論文の概要: Data-Driven Bifurcation Handling in Physics-Based Reduced-Order Vascular Hemodynamic Models

• arxiv url: http://arxiv.org/abs/2508.21165v1
• Date: Thu, 28 Aug 2025 19:01:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 19:45:10.85465
• Title: Data-Driven Bifurcation Handling in Physics-Based Reduced-Order Vascular Hemodynamic Models
• Title（参考訳）: 物理に基づく低次血管循環モデルにおけるデータ駆動分岐処理
• Authors: Natalia L. Rubio, Eric F. Darve, Alison L. Marsden,
• Abstract要約: 本稿では,機械学習予測分岐係数をゼロ次元(0D)血行動態ROMに統合する拡張数値フレームワークを提案する。 本稿では,ニューラルネットワークを用いた抵抗抵抗抵抗インダクタ(RRI)モデルを構築し,圧力-流れの関係を分岐幾何から予測する。 本研究はレイノルズ数0から5,500までの分離分岐と血管樹のアプローチを検証し, ROMの精度を3次元有限要素シミュレーションと比較した。
• 参考スコア（独自算出の注目度）: 0.6117371161379209
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Three-dimensional (3D) finite-element simulations of cardiovascular flows provide high-fidelity predictions to support cardiovascular medicine, but their high computational cost limits clinical practicality. Reduced-order models (ROMs) offer computationally efficient alternatives but suffer reduced accuracy, particularly at vessel bifurcations where complex flow physics are inadequately captured by standard Poiseuille flow assumptions. We present an enhanced numerical framework that integrates machine learning-predicted bifurcation coefficients into zero-dimensional (0D) hemodynamic ROMs to improve accuracy while maintaining computational efficiency. We develop a resistor-resistor-inductor (RRI) model that uses neural networks to predict pressure-flow relationships from bifurcation geometry, incorporating linear and quadratic resistances along with inductive effects. The method employs non-dimensionalization to reduce training data requirements and apriori flow split prediction for improved bifurcation characterization. We incorporate the RRI model into a 0D model using an optimization-based solution strategy. We validate the approach in isolated bifurcations and vascular trees, across Reynolds numbers from 0 to 5,500, defining ROM accuracy by comparison to 3D finite element simulation. Results demonstrate substantial accuracy improvements: averaged across all trees and Reynolds numbers, the RRI method reduces inlet pressure errors from 54 mmHg (45%) for standard 0D models to 25 mmHg (17%), while a simplified resistor-inductor (RI) variant achieves 31 mmHg (26%) error. The enhanced 0D models show particular effectiveness at high Reynolds numbers and in extensive vascular networks. This hybrid numerical approach enables accurate, real-time hemodynamic modeling for clinical decision support, uncertainty quantification, and digital twins in cardiovascular biomedical engineering.
• Abstract（参考訳）: 心臓血管流れの3次元有限要素シミュレーションは、心臓血管医学をサポートするための高忠実度予測を提供するが、その高い計算コストは臨床実践性を制限している。 減階モデル(ROM)は計算効率の良い代替手段を提供するが、特にポアゼイユ流の仮定によって複雑な流れの物理が不十分な容器分岐では精度が低下する。 本稿では,機械学習予測分岐係数をゼロ次元(0D)ヘモダイナミックROMに統合し,計算効率を維持しながら精度を向上する拡張数値フレームワークを提案する。 ニューラルネットワークを用いた抵抗抵抗-抵抗インダクタ (RRI) モデルを構築し, インダクティブ効果とともに線形および二次抵抗を取り入れ, 分岐形状から圧力-流れの関係を予測する。 本手法では,非次元化によるトレーニングデータ要求の低減と,分岐特性の向上を目的としたAprioriフロー分割予測を行う。 我々は最適化に基づくソリューション戦略を用いて、RRIモデルを0Dモデルに組み込む。 本研究はレイノルズ数0から5,500までの分離分岐と血管樹のアプローチを検証し, ROMの精度を3次元有限要素シミュレーションと比較した。 RRI法は, 標準0Dモデルの入口圧力誤差を54 mmHg (45%) から25 mmHg (17%) に低減し, 簡易型抵抗インダクタ (RI) は31 mmHg (26%) の誤差を得る。 拡張された0Dモデルは、レイノルズ数や広範囲の血管ネットワークにおいて、特に有効性を示す。 このハイブリッドな数値手法により、心臓血管バイオメディカルエンジニアリングにおける臨床診断支援、不確実性定量化、およびデジタル双生児の正確なリアルタイム血行動態モデリングが可能になる。

関連論文リスト

• Physics-constrained coupled neural differential equations for one dimensional blood flow modeling [0.3749861135832073]
  計算心血管モデリングは、血流動態を理解する上で重要な役割を担っている。 有限要素法(FEM)に基づく従来の1次元モデルは、3次元平均解に比べて精度が低いことが多い。 本研究では1次元血流モデルの精度を向上させる物理制約付き機械学習手法を提案する。
  論文  参考訳（メタデータ） (2024-11-08T15:22:20Z)
• Mesh-Informed Reduced Order Models for Aneurysm Rupture Risk Prediction [0.0]
  計算流体力学(CFD)を用いて大動脈瘤の発症リスクを予測する。 有限体積(FV)の離散化によって得られるメッシュの自然なグラフ構造を利用する。 本手法は,次元の呪いを克服する有効な方法であることを確認した。
  論文  参考訳（メタデータ） (2024-10-04T09:39:15Z)
• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• Real-time whole-heart electromechanical simulations using Latent Neural Ordinary Differential Equations [2.208529796170897]
  心不全患者の時間的圧力-体積動態を学習するために,潜時ニューラル正規微分方程式を用いた。 LNODEsに基づくサロゲートモデルは4003D-0D全閉ループ電気機械シミュレーションから訓練される。 本報告では, 文献で利用可能な最も高度な心臓機能代理モデルについて紹介する。
  論文  参考訳（メタデータ） (2023-06-08T16:13:29Z)
• Learning Reduced-Order Models for Cardiovascular Simulations with Graph Neural Networks [1.2643625859899612]
  三次元血行シミュレーションデータに基づいて学習したグラフニューラルネットワークを用いて,血流動態をシミュレートする1次元還元次モデルを構築した。 提案手法は,物理に基づく一次元モデルよりも優れた性能を示しながら,推論時の高効率性を保っている。
  論文  参考訳（メタデータ） (2023-03-13T17:32:46Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery [62.997667081978825]
  本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。 ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
  論文  参考訳（メタデータ） (2022-03-03T19:56:24Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)
• Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
  レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
  論文  参考訳（メタデータ） (2021-06-17T00:49:55Z)
• Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
  解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。 ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。 我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
  論文  参考訳（メタデータ） (2021-04-07T01:15:06Z)

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。