論文の概要: GReAT: leveraging geometric artery data to improve wall shear stress assessment

• arxiv url: http://arxiv.org/abs/2508.19030v1
• Date: Tue, 26 Aug 2025 13:47:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 17:42:38.866017
• Title: GReAT: leveraging geometric artery data to improve wall shear stress assessment
• Title（参考訳）: GReAT: 幾何学的動脈データを利用した壁せん断応力評価の改善
• Authors: Julian Suk, Jolanda J. Wentzel, Patryk Rygiel, Joost Daemen, Daniel Rueckert, Jelmer M. Wolterink,
• Abstract要約: 熱核シグネチャを計算し、3次元血管の自己教師型ターゲットを作成する。 このデータセットから得られた幾何学的表現が冠状動脈のセグメンテーションをいかに促進するかを示す。
• 参考スコア（独自算出の注目度）: 16.07026873499428
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Leveraging big data for patient care is promising in many medical fields such as cardiovascular health. For example, hemodynamic biomarkers like wall shear stress could be assessed from patient-specific medical images via machine learning algorithms, bypassing the need for time-intensive computational fluid simulation. However, it is extremely challenging to amass large-enough datasets to effectively train such models. We could address this data scarcity by means of self-supervised pre-training and foundations models given large datasets of geometric artery models. In the context of coronary arteries, leveraging learned representations to improve hemodynamic biomarker assessment has not yet been well studied. In this work, we address this gap by investigating whether a large dataset (8449 shapes) consisting of geometric models of 3D blood vessels can benefit wall shear stress assessment in coronary artery models from a small-scale clinical trial (49 patients). We create a self-supervised target for the 3D blood vessels by computing the heat kernel signature, a quantity obtained via Laplacian eigenvectors, which captures the very essence of the shapes. We show how geometric representations learned from this datasets can boost segmentation of coronary arteries into regions of low, mid and high (time-averaged) wall shear stress even when trained on limited data.
• Abstract（参考訳）: 患者の医療にビッグデータを活用することは、心臓血管の健康など多くの医療分野において有望である。 例えば、壁せん断応力のような血行動態のバイオマーカーは、時間集約的な計算流体シミュレーションの必要性を回避し、機械学習アルゴリズムを介して患者固有の医療画像から評価することができる。 しかし、そのようなモデルを効果的に訓練するために大量のデータセットを蓄積することは極めて困難である。 幾何学的動脈モデルの大規模なデータセットを与えられた自己教師付き事前学習モデルと基礎モデルを用いて、このデータ不足に対処することができる。 冠状動脈では, 血行動態のバイオマーカー評価を改善するために, 学習表現の活用がまだ十分に研究されていない。 本研究では,3次元血管の幾何学的モデルからなる大規模なデータセット(8449形状)が,小規模臨床試験(49例)による冠動脈モデルにおける壁せん断応力評価に有効かどうかを検討することにより,このギャップに対処する。 熱核シグネチャ(Laplacian eigenvectors)を用いて得られた量)を計算し、形状の本質を捉えることで、3D血管の自己教師対象を作成する。 このデータセットから得られた幾何学的表現は、限られたデータで訓練しても、低、中、高(平均)壁せん断応力の領域に冠状動脈のセグメンテーションを高めることができることを示す。

関連論文リスト

• 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)
• Deep vectorised operators for pulsatile hemodynamics estimation in coronary arteries from a steady-state prior [2.3971720731010766]
  本稿では,拍動血行動態を推定するために,機械学習を利用した時間効率な代理モデルを提案する。 本モデルでは, 震源領域の再サンプリングに依存せず, 脈動速度と圧力の正確な推定値が得られた。
  論文  参考訳（メタデータ） (2024-10-15T12:24:50Z)
• PITN: Physics-Informed Temporal Networks for Cuffless Blood Pressure Estimation [37.94387581519217]
  逆相関学習を用いた物理インフォームド・テンポラル・ネットワーク(PITN)を導入し,非常に限られたデータで正確なBP推定を実現する。 具体的には,まず物理インフォームドニューラルネットワーク(PINN)を時間ブロックで拡張し,BP力学の多周期性について検討する。 次に, 対人訓練を駆使して生理的時系列データを生成し, スパースデータに面したPITNの堅牢性を向上させる。
  論文  参考訳（メタデータ） (2024-08-16T02:17:21Z)
• Physics-informed graph neural networks for flow field estimation in carotid arteries [2.0437999068326276]
  循環動態量は動脈硬化などの循環器疾患にとって貴重なバイオメディカルリスク因子である。 本研究では,機械学習を利用した血行動態場推定のための代理モデルを作成する。 私たちは、基礎となる対称性と物理に関する事前情報を含むグラフニューラルネットワークをトレーニングし、トレーニングに必要なデータ量を制限する。 このことは、物理インフォームドグラフニューラルネットワークを4次元フローMRIデータを用いてトレーニングすることで、見えない頸動脈領域の血流を推定できることを示している。
  論文  参考訳（メタデータ） (2024-08-13T13:09:28Z)
• Validated respiratory drug deposition predictions from 2D and 3D medical images with statistical shape models and convolutional neural networks [47.187609203210705]
  患者固有の沈着モデリングのための自動計算フレームワークを開発し,検証することを目的としている。 2次元胸部X線と3次元CT画像から3次元患者の呼吸動態を生成できる画像処理手法が提案されている。
  論文  参考訳（メタデータ） (2023-03-02T07:47:07Z)
• Mesh Neural Networks for SE(3)-Equivariant Hemodynamics Estimation on the Artery Wall [13.113110989699571]
  三次元幾何学的動脈モデルによる壁面上のベクトル値量の推定について検討する。 我々は、三角形のメッシュ上で直接動作するエンドツーエンドSE(3)-同変ニューラルネットワークにおいて、グループ同変グラフ畳み込みを用いる。 本手法は, 経時的, ベクトル値のWSSを, 異なる流れ境界条件下で正確に予測できるほど強力であることを示す。
  論文  参考訳（メタデータ） (2022-12-09T18:16:06Z)
• Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
  この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。 そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。 拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
  論文  参考訳（メタデータ） (2022-05-05T10:31:57Z)
• Machine-Learning Identification of Hemodynamics in Coronary Arteries in the Presence of Stenosis [0.0]
  人工ニューラルネットワーク(ANN)モデルは、動脈ネットワーク内の圧力と速度を予測するために合成データを用いて訓練される。 モデルの有効性を3つの実測値を用いて検証した。
  論文  参考訳（メタデータ） (2021-11-02T23:51:06Z)
• Rethinking the Extraction and Interaction of Multi-Scale Features for Vessel Segmentation [53.187152856583396]
  網膜血管と主要動脈を2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。 PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高めている。
  論文  参考訳（メタデータ） (2020-10-09T08:22:54Z)

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。