論文の概要: Towards Digital Twins for Optimal Radioembolization

• arxiv url: http://arxiv.org/abs/2509.02607v1
• Date: Sat, 30 Aug 2025 00:30:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.251985
• Title: Towards Digital Twins for Optimal Radioembolization
• Title（参考訳）: 最適放射線塞栓のためのデジタル双極子を目指して
• Authors: Nisanth Kumar Panneerselvam, Guneet Mummaneni, Emilie Roncali,
• Abstract要約: 放射線塞栓 (Radioembolization) は、肝動脈内に挿入されたカテーテルを介して、放射線マイクロスフィアを腫瘍に伝達する、局所的な肝がん治療である。 複雑な肝動脈解剖、血流の変化、微小粒子輸送の不確実性により、最適化は困難である。 本研究は、高忠実度計算流体力学(CFD)および/または最近の物理インフォームド機械学習アプローチを用いた肝放射線塞栓デジタル双生児の枠組みを概説する。
• 参考スコア（独自算出の注目度）: 0.4893896929103368
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Radioembolization is a localized liver cancer treatment that delivers radioactive microspheres (30 micron) to tumors via a catheter inserted in the hepatic arterial tree. The goal is to maximize therapeutic efficacy while minimizing damage to healthy liver tissue. However, optimization is challenging due to complex hepatic artery anatomy, variable blood flow, and uncertainty in microsphere transport. The creation of dynamic, patient-specific digital twins may provide a transformative solution to these challenges. This work outlines a framework for a liver radioembolization digital twin using high-fidelity computational fluid dynamics (CFD) and/or recent physics-informed machine learning approaches. The CFD approach involves microsphere transport calculations in the hepatic arterial tree with individual patient data, which enables personalized treatment planning. Although accurate, traditional CFD is computationally expensive and limits clinical applicability. To accelerate simulations, physics-informed neural networks (PINNs) and their generative extensions play an increasingly important role. PINNs integrate governing equations, such as the Navier-Stokes equations, directly into the neural network training process, enabling mesh-free, data-efficient approximation of blood flow and microsphere transport. Physics-informed generative adversarial networks (PI-GANs), diffusion models (PI-DMs), and transformer-based architectures further enable uncertainty-aware, temporally resolved predictions with reduced computational cost. These AI surrogates not only maintain physical fidelity but also support rapid sampling of diverse flow scenarios, facilitating real-time decision support. Together, CFD and physics-informed AI methods form the foundation of dynamic, patient-specific digital twin to optimize radioembolization planning and ultimately improve clinical outcomes.
• Abstract（参考訳）: 放射線塞栓(Radioembolization)は、肝動脈内に挿入されたカテーテルを介して、放射線マイクロスフィア(30ミクロン)を腫瘍に供給する、局所的な肝がん治療である。 目標は、健康な肝臓組織の損傷を最小限に抑えながら、治療効果を最大化することである。 しかし、複雑な肝動脈解剖、血流の変化、微小粒子輸送の不確実性などにより、最適化は困難である。 ダイナミックで患者固有のデジタル双生児を作ることは、これらの課題に対する変革的な解決策をもたらすかもしれない。 本研究は、高忠実度計算流体力学(CFD)および/または最近の物理インフォームド機械学習アプローチを用いた肝放射線塞栓デジタル双生児の枠組みを概説する。 CFDアプローチでは、個別の患者データを用いて、肝動脈内の微小粒子輸送計算を行い、パーソナライズされた治療計画を可能にする。 正確ではあるが、従来のCFDは計算コストが高く、臨床応用性に制限がある。 シミュレーションを加速するためには、物理インフォームドニューラルネットワーク(PINN)とその生成拡張がますます重要な役割を果たす。 PINNは、Navier-Stokes方程式のような支配方程式を直接ニューラルネットワークトレーニングプロセスに統合し、メッシュフリーでデータ効率のよい血流とマイクロスフィア輸送の近似を可能にする。 物理インフォームドな生成逆数ネットワーク(PI-GAN)、拡散モデル(PI-DM)、トランスフォーマーベースのアーキテクチャにより、計算コストを削減して時間的に解決された予測がさらに不確実性を認識している。 これらのAIは、物理的忠実性を維持するだけでなく、さまざまなフローシナリオの迅速なサンプリングをサポートし、リアルタイムな意思決定支援を促進する。 CFDと物理インフォームドAIは、放射線塞栓計画を最適化し、最終的に臨床結果を改善するために、動的で患者固有のデジタルツインの基礎を形成する。

関連論文リスト

• From Promise to Practical Reality: Transforming Diffusion MRI Analysis with Fast Deep Learning Enhancement [35.368152968098194]
  FastFOD-Netは、FODを優れたパフォーマンスで強化し、臨床使用のためのトレーニング/推論効率を提供するエンドツーエンドのディープラーニングフレームワークである。 この研究は、拡散MRIの強化のための深層学習に基づく手法を、より広く採用し、臨床信頼を構築することを促進する。
  論文  参考訳（メタデータ） (2025-08-13T17:56:29Z)
• 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)
• Convolutional Deep Operator Networks for Learning Nonlinear Focused Ultrasound Wave Propagation in Heterogeneous Spinal Cord Anatomy [0.0]
  集束超音波治療は、脊髄損傷の最適な標的治療のための有望なツールである。 現在のアプローチでは、制御波動伝播方程式の解法をコンピュータシミュレーションに頼っている。 患者脊髄のFUS圧力場を高速に予測するための畳み込み深部演算ネットワーク(DeepONet)を提案する。
  論文  参考訳（メタデータ） (2024-12-20T18:03:38Z)
• 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)
• Classification of Heart Sounds Using Multi-Branch Deep Convolutional Network and LSTM-CNN [7.136933021609078]
  本研究は, 心臓疾患の自動診断のための, 迅速かつ正確かつ費用対効果の高い手法を提供する新しいディープラーニングアーキテクチャを開発し, 評価する。 まず,多様な畳み込みフィルタサイズを利用して人間の聴覚処理をエミュレートするマルチブランチディープ畳み込みニューラルネットワーク(MBDCN)と,特徴抽出のためのパワースペクトル入力の2つの革新的な手法を提案する。 第二に、LSTMブロックをMBDCNに統合し、時間領域の特徴抽出を改善するLong Short-Term Memory-Convolutional Neural (LSCN)モデルである。
  論文  参考訳（メタデータ） (2024-07-15T13:02:54Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)

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。