論文の概要: Spatiotemporal graph neural process for reconstruction, extrapolation, and classification of cardiac trajectories
- arxiv url: http://arxiv.org/abs/2509.12953v1
- Date: Tue, 16 Sep 2025 10:57:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-17 17:50:53.046261
- Title: Spatiotemporal graph neural process for reconstruction, extrapolation, and classification of cardiac trajectories
- Title（参考訳）: 心路再建・外挿・分類のための時空間グラフ神経過程
- Authors: Jaume Banus, Augustin C. Ogier, Roger Hullin, Philippe Meyer, Ruud B. van Heeswijk, Jonas Richiardi,
- Abstract要約: この研究は、心臓の動きを解析するための柔軟なアプローチを導入している。
構造化バイオメディカル時系列データにおけるグラフベースの学習の基礎を提供する。
- 参考スコア（独自算出の注目度）: 1.7123388415209657
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We present a probabilistic framework for modeling structured spatiotemporal dynamics from sparse observations, focusing on cardiac motion. Our approach integrates neural ordinary differential equations (NODEs), graph neural networks (GNNs), and neural processes into a unified model that captures uncertainty, temporal continuity, and anatomical structure. We represent dynamic systems as spatiotemporal multiplex graphs and model their latent trajectories using a GNN-parameterized vector field. Given the sparse context observations at node and edge levels, the model infers a distribution over latent initial states and control variables, enabling both interpolation and extrapolation of trajectories. We validate the method on three synthetic dynamical systems (coupled pendulum, Lorenz attractor, and Kuramoto oscillators) and two real-world cardiac imaging datasets - ACDC (N=150) and UK Biobank (N=526) - demonstrating accurate reconstruction, extrapolation, and disease classification capabilities. The model accurately reconstructs trajectories and extrapolates future cardiac cycles from a single observed cycle. It achieves state-of-the-art results on the ACDC classification task (up to 99% accuracy), and detects atrial fibrillation in UK Biobank subjects with competitive performance (up to 67% accuracy). This work introduces a flexible approach for analyzing cardiac motion and offers a foundation for graph-based learning in structured biomedical spatiotemporal time-series data.
- Abstract（参考訳）: 本研究では,スパース観測から構造化時空間力学をモデル化するための確率的枠組みについて述べる。
我々のアプローチは、ニューラル常微分方程式(NODE)、グラフニューラルネットワーク(GNN)、ニューラルプロセスを統一モデルに統合し、不確実性、時間的連続性、解剖学的構造を捉える。
動的系を時空間多重グラフとして表現し,その潜在軌道をGNNパラメータ化ベクトル場を用いてモデル化する。
ノードレベルとエッジレベルでのスパースコンテキストの観測から、モデルは遅延初期状態と制御変数の分布を推定し、軌道の補間と外挿の両方を可能にする。
ACDC (N=150) と UK Biobank (N=526) の2つの実世界の心臓画像データセットを用いて, 正確な再構築, 外挿, 疾患分類能力の検証を行った。
このモデルは、軌道を正確に再構成し、単一の観察サイクルから将来の心臓循環を外挿する。
ACDC分類タスク(最大99%の精度)の最先端の結果を達成し、イギリスのバイオバンク患者(最大67%の精度)の心房細動を検出する。
本研究は、心動解析のための柔軟なアプローチを導入し、構造化生体時空間時系列データにおけるグラフに基づく学習の基礎を提供する。
関連論文リスト
- A Dual-Attention Graph Network for fMRI Data Classification [1.3176926720381557]
本稿では,自閉症スペクトラム障害(ASD)の診断に動的グラフ作成と注意機構を活用するフレームワークを提案する。
本研究のアプローチは、トランスフォーマーに基づく注意機構を用いて、各時間間隔で機能的脳接続を動的に推論する。
我々のモデルは63.2の精度と60.0のAUCを達成し、グラフ静的アプローチより優れている。
論文 参考訳（メタデータ） (2025-08-18T19:23:18Z) - Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。
われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。
本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
論文 参考訳（メタデータ） (2025-07-15T17:57:48Z) - 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) - Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。
EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。
粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
論文 参考訳（メタデータ） (2024-01-19T21:50:32Z) - Dynamic Causal Explanation Based Diffusion-Variational Graph Neural
Network for Spatio-temporal Forecasting [60.03169701753824]
時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。
提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
論文 参考訳（メタデータ） (2023-05-16T11:38:19Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。
我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
論文 参考訳（メタデータ） (2023-03-30T02:40:28Z) - Spatial Temporal Graph Convolution with Graph Structure Self-learning
for Early MCI Detection [9.11430195887347]
本稿では,EMCI検出のための新しいグラフ構造自己学習機構を備えた空間時空間グラフ畳み込みネットワークを提案する。
The Alzheimer's Disease Neuroimaging Initiative databaseの結果は、我々の手法が最先端のアプローチより優れていることを示している。
論文 参考訳（メタデータ） (2022-11-11T12:29:00Z) - Dynamic Adaptive Spatio-temporal Graph Convolution for fMRI Modelling [0.0]
本稿では,動的適応時間グラフ畳み込み(DASTGCN)モデルを提案する。
提案手法により,レイヤワイドグラフ構造学習モジュールによる脳領域間の動的接続のエンドツーエンド推論が可能となる。
我々は,安静時機能スキャンを用いて,英国ビオバンクのパイプラインを年齢・性別分類タスクとして評価した。
論文 参考訳（メタデータ） (2021-09-26T07:19:47Z) - Latent linear dynamics in spatiotemporal medical data [0.0]
逐次的画像のみに基づいて,システムの基盤となるダイナミクスを識別する教師なしモデルを提案する。
モデルは、入力を隠れ状態過程と観察された潜伏過程の間に線形関係が保たれる低次元潜伏空間にマッピングする。
システムダイナミクスの知識は、デノイジング、欠落値のインプテーション、将来の画像フレームの補間を可能にする。
論文 参考訳（メタデータ） (2021-03-01T11:42:21Z)
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。