論文の概要: Graph Deep Learning for Intracranial Aneurysm Blood Flow Simulation and Risk Assessment

• arxiv url: http://arxiv.org/abs/2512.09013v1
• Date: Tue, 09 Dec 2025 18:31:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 15:14:53.270365
• Title: Graph Deep Learning for Intracranial Aneurysm Blood Flow Simulation and Risk Assessment
• Title（参考訳）: 頭蓋内大動脈瘤の血流シミュレーションとリスク評価のためのグラフ深層学習
• Authors: Paul Garnier, Pablo Jeken-Rico, Vincent Lannelongue, Chiara Faitini, Aurèle Goetz, Lea Chanvillard, Ramy Nemer, Jonathan Viquerat, Ugo Pelissier, Philippe Meliga, Jacques Sédat, Thomas Liebig, Yves Chau, Elie Hachem,
• Abstract要約: 頭蓋内動脈瘤は、世界中の神経疾患と死亡の主な原因である。 従来の計算流体力学シミュレーションは正確な洞察を提供するが、極めて遅く、専門的な専門知識を必要とする。 本稿では,このギャップを埋めるグラフニューラルネットワークサロゲートモデルを提案する。
• 参考スコア（独自算出の注目度）: 2.759923839023361
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Intracranial aneurysms remain a major cause of neurological morbidity and mortality worldwide, where rupture risk is tightly coupled to local hemodynamics particularly wall shear stress and oscillatory shear index. Conventional computational fluid dynamics simulations provide accurate insights but are prohibitively slow and require specialized expertise. Clinical imaging alternatives such as 4D Flow MRI offer direct in-vivo measurements, yet their spatial resolution remains insufficient to capture the fine-scale shear patterns that drive endothelial remodeling and rupture risk while being extremely impractical and expensive. We present a graph neural network surrogate model that bridges this gap by reproducing full-field hemodynamics directly from vascular geometries in less than one minute per cardiac cycle. Trained on a comprehensive dataset of high-fidelity simulations of patient-specific aneurysms, our architecture combines graph transformers with autoregressive predictions to accurately simulate blood flow, wall shear stress, and oscillatory shear index. The model generalizes across unseen patient geometries and inflow conditions without mesh-specific calibration. Beyond accelerating simulation, our framework establishes the foundation for clinically interpretable hemodynamic prediction. By enabling near real-time inference integrated with existing imaging pipelines, it allows direct comparison with hospital phase-diagram assessments and extends them with physically grounded, high-resolution flow fields. This work transforms high-fidelity simulations from an expert-only research tool into a deployable, data-driven decision support system. Our full pipeline delivers high-resolution hemodynamic predictions within minutes of patient imaging, without requiring computational specialists, marking a step-change toward real-time, bedside aneurysm analysis.
• Abstract（参考訳）: 頭蓋内大動脈瘤は、局所血行動態、特に壁せん断応力と振動性せん断指数とに断裂リスクが強く結びついている、世界中の神経障害と死亡の主な原因である。 従来の計算流体力学シミュレーションは正確な洞察を提供するが、極めて遅く、専門的な専門知識を必要とする。 4D Flow MRIのような臨床画像の代替品は、直接の生体内測定を提供するが、その空間分解能は、極めて実用的で高価でありながら、内皮リモデリングと破裂リスクを惹起する微細なせん断パターンを捉えるには不十分である。 本稿では,このギャップを埋めるグラフニューラルネットワークサロゲートモデルを提案する。 我々のアーキテクチャは、患者固有の動脈瘤の高忠実度シミュレーションの包括的なデータセットに基づいて、グラフトランスフォーマーと自己回帰予測を組み合わせて、血流、壁せん断応力、振動せん断指数を正確にシミュレートする。 このモデルは、メッシュ固有のキャリブレーションを使わずに、目に見えない患者ジオメトリーと流入条件を一般化する。 シミュレーションの高速化以外にも,本フレームワークは臨床的に解釈可能な血行動態予測の基礎を確立している。 既存の画像パイプラインとほぼリアルタイムでの推論を可能にすることで、病院の位相図アセスメントと直接比較することができ、それらを物理的に接地された高解像度のフローフィールドで拡張することができる。 本研究は,高忠実度シミュレーションを専門家のみの研究ツールから,デプロイ可能なデータ駆動意思決定支援システムに変換する。 私たちの完全なパイプラインは、計算専門家を必要とせずに、患者画像の数分以内に高分解能な血行動態予測を提供し、リアルタイムのベッドサイド大動脈瘤解析へのステップシフトをマークします。

関連論文リスト

• X$^{2}$-Gaussian: 4D Radiative Gaussian Splatting for Continuous-time Tomographic Reconstruction [64.2059940799033]
  現在の方法では、時間分解能を呼吸ゲーティング装置で固定相に識別する。 新規なフレームワークであるX$2$-Gaussianは、動的放射スプラッティングと自己監督型呼吸運動学習を統合することで、連続的な4DCT再構成を可能にする。
  論文  参考訳（メタデータ） (2025-03-27T17:59:57Z)
• 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)
• 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)
• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• Simulation-based Inference for Cardiovascular Models [43.55219268578912]
  シミュレーションに基づく推論を用いて、波形をプラプシブルな生理的パラメータにマッピングする逆問題を解決する。 臨床応用5種類のバイオマーカーのin-silico不確実性解析を行った。 我々はMIMIC-III波形データベースを用いて,ビビオとシリカのギャップについて検討した。
  論文  参考訳（メタデータ） (2023-07-26T02:34:57Z)
• 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)
• Transient Hemodynamics Prediction Using an Efficient Octree-Based Deep Learning Model [0.0]
  複雑な合成血管形状の高分解能(空間および時間)速度場を予測できるアーキテクチャを提案する。 CFDシミュレーションと比較して、速度場は平均絶対誤差0.024m/sで推定できるのに対し、実行時間は高性能クラスタでは数時間からコンシューマグラフィカル処理ユニットでは数秒に短縮される。
  論文  参考訳（メタデータ） (2023-02-13T17:56:00Z)
• Microvascular Dynamics from 4D Microscopy Using Temporal Segmentation [81.30750944868142]
  経時的に脳血流量の変化を追跡でき, ピアル表面に向かって伝播する自発性動脈拡張を同定できる。 この新たなイメージング機能は、機能的磁気共鳴イメージング(fMRI)を基盤とした血行動態応答関数を特徴付けるための有望なステップである。
  論文  参考訳（メタデータ） (2020-01-14T22:55:03Z)

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。