論文の概要: Aneurysm Growth Time Series Reconstruction Using Physics-informed Autoencoder
- arxiv url: http://arxiv.org/abs/2510.05183v1
- Date: Sun, 05 Oct 2025 19:54:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-08 17:57:07.895143
- Title: Aneurysm Growth Time Series Reconstruction Using Physics-informed Autoencoder
- Title（参考訳）: 物理インフォームドオートエンコーダを用いた大動脈瘤成長時系列再構成
- Authors: Jiacheng Wu,
- Abstract要約: 大動脈瘤破裂の予測は、大動脈瘤成長史の時系列解析に依存する。
そこで我々は,患者パラメータから直接大動脈瘤成長時系列を再構築する手法を提案する。
- 参考スコア（独自算出の注目度）: 5.472379751097357
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Arterial aneurysm (Fig.1) is a bulb-shape local expansion of human arteries, the rupture of which is a leading cause of morbidity and mortality in US. Therefore, the prediction of arterial aneurysm rupture is of great significance for aneurysm management and treatment selection. The prediction of aneurysm rupture depends on the analysis of the time series of aneurysm growth history. However, due to the long time scale of aneurysm growth, the time series of aneurysm growth is not always accessible. We here proposed a method to reconstruct the aneurysm growth time series directly from patient parameters. The prediction is based on data pairs of [patient parameters, patient aneurysm growth time history]. To obtain the mapping from patient parameters to patient aneurysm growth time history, we first apply autoencoder to obtain a compact representation of the time series for each patient. Then a mapping is learned from patient parameters to the corresponding compact representation of time series via a five-layer neural network. Moving average and convolutional output layer are implemented to explicitly taking account the time dependency of the time series. Apart from that, we also propose to use prior knowledge about the mechanism of aneurysm growth to improve the time series reconstruction results. The prior physics-based knowledge is incorporated as constraints for the optimization problem associated with autoencoder. The model can handle both algebraic and differential constraints. Our results show that including physical model information about the data will not significantly improve the time series reconstruction results if the training data is error-free. However, in the case of training data with noise and bias error, incorporating physical model constraints can significantly improve the predicted time series.
- Abstract（参考訳）: 動脈動脈瘤(英: Arterial aneurysm、第1図)は、ヒト動脈の電球状局所拡大であり、その破裂は米国の致死率と死亡率の主要な原因である。
したがって,大動脈瘤破裂の予測は,大動脈瘤管理と治療選択にとって極めて重要である。
大動脈瘤破裂の予測は、大動脈瘤成長史の時系列解析に依存する。
しかし、長期にわたる大動脈瘤成長のスケールのため、大動脈瘤の時系列的成長は必ずしもアクセスできない。
そこで我々は,患者パラメータから直接大動脈瘤成長時系列を再構築する手法を提案する。
この予測は[患者パラメータ, 患者の大動脈瘤成長時間]のデータ対に基づいている。
患者パラメータから患者の大動脈瘤成長時間履歴へのマッピングを得るため,まず自己エンコーダを適用し,各患者に対する時系列のコンパクトな表現を得る。
次に、5層ニューラルネットワークを介して、患者パラメータから対応する時系列のコンパクト表現へのマッピングを学習する。
移動平均および畳み込み出力層は、時系列の時間依存性を明示的に考慮して実装される。
それとは別に、脳動脈瘤の発症メカニズムに関する事前知識を用いて、時系列再構成の結果を改善することを提案する。
従来の物理に基づく知識は、オートエンコーダに関連する最適化問題の制約として組み込まれている。
モデルは代数的制約と微分的制約の両方を扱うことができる。
以上の結果から,トレーニングデータが誤りのない場合,データに関する物理モデル情報を含めると時系列再構成結果が大幅に改善されないことがわかった。
しかし、ノイズやバイアス誤差を伴うトレーニングデータの場合、物理モデル制約を組み込むことで、予測時系列を大幅に改善することができる。
関連論文リスト
- Wav2Arrest 2.0: Long-Horizon Cardiac Arrest Prediction with Time-to-Event Modeling, Identity-Invariance, and Pseudo-Lab Alignment [5.706374608871095]
高周波生理学的波形モダリティは、患者の状態に対する深いリアルタイムな洞察を提供する。
近年、心臓発作を含む重要な事象を予測するための生理学的基礎モデルが示されている。
最小限の補助情報を用いてPSGのみのCAシステムを改善するための3つの改良点を提案する。
論文 参考訳（メタデータ） (2025-09-25T23:46:39Z) - Multi-Task Diffusion Approach For Prediction of Glioma Tumor Progression [0.6978367196609415]
グリオーマは攻撃的な脳腫瘍であり、正確な進化予測に重大な課題をもたらす。
本稿では,グリオーマ進行の時間依存的,ピクセルワイドな予測のためのマルチタスク拡散フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-13T14:42:46Z) - Transformer Model for Alzheimer's Disease Progression Prediction Using Longitudinal Visit Sequences [0.032771631221674334]
アルツハイマー病(英: Alzheimer's disease、AD)は、世界中の何千万人もの人に影響を及ぼす治療法がない神経変性疾患である。
本稿では,対象者の来訪履歴から抽出した一連の訪問の特徴を用いて,次の臨床訪問におけるAD進行を予測するためのトランスフォーマーモデルを提案する。
論文 参考訳（メタデータ） (2025-07-05T04:35:04Z) - TimeFlow: Temporal Conditioning for Longitudinal Brain MRI Registration and Aging Analysis [27.24919836652973]
縦型脳MRI登録のための学習ベースフレームワークであるemphTimeFlowを紹介する。
TimeFlowは正確な時間的コヒーレントな変形場を推定し、非線形外挿によって将来の脳の状態を予測する。
セグメンテーションを必要とせず、正常な老化から神経変性軌道を区別することで、新しい生物学的脳老化解析を支援する。
論文 参考訳（メタデータ） (2025-01-15T09:02:04Z) - Enhancing Uncertain Demand Prediction in Hospitals Using Simple and Advanced Machine Learning [3.9054437595657534]
イスラエルのランバム医療センターの患者ケア需要データを用いて, 両モデルが時間差の患者需要を効果的に捉えていることを示す。
機械学習を用いて3日または1週間前に、患者のケア需要を精度よく予測できる(約4人)。
論文 参考訳（メタデータ） (2024-04-29T13:05:59Z) - Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。
NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。
本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
論文 参考訳（メタデータ） (2023-06-24T17:01:51Z) - 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) - Are we certain it's anomalous? [57.729669157989235]
時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。
本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。
HypADは自己指導で入力信号を再構築する。
論文 参考訳（メタデータ） (2022-11-16T21:31:39Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting
Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。
DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
論文 参考訳（メタデータ） (2020-10-28T15:05:08Z) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳（メタデータ） (2020-01-08T15:47:08Z)
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。