説明可能な心臓血管疾患同定のためのバイオメカニクスインフォームドニューラルネットワーク
• Authors: Comte Valentin, Gemma Piella, Mario Ceresa, Miguel A. Gonzalez Ballester,
• Abstract要約: 我々は,ネオ・フック材料のエネルギーひずみ定式化を利用して心組織変形をモデル化する。 移動心内の局所ひずみを推定し,心血管疾患の分類に使用する特徴の詳細なセットを抽出した。
• 参考スコア（独自算出の注目度）: 1.1142444517901016
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cardiac diseases are among the leading causes of morbidity and mortality worldwide, which requires accurate and timely diagnostic strategies. In this study, we introduce an innovative approach that combines deep learning image registration with physics-informed regularization to predict the biomechanical properties of moving cardiac tissues and extract features for disease classification. We utilize the energy strain formulation of Neo-Hookean material to model cardiac tissue deformations, optimizing the deformation field while ensuring its physical and biomechanical coherence. This explainable approach not only improves image registration accuracy, but also provides insights into the underlying biomechanical processes of the cardiac tissues. Evaluation on the Automated Cardiac Diagnosis Challenge (ACDC) dataset achieved Dice scores of 0.945 for the left ventricular cavity, 0.908 for the right ventricular cavity, and 0.905 for the myocardium. Subsequently, we estimate the local strains within the moving heart and extract a detailed set of features used for cardiovascular disease classification. We evaluated five classification algorithms, Logistic Regression, Multi-Layer Perceptron, Support Vector Classifier, Random Forest, and Nearest Neighbour, and identified the most relevant features using a feature selection algorithm. The best performing classifier obtained a classification accuracy of 98% in the training set and 100% in the test set of the ACDC dataset. By integrating explainable artificial intelligence, this method empowers clinicians with a transparent understanding of the model's predictions based on cardiac mechanics, while also significantly improving the accuracy and reliability of cardiac disease diagnosis, paving the way for more personalized and effective patient care.
• Abstract（参考訳）: 心臓病は世界中で致死率と死亡率の主要な原因の一つであり、正確な診断戦略とタイムリーな診断戦略を必要とする。 本研究では, 深層学習画像登録と物理インフォームドレギュラー化を組み合わせることで, 動心組織の生体力学的特性を予測し, 疾患分類のための特徴を抽出する, 革新的なアプローチを提案する。 我々は,ネオ・フック材料のエネルギーひずみ定式化を利用して心組織変形をモデル化し,その物理的および生体力学的コヒーレンスを確保しつつ変形場を最適化する。 この説明可能なアプローチは、画像登録の精度を向上するだけでなく、心臓組織の基盤となる生体力学的プロセスに関する洞察を与える。 左室空洞では0.945点,右室では0.908点,心筋では0.905点であった。 心血管疾患の分類法として, 移動心内の局所ひずみを推定し, 詳細な特徴を抽出した。 我々は,ロジスティック回帰,多層知覚,サポートベクトル分類,ランダムフォレスト,Nearest Neighbourの5つの分類アルゴリズムを評価し,特徴選択アルゴリズムを用いて最も関連性の高い特徴を同定した。 最高の性能分類器は、トレーニングセットの98%、ACDCデータセットのテストセットの100%の分類精度を得た。 説明可能な人工知能を統合することにより、心臓力学に基づくモデルの予測を透過的に理解すると共に、心臓疾患診断の精度と信頼性を著しく向上し、よりパーソナライズされ効果的な患者医療への道を開くことができる。

関連論文リスト

• Sensing Cardiac Health Across Scenarios and Devices: A Multi-Modal Foundation Model Pretrained on Heterogeneous Data from 1.7 Million Individuals [36.08910150609342]
  広大で異質な健康記録から統一された表現を学習する心センシング基礎モデル(CSFM)を提案する。 我々のモデルは、複数の大規模データセットからのデータの革新的なマルチモーダル統合に基づいて事前訓練されている。 CSFMは従来のワンモーダル・ワン・タスク・アプローチより一貫して優れている。
  論文  参考訳（メタデータ） (2025-06-23T20:58:12Z)
• Patient-Specific Dynamic Digital-Physical Twin for Coronary Intervention Training: An Integrated Mixed Reality Approach [33.92599418560439]
  既存のトレーニングシステムは、心臓生理学の正確なシミュレーションを欠いている。 本研究は4D-CTAに基づく総合的動的心モデル研究フレームワークを開発する。
  論文  参考訳（メタデータ） (2025-05-16T06:13:55Z)
• Stroke Disease Classification Using Machine Learning with Feature Selection Techniques [1.6044444452278062]
  心臓病は世界中で致死率と死亡率の主要な原因である。 我々は,心臓病の分類を高度化するための特徴選択技術を備えた新しい投票システムを開発した。 XGBoostは、99%の精度、F1スコア、98%のリコール、100%のROC AUCを達成した。
  論文  参考訳（メタデータ） (2025-04-01T07:16:49Z)
• Congenital Heart Disease Classification Using Phonocardiograms: A Scalable Screening Tool for Diverse Environments [34.10187730651477]
  先天性心疾患(CHD)は早期発見を必要とする重要な疾患である。 本研究では, 心電図(PCG)信号を用いたCHD検出のための深層学習モデルを提案する。 バングラデシュの一次データセットを含むいくつかのデータセットで、我々のモデルを評価した。
  論文  参考訳（メタデータ） (2025-03-28T05:47:44Z)
• CardioTabNet: A Novel Hybrid Transformer Model for Heart Disease Prediction using Tabular Medical Data [0.46581008529871043]
  本研究は,1190の症例と11の特徴を有する心臓病予測のためのオープンソースデータセットを用いている。 10種類の機械学習モデルを用いて心疾患の予測を行った。 トップダウンストリームモデル(ハイパーチューニングされたエクストラトレー)の平均精度は94.1%、エリアアンダーカーブ(AUC)の平均精度は95.0%に達した。
  論文  参考訳（メタデータ） (2025-03-22T06:17:08Z)
• 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)
• 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)
• Machine Learning-based Efficient Ventricular Tachycardia Detection Model of ECG Signal [0.0]
  心不全の一次診断と解析において、心電図信号は重要な役割を果たす。 本稿では,ノイズフィルタを用いた心室頻拍不整脈の予測モデル,心電図の特徴セット,機械学習に基づく分類モデルを提案する。
  論文  参考訳（メタデータ） (2021-12-24T05:56:09Z)

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。