論文の概要: HeartUnloadNet: A Weakly-Supervised Cycle-Consistent Graph Network for Predicting Unloaded Cardiac Geometry from Diastolic States
- arxiv url: http://arxiv.org/abs/2507.18677v1
- Date: Thu, 24 Jul 2025 14:31:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-28 16:16:48.702211
- Title: HeartUnloadNet: A Weakly-Supervised Cycle-Consistent Graph Network for Predicting Unloaded Cardiac Geometry from Diastolic States
- Title（参考訳）: HeartUnloadNet: 拡張状態から非負荷心磁図を予測するための弱スーパービジョンのサイクル一貫性グラフネットワーク
- Authors: Siyu Mu, Wei Xuan Chan, Choon Hwai Yap,
- Abstract要約: エンドダイアストリック(ED)メッシュから直接、非負荷左室形状を予測するディープラーニングフレームワークであるHeartUnloadNetを導入する。
HeartUnloadNet は、平均 DSC 0.986 と HD 0.083 cm のサブミリ秒精度を実現し、推論時間を1ケースあたり 0.02 秒に短縮する。
- 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: The unloaded cardiac geometry (i.e., the state of the heart devoid of luminal pressure) serves as a valuable zero-stress and zero-strain reference and is critical for personalized biomechanical modeling of cardiac function, to understand both healthy and diseased physiology and to predict the effects of cardiac interventions. However, estimating the unloaded geometry from clinical images remains a challenging task. Traditional approaches rely on inverse finite element (FE) solvers that require iterative optimization and are computationally expensive. In this work, we introduce HeartUnloadNet, a deep learning framework that predicts the unloaded left ventricular (LV) shape directly from the end diastolic (ED) mesh while explicitly incorporating biophysical priors. The network accepts a mesh of arbitrary size along with physiological parameters such as ED pressure, myocardial stiffness scale, and fiber helix orientation, and outputs the corresponding unloaded mesh. It adopts a graph attention architecture and employs a cycle-consistency strategy to enable bidirectional (loading and unloading) prediction, allowing for partial self-supervision that improves accuracy and reduces the need for large training datasets. Trained and tested on 20,700 FE simulations across diverse LV geometries and physiological conditions, HeartUnloadNet achieves sub-millimeter accuracy, with an average DSC of 0.986 and HD of 0.083 cm, while reducing inference time to just 0.02 seconds per case, over 10^5 times faster and significantly more accurate than traditional inverse FE solvers. Ablation studies confirm the effectiveness of the architecture. Notably, the cycle-consistent design enables the model to maintain a DSC of 97% even with as few as 200 training samples. This work thus presents a scalable and accurate surrogate for inverse FE solvers, supporting real-time clinical applications in the future.
- Abstract（参考訳）: 無負荷の心臓形状(すなわち、光圧のない心臓の状態)は、価値あるゼロストレスとゼロストレインの基準として機能し、心臓機能のパーソナライズされた生体力学的モデリング、健康な生理学と疾患のある生理学の両方を理解し、心臓介入の効果を予測するために重要である。
しかし, 臨床画像から未積載形状を推定することは難しい課題である。
従来の手法は、反復最適化を必要とする逆有限要素(FE)解決器に依存しており、計算コストが高い。
本研究では, 生体物理学的先行を明示的に取り入れつつ, 末期拡張期(ED)メッシュから直接非負荷左室(LV)形状を予測するディープラーニングフレームワークであるHeartUnloadNetを紹介する。
ネットワークはED圧力、心筋硬度スケール、繊維ヘリックス配向などの生理学的パラメータとともに任意の大きさのメッシュを受け入れ、対応する非負荷メッシュを出力する。
グラフアテンションアーキテクチャを採用し、双方向(ロードとアンロード)の予測を可能にするためにサイクル一貫性戦略を採用している。
20,700 FEシミュレーションを様々なLV測地と生理学的条件で訓練し、HeartUnloadNetは、平均DSC 0.986 と HD 0.083 cmのサブミリ秒精度を達成し、推論時間を1ケースあたり0.02 秒に短縮し、従来の逆FE解法よりも10^5 倍速く、はるかに正確である。
アブレーション研究により、建築の有効性が確認された。
特に、サイクル一貫性のある設計により、200のトレーニングサンプルがほとんどなくても、モデルは97%のDSCを維持することができる。
この研究は、逆FEソルバのスケーラブルで正確なサロゲートを示し、将来的にはリアルタイム臨床応用をサポートする。
関連論文リスト
- IMC-PINN-FE: A Physics-Informed Neural Network for Patient-Specific Left Ventricular Finite Element Modeling with Image Motion Consistency and Biomechanical Parameter Estimation [0.0]
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。
論文 参考訳（メタデータ） (2025-06-25T11:37:34Z) - ArrhythmiaVision: Resource-Conscious Deep Learning Models with Visual Explanations for ECG Arrhythmia Classification [0.0]
本稿では,エッジデバイス上での効率的なリアルタイム不整脈分類に最適化されたArrhythmiNet V1とV2を提案する。
MobileNetの深い分離可能な畳み込み設計にインスパイアされたこれらのモデルは、それぞれ302.18KBと157.76KBのメモリフットプリントを維持している。
本研究は, 実用, ウェアラブル, 組込みECGモニタリングシステムにおいて, 解釈可能性, 予測精度, 計算効率の両立の可能性を示すものである。
論文 参考訳（メタデータ） (2025-04-30T18:22:45Z) - Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [53.2981100111204]
光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。
しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。
本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。
本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
論文 参考訳（メタデータ） (2025-02-10T13:33:12Z) - 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) - 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) - 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) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳（メタデータ） (2021-11-25T10:11:41Z) - ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed
Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。
セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。
このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文 参考訳（メタデータ） (2020-05-11T16:29:12Z) - CondenseUNet: A Memory-Efficient Condensely-Connected Architecture for
Bi-ventricular Blood Pool and Myocardium Segmentation [0.0]
本稿では,CondenseNetとDenseNetの両方を改良したメモリ効率の良い畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
実験の結果,提案アーキテクチャは自動心臓診断チャレンジデータセット上で動作していることがわかった。
論文 参考訳（メタデータ） (2020-04-05T16:34:51Z)
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。