論文の概要: Blood Pressure Prediction for Coronary Artery Disease Diagnosis using Coronary Computed Tomography Angiography

• arxiv url: http://arxiv.org/abs/2512.10765v1
• Date: Thu, 11 Dec 2025 16:03:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.455595
• Title: Blood Pressure Prediction for Coronary Artery Disease Diagnosis using Coronary Computed Tomography Angiography
• Title（参考訳）: 冠動脈CTによる冠動脈疾患診断における血圧予測
• Authors: Rene Lisasi, Michele Esposito, Chen Zhao,
• Abstract要約: 冠血流の計算流体力学(CFD)に基づくシミュレーションは、冠状動脈疾患(CAD)の診断に有用な血圧勾配などの血行動態マーカーを提供する これらの制限は、AIモデルをトレーニングするためのラベル付き血行動態データの利用を制限し、非侵襲的な生理的CADアセスメントの広範な採用を妨げる。 この研究は、CAD診断をサポートするために、迅速で非侵襲的な血圧予測のためのスケーラブルでアクセス可能なフレームワークを提供する。
• 参考スコア（独自算出の注目度）: 9.264268767604179
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computational fluid dynamics (CFD) based simulation of coronary blood flow provides valuable hemodynamic markers, such as pressure gradients, for diagnosing coronary artery disease (CAD). However, CFD is computationally expensive, time-consuming, and difficult to integrate into large-scale clinical workflows. These limitations restrict the availability of labeled hemodynamic data for training AI models and hinder broad adoption of non-invasive, physiology based CAD assessment. To address these challenges, we develop an end to end pipeline that automates coronary geometry extraction from coronary computed tomography angiography (CCTA), streamlines simulation data generation, and enables efficient learning of coronary blood pressure distributions. The pipeline reduces the manual burden associated with traditional CFD workflows while producing consistent training data. We further introduce a diffusion-based regression model designed to predict coronary blood pressure directly from CCTA derived features, bypassing the need for slow CFD computation during inference. Evaluated on a dataset of simulated coronary hemodynamics, the proposed model achieves state of the art performance, with an R2 of 64.42%, a root mean squared error of 0.0974, and a normalized RMSE of 0.154, outperforming several baseline approaches. This work provides a scalable and accessible framework for rapid, non-invasive blood pressure prediction to support CAD diagnosis.
• Abstract（参考訳）: 冠血流の計算流体力学(CFD)に基づくシミュレーションは、冠状動脈疾患(CAD)の診断に有用な血圧勾配などの血行動態マーカーを提供する。 しかし、CFDは計算コストが高く、時間がかかり、大規模な臨床ワークフローに組み込むのが困難である。 これらの制限は、AIモデルをトレーニングするためのラベル付き血行動態データの利用を制限し、非侵襲的な生理的CADアセスメントの広範な採用を妨げる。 これらの課題に対処するため,冠状動脈造影(CCTA)からの冠状形状抽出を自動化し,シミュレーションデータ生成を効率化し,冠状血圧分布の効率的な学習を可能にするエンド・ツー・エンドパイプラインを開発した。 このパイプラインは、一貫性のあるトレーニングデータを生成しながら、従来のCFDワークフローに関連する手作業の負担を軽減する。 さらに,冠血行動態から冠血行動態を直接予測する拡散型回帰モデルを導入し,推論中のCFD計算を遅くする必要性を回避した。 R2は64.42%、ルート平均2乗誤差は0.0974、正規化RMSEは0.154であり、いくつかのベースライン法よりも優れている。 この研究は、CAD診断をサポートするために、迅速で非侵襲的な血圧予測のためのスケーラブルでアクセス可能なフレームワークを提供する。

関連論文リスト

• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• 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)
• Deep vectorised operators for pulsatile hemodynamics estimation in coronary arteries from a steady-state prior [1.8631187219907217]
  本稿では,拍動血行動態推定のための機械学習を用いた時間効率な代理モデルを提案する。 本モデルにより, 脈動速度と圧力の正確な推定値が得られた。 このことは、深部ベクトル化演算子が心臓血管血行動態推定のための強力なモデリングツールであることを示している。
  論文  参考訳（メタデータ） (2024-10-15T12:24:50Z)
• Voxel2Hemodynamics: An End-to-end Deep Learning Method for Predicting Coronary Artery Hemodynamics [24.8579242043367]
  局所血行動態は冠動脈狭窄の機能的意義を決定する上で重要な役割を担っている。 CCTA画像から冠状動脈血行動態を予測でき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を提案する。
  論文  参考訳（メタデータ） (2023-05-30T15:12:52Z)
• Mesh Neural Networks for SE(3)-Equivariant Hemodynamics Estimation on the Artery Wall [13.113110989699571]
  三次元幾何学的動脈モデルによる壁面上のベクトル値量の推定について検討する。 我々は、三角形のメッシュ上で直接動作するエンドツーエンドSE(3)-同変ニューラルネットワークにおいて、グループ同変グラフ畳み込みを用いる。 本手法は, 経時的, ベクトル値のWSSを, 異なる流れ境界条件下で正確に予測できるほど強力であることを示す。
  論文  参考訳（メタデータ） (2022-12-09T18:16:06Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• Machine-Learning Identification of Hemodynamics in Coronary Arteries in the Presence of Stenosis [0.0]
  人工ニューラルネットワーク(ANN)モデルは、動脈ネットワーク内の圧力と速度を予測するために合成データを用いて訓練される。 モデルの有効性を3つの実測値を用いて検証した。
  論文  参考訳（メタデータ） (2021-11-02T23:51:06Z)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。