論文の概要: Shape-informed cardiac mechanics surrogates in data-scarce regimes via geometric encoding and generative augmentation

• arxiv url: http://arxiv.org/abs/2602.20306v1
• Date: Mon, 23 Feb 2026 19:40:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.507185
• Title: Shape-informed cardiac mechanics surrogates in data-scarce regimes via geometric encoding and generative augmentation
• Title（参考訳）: 形状インフォームド心臓力学は、幾何学的エンコーディングと生成増強を介して、データスカース状態において補助する
• Authors: Davide Carrara, Marc Hirschvogel, Francesca Bonizzoni, Stefano Pagani, Simone Pezzuto, Francesco Regazzoni,
• Abstract要約: 代理モデルはシミュレーションを加速することができるが、多様な解剖学における一般化は困難である。 物理応答の学習から幾何学的表現を分離する2段階の枠組みを提案する。 提案手法は, 正確な予測と非可視測地への一般化を可能にする。
• 参考スコア（独自算出の注目度）: 3.03918153717041
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-fidelity computational models of cardiac mechanics provide mechanistic insight into the heart function but are computationally prohibitive for routine clinical use. Surrogate models can accelerate simulations, but generalization across diverse anatomies is challenging, particularly in data-scarce settings. We propose a two-step framework that decouples geometric representation from learning the physics response, to enable shape-informed surrogate modeling under data-scarce conditions. First, a shape model learns a compact latent representation of left ventricular geometries. The learned latent space effectively encodes anatomies and enables synthetic geometries generation for data augmentation. Second, a neural field-based surrogate model, conditioned on this geometric encoding, is trained to predict ventricular displacement under external loading. The proposed architecture performs positional encoding by using universal ventricular coordinates, which improves generalization across diverse anatomies. Geometric variability is encoded using two alternative strategies, which are systematically compared: a PCA-based approach suitable for working with point cloud representations of geometries, and a DeepSDF-based implicit neural representation learned directly from point clouds. Overall, our results, obtained on idealized and patient-specific datasets, show that the proposed approaches allow for accurate predictions and generalization to unseen geometries, and robustness to noisy or sparsely sampled inputs.
• Abstract（参考訳）: 心臓力学の高忠実度計算モデルは、心臓機能に関する力学的な洞察を提供するが、定期的な臨床使用には計算が禁じられている。 サロゲートモデルはシミュレーションを加速することができるが、多種多様な解剖学における一般化は、特にデータ・スカース・セッティングにおいて困難である。 本稿では,物理応答の学習から幾何学的表現を分離する2段階の枠組みを提案し,データスカース条件下での形状インフォームシュロゲートモデリングを実現する。 まず、形状モデルは左室ジオメトリーのコンパクトな潜在表現を学習する。 学習された潜伏空間は、解剖を効果的に符号化し、データ拡張のための合成ジオメトリの生成を可能にする。 第二に、この幾何学的エンコーディングを条件としたニューラルネットワークに基づく代理モデルを用いて、外負荷下での心室変位を予測する。 提案アーキテクチャは, 普遍的な心室座標を用いて位置符号化を行い, 多様な解剖学における一般化を向上する。 幾何学的可変性は、2つの代替戦略を用いて符号化され、体系的に比較される: PCAベースのジオメトリのポイントクラウド表現を扱うのに適したアプローチと、ポイントクラウドから直接学習されたDeepSDFベースの暗黙的ニューラルネットワーク表現である。 以上の結果から,提案手法は未確認測地に対する正確な予測と一般化を可能にし,ノイズやスパースなサンプル入力に対する堅牢性を示した。

関連論文リスト

• Advanced Geometric Correction Algorithms for 3D Medical Reconstruction: Comparison of Computed Tomography and Macroscopic Imaging [0.9395222766576343]
  本稿では, マクロスライスから3次元腎解剖を再構築するためのハイブリッド2段階登録フレームワークを提案する。 これは、マクロ画像の典型的なデータスカシティと高歪みの課題に対処する。 提案手法は,光学的および写真的断面から再構成した他の軟部臓器に一般化する。
  論文  参考訳（メタデータ） (2026-01-30T17:16:17Z)
• Deformable registration and generative modelling of aortic anatomies by auto-decoders and neural ODEs [4.299467172990462]
  本研究は, 形状登録のための深層学習モデルであるAD-SVFDを導入する。 AD-SVFDの特徴的な特徴はオートデコーダ構造であり、形状コホートをまたいだ一般化を可能にし、効率的な重量共有を好んでいる。 新しい解剖学は、潜在空間から適切にサンプリングし、対応する逆変換を基準幾何学に適用することで合成することができる。
  論文  参考訳（メタデータ） (2025-06-01T10:30:58Z)
• Full-field surrogate modeling of cardiac function encoding geometric variability [1.3643562541556224]
  本研究では,心臓解剖学をフルフィールドサロゲートモデルに組み込む新しい計算パイプラインを提案する。 我々は,物理シミュレーションから抽出した活性化マップをニューラルネットワークに符号化するために,分岐潜時ニューラルネットワーク(BLNMs)を有効な科学的機械学習手法として用いた。 我々のサロゲートモデルは、複雑な患者コホートにまたがるロバスト性と大きな一般化を示し、平均2乗誤差0.0034を達成する。
  論文  参考訳（メタデータ） (2025-04-29T07:22:06Z)
• Geometry-aware Active Learning of Spatiotemporal Dynamic Systems [4.251030047034566]
  本稿では,動的システムのモデリングのための幾何対応能動学習フレームワークを提案する。 データ収集のための空間的位置を戦略的に識別し、予測精度をさらに最大化する適応型能動学習戦略を開発した。
  論文  参考訳（メタデータ） (2025-04-26T19:56:38Z)
• A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
  空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。 本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。 ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。 これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
  論文  参考訳（メタデータ） (2024-12-12T16:05:39Z)
• Data-driven reduced-order modelling for blood flow simulations with geometry-informed snapshots [0.0]
  類似しているが異なる領域における血流シミュレーションの効率的な予測法として,データ駆動サロゲートモデルを提案する。 幾何パラメータに対する非侵入的還元次数モデルが適切な分解を用いて構築される。 ラジアル基底関数補間器は、縮小順序モデルの縮小係数を予測するために訓練される。
  論文  参考訳（メタデータ） (2023-02-21T21:18:17Z)
• A Generative Shape Compositional Framework to Synthesise Populations of Virtual Chimaeras [52.33206865588584]
  複雑な解剖学的構造に対する生成的形状モデルを導入し、未ペアデータセットのデータセットから学習する。 心臓のサブストラクチャのサンプルとして,全音節形状のデータベースから仮想キマエラを構築した。 提案手法は,PCAをベースとした形状モデル(完全データによる学習)を,汎用性と特異性の観点から大きく上回っている。
  論文  参考訳（メタデータ） (2022-10-04T13:36:52Z)
• Deep learning-based surrogate model for 3-D patient-specific computational fluid dynamics [6.905238157628892]
  任意の複雑な3次元幾何学の入力空間をパラメータ化することは、非常に難しい。 本稿では,これらの課題に対処し,迅速な血行動態予測を可能にするための新しいディープラーニング・サロゲート・モデリング・ソリューションを提案する。
  論文  参考訳（メタデータ） (2022-04-11T17:34:51Z)
• MetaSDF: Meta-learning Signed Distance Functions [85.81290552559817]
  ニューラルな暗示表現で形状を一般化することは、各関数空間上の学習先行値に比例する。 形状空間の学習をメタラーニング問題として定式化し、勾配に基づくメタラーニングアルゴリズムを利用してこの課題を解決する。
  論文  参考訳（メタデータ） (2020-06-17T05:14:53Z)

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。