論文の概要: WarpPINN-fibers: improved cardiac strain estimation from cine-MR with physics-informed neural networks

• arxiv url: http://arxiv.org/abs/2509.08872v1
• Date: Wed, 10 Sep 2025 14:53:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.087563
• Title: WarpPINN-fibers: improved cardiac strain estimation from cine-MR with physics-informed neural networks
• Title（参考訳）: WarpPINN-fibers:物理インフォームドニューラルネットワークを用いたシネMRによる心ひずみ推定の改善
• Authors: Felipe Álvarez Barrientos, Tomás Banduc, Isabeau Sirven, Francisco Sahli Costabal,
• Abstract要約: 本稿では,物理インフォームドニューラルネットワークフレームワークであるWarpPINN-fibersを紹介する。 基準画像と歪んだテンプレート画像との間のデータ相似性損失,心臓組織のほぼ非圧縮性を示すレギュレータ,および合成繊維の方向のひずみを制御する繊維伸張ペナル化の3項からなる損失関数を構築した。
• 参考スコア（独自算出の注目度）: 0.4349640169711269
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The contractile motion of the heart is strongly determined by the distribution of the fibers that constitute cardiac tissue. Strain analysis informed with the orientation of fibers allows to describe several pathologies that are typically associated with impaired mechanics of the myocardium, such as cardiovascular disease. Several methods have been developed to estimate strain-derived metrics from traditional imaging techniques. However, the physical models underlying these methods do not include fiber mechanics, restricting their capacity to accurately explain cardiac function. In this work, we introduce WarpPINN-fibers, a physics-informed neural network framework to accurately obtain cardiac motion and strains enhanced by fiber information. We train our neural network to satisfy a hyper-elastic model and promote fiber contraction with the goal to predict the deformation field of the heart from cine magnetic resonance images. For this purpose, we build a loss function composed of three terms: a data-similarity loss between the reference and the warped template images, a regularizer enforcing near-incompressibility of cardiac tissue and a fiber-stretch penalization that controls strain in the direction of synthetically produced fibers. We show that our neural network improves the former WarpPINN model and effectively controls fiber stretch in a synthetic phantom experiment. Then, we demonstrate that WarpPINN-fibers outperforms alternative methodologies in landmark-tracking and strain curve prediction for a cine-MRI benchmark with a cohort of 15 healthy volunteers. We expect that our method will enable a more precise quantification of cardiac strains through accurate deformation fields that are consistent with fiber physiology, without requiring imaging techniques more sophisticated than MRI.
• Abstract（参考訳）: 心臓の収縮運動は、心臓組織を構成する繊維の分布によって強く決定される。 繊維の配向を知らせるひずみ解析は、心臓血管疾患などの心筋の機械的障害に関連するいくつかの病理を記述できる。 従来のイメージング技術から歪みから導かれるメトリクスを推定するために、いくつかの手法が開発されている。 しかしながら、これらの手法の基盤となる物理モデルは、ファイバー力学を含まないため、心臓機能を説明する能力は制限されている。 本稿では,物理インフォームドニューラルネットワークフレームワークであるWarpPINN-fibersを紹介する。 我々は、超弾性モデルを満たすためにニューラルネットワークをトレーニングし、シネ磁気共鳴画像から心臓の変形場を予測することを目的として、繊維収縮を促進する。 本研究の目的は, 基準画像と歪んだテンプレート画像との間のデータ類似性損失, 心臓組織のほぼ非圧縮性を強制するレギュレータ, 合成繊維の方向のひずみを制御したファイバストレッチペナリゼーションの3つの項からなる損失関数を構築することである。 ニューラルネットワークは,従来のWarpPINNモデルを改善し,合成幻覚実験において繊維伸張を効果的に制御することを示す。 次に、WarpPINN-fibersは、15人の健康なボランティアのコホートを用いたcine-MRIベンチマークにおいて、ランドマーク追跡とひずみ曲線予測において、代替手法よりも優れていることを示した。 我々は、MRIより高度な画像技術を必要とすることなく、繊維生理学と整合した正確な変形場を通じて、心歪のより正確な定量化を可能にすることを期待する。

関連論文リスト

• Physics-informed neural network estimation of active material properties in time-dependent cardiac biomechanical models [2.8763745263714005]
  本研究では、時間依存型心臓生体力学モデルにおいて、アクティブな収縮性パラメーターを推定するための物理インフォームドニューラルネットワーク(PINN)の適用について検討する。 我々は騒音や空間分解能の高い環境下で様々な活動的応力場を再構築することができる。 このアプローチは、心臓線維症の診断、治療計画、心臓状態の管理を大幅に改善する新たな経路を開く。
  論文  参考訳（メタデータ） (2025-05-06T10:01:16Z)
• Ensemble learning of the atrial fiber orientation with physics-informed neural networks [0.0]
  本研究では、局所的な電気記録からアトリアにおける異方性伝導を自動的に同定するFibernetを提案する。 ニューラルネットワークのアンサンブルを使用して、複数のサンプルを生成し、すべての観測データを適合させ、後部統計を計算します。 提案手法は, 繊維配向と伝導速度を定量化した不確かさで7分以内で推定できる。
  論文  参考訳（メタデータ） (2024-10-30T18:45:19Z)
• Phy-Diff: Physics-guided Hourglass Diffusion Model for Diffusion MRI Synthesis [45.074243735766]
  本稿では,高画質のdMRIを生成する物理誘導拡散モデルを提案する。 本モデルは拡散過程におけるノイズ進化におけるdMRIの物理原理を紹介する。 実験の結果,本手法は他の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-06-05T07:09:19Z)
• 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)
• 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)
• WarpPINN: Cine-MR image registration with physics-informed neural networks [2.338246743809955]
  心不全は通常、放出率などの大域的機能評価と診断される。 我々は物理インフォームドニューラルネットワークであるWarpPINNを導入し、画像登録を行い、心臓変形の局所的測定値を得る。
  論文  参考訳（メタデータ） (2022-11-22T19:48:02Z)
• Three-dimensional micro-structurally informed in silico myocardium -- towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
  本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。 シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
  論文  参考訳（メタデータ） (2022-08-22T22:01:44Z)
• Fibrosis-Net: A Tailored Deep Convolutional Neural Network Design for Prediction of Pulmonary Fibrosis Progression from Chest CT Images [59.622239796473885]
  肺線維症は、回復不能な肺組織スカーリングおよび損傷を引き起こす慢性肺疾患であり、肺容量の進行的減少と既知の治療法がない。 胸部CT画像からの肺線維化進展の予測に適した深部畳み込みニューラルネットワークであるFibrosis-Netを導入する。
  論文  参考訳（メタデータ） (2021-03-06T02:16:41Z)

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。