論文の概要: Imaging-Derived Coronary Fractional Flow Reserve: Advances in Physics-Based, Machine-Learning, and Physics-Informed Methods

• arxiv url: http://arxiv.org/abs/2602.16000v1
• Date: Tue, 17 Feb 2026 20:46:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-19 15:58:30.432967
• Title: Imaging-Derived Coronary Fractional Flow Reserve: Advances in Physics-Based, Machine-Learning, and Physics-Informed Methods
• Title（参考訳）: 冠状動脈血流予備能 : 物理ベース, マシンラーニング, 物理インフォームド法の進歩
• Authors: Tanxin Zhu, Emran Hossen, Chen Zhao, Michele Esposito, Jiguang Sun, Weihua Zhou,
• Abstract要約: 差分流量予備区(FFR)は、機械学習(ML)、ディープラーニング(DL)、そして高速でワイヤフリーでスケーラブルな冠動脈狭窄の機能評価を可能にする物理情報に基づくアプローチに向けて、従来の計算流体力学(CFD)ベースのパイプラインを超えて急速に進化している。 本稿では,近年のCTおよび血管造影に基づいたFFRの進歩を概説する。特に,新しい物理情報ニューラルネットワークとニューラルオペレータ(PINN,PINO)に着目し,臨床翻訳の要点について考察する。
• 参考スコア（独自算出の注目度）: 7.459890577132048
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Purpose of Review Imaging derived fractional flow reserve (FFR) is rapidly evolving beyond conventional computational fluid dynamics (CFD) based pipelines toward machine learning (ML), deep learning (DL), and physics informed approaches that enable fast, wire free, and scalable functional assessment of coronary stenosis. This review synthesizes recent advances in CT and angiography based FFR, with particular emphasis on emerging physics informed neural networks and neural operators (PINNs and PINOs) and key considerations for their clinical translation. Recent Findings ML/DL approaches have markedly improved automation and computational speed, enabling prediction of pressure and FFR from anatomical descriptors or angiographic contrast dynamics. However, their real-world performance and generalizability can remain variable and sensitive to domain shift, due to multi-center heterogeneity, interpretability challenges, and differences in acquisition protocols and image quality. Physics informed learning introduces conservation structure and boundary condition consistency into model training, improving generalizability and reducing dependence on dense supervision while maintaining rapid inference. Recent evaluation trends increasingly highlight deployment oriented metrics, including calibration, uncertainty quantification, and quality control gatekeeping, as essential for safe clinical use. Summary The field is converging toward imaging derived FFR methods that are faster, more automated, and more reliable. While ML/DL offers substantial efficiency gains, physics informed frameworks such as PINNs and PINOs may provide a more robust balance between speed and physical consistency. Prospective multi center validation and standardized evaluation will be critical to support broad and safe clinical adoption.
• Abstract（参考訳）: 機械学習(ML)、ディープラーニング(DL)、および高速でワイヤフリーでスケーラブルな冠動脈狭窄の機能評価を可能にする物理情報化アプローチに向けた従来の計算流体力学(CFD)ベースのパイプラインよりも急速に進化している。 本稿では,最近のCTおよび血管造影に基づいたFFRの進歩を概説する。特に,新しい物理情報ニューラルネットワークとニューラルオペレータ(PINN,PINO)に着目し,臨床翻訳の要点について考察する。 最近のML/DLアプローチは、自動化と計算速度を大幅に改善し、解剖学的記述子や血管造影コントラストダイナミクスから圧力とFFRを予測することができる。 しかし、マルチセンターの不均一性、解釈可能性の問題、取得プロトコルと画像品質の違いにより、実際のパフォーマンスと一般化性は変わらず、ドメインシフトに敏感である。 物理情報学習は、モデルトレーニングに保存構造と境界条件の整合性を導入し、一般化性を改善し、高速な推論を維持しながら、密集した監督への依存を減らす。 最近の評価トレンドは、安全な臨床使用に不可欠なキャリブレーション、不確実性定量化、品質管理ゲートキーピングなど、デプロイメント指向のメトリクスをますます強調している。 まとめ フィールドは、高速で、より自動化され、より信頼性の高い、画像化FFR法に向かって収束している。 ML/DLは大幅な効率向上を提供するが、PINNやPINOといった物理情報フレームワークは、速度と物理的一貫性のバランスをより堅牢にする可能性がある。 先進的多施設検証と標準化評価は、広範囲かつ安全な臨床導入を支援するために重要である。

関連論文リスト

• A Federated and Parameter-Efficient Framework for Large Language Model Training in Medicine [59.78991974851707]
  大規模言語モデル(LLM)は、質問応答や診断など、医療ベンチマークにおいて強力なパフォーマンスを示している。 ほとんどの医療用LDMは、異種システムの一般化性と安全性の制限に直面している単一の機関のデータに基づいて訓練されている。 本稿では, LLMを医療応用に適用するためのモデルに依存しない, パラメータ効率のよいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T18:48:21Z)
• Pretraining Transformer-Based Models on Diffusion-Generated Synthetic Graphs for Alzheimer's Disease Prediction [0.0]
  本稿では,合成データ生成とグラフ表現学習と伝達学習を組み合わせたTransformerベースの診断フレームワークを提案する。 実世界のNACCデータセットを用いて、クラス条件付き拡散確率モデル(DDPM)を訓練し、大規模な合成コホートを生成する。 モダリティ固有のグラフトランスフォーマーエンコーダは、まずこの合成データに基づいて、堅牢なクラス識別表現を学習する。
  論文  参考訳（メタデータ） (2025-11-24T19:34:53Z)
• From Promise to Practical Reality: Transforming Diffusion MRI Analysis with Fast Deep Learning Enhancement [35.368152968098194]
  FastFOD-Netは、FODを優れたパフォーマンスで強化し、臨床使用のためのトレーニング/推論効率を提供す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である。 この研究は、拡散MRIの強化のための深層学習に基づく手法を、より広く採用し、臨床信頼を構築することを促進する。
  論文  参考訳（メタデータ） (2025-08-13T17:56:29Z)
• Improving physics-informed neural network extrapolation via transfer learning and adaptive activation functions [44.44497277876625]
  物理情報ニューラルネットワーク(英: Physics-Informed Neural Networks、PINN)は、システムの物理法則を学習プロセスに組み込んだディープラーニングモデルである。 本稿では,PINNの補間性能を向上させるために,転送学習(TL)手法を提案する。 提案手法は, 平均L2誤差を平均40%, 平均絶対誤差を平均50%削減する。
  論文  参考訳（メタデータ） (2025-07-16T22:19:53Z)
• OmniFluids: Physics Pre-trained Modeling of Fluid Dynamics [25.066485418709114]
  OmniFluidsは、基礎流体力学の法則を捉え、多様な下流タスクに効率的に適応する純粋物理事前学習モデルである。 本研究では,物理のみの事前学習,粗粒度演算子蒸留,小ショットファインチューニングを併用したトレーニングフレームワークを開発した。 テストによると、OmniFluidsは流れ場の予測と統計の点で最先端のAI駆動手法より優れている。
  論文  参考訳（メタデータ） (2025-06-12T16:23:02Z)
• L-SFAN: Lightweight Spatially-focused Attention Network for Pain Behavior Detection [44.016805074560295]
  慢性的な腰痛 (CLBP) は世界中の何百万もの患者を悩ませており、個人の健康や医療システムに対する経済的負担に大きな影響を及ぼす。 人工知能(AI)とディープラーニングは、リハビリ戦略を改善するために痛みに関連する行動を分析するための有望な道を提供するが、畳み込みニューラルネットワーク(CNN)を含む現在のモデルには限界がある。 我々は、モーションキャプチャーと表面筋電図センサからデータの空間的時間的相互作用をキャプチャする2Dフィルタを組み込んだ軽量CNNアーキテクチャであるhbox EmoL-SFANを紹介する。
  論文  参考訳（メタデータ） (2024-06-07T12:01:37Z)
• Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
  本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。 我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
  論文  参考訳（メタデータ） (2021-06-03T00:02:05Z)
• Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
  本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。 本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。 我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
  論文  参考訳（メタデータ） (2020-06-16T18:45:20Z)

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。