論文の概要: Asymptotic-Preserving Neural Networks for Viscoelastic Parameter Identification in Multiscale Blood Flow Modeling

• arxiv url: http://arxiv.org/abs/2604.06287v1
• Date: Tue, 07 Apr 2026 12:58:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.151911
• Title: Asymptotic-Preserving Neural Networks for Viscoelastic Parameter Identification in Multiscale Blood Flow Modeling
• Title（参考訳）: マルチスケール血流モデルにおける粘弾性パラメータ同定のための漸近保存ニューラルネットワーク
• Authors: Giulia Bertaglia, Raffaella Fiamma Cabini,
• Abstract要約: Asymptotic-Preserving Neural Networksは、学習手順内に、マルチスケールの粘弾性血流モデルの物理原則を組み込む。 この枠組みにより,血管の状態変数の時間依存性の進化を同時に再構築し,粘弾性パラメータを推定できる。 合成シナリオと患者固有のシナリオの両方で異なる数値シミュレーションを行い,提案手法の有効性を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mathematical models and numerical simulations offer a non-invasive way to explore cardiovascular phenomena, providing access to quantities that cannot be measured directly. In this study, we start with a one-dimensional multiscale blood flow model that describes the viscoelastic properties of arterial walls, and we focus on improving its practical applicability by addressing a major challenge: determining, in a reliable way, the viscoelastic parameters that control how arteries deform under pulsatile pressure. To achieve this, we employ Asymptotic-Preserving Neural Networks that embed the governing physical principles of the multiscale viscoelastic blood flow model within the learning procedure. This framework allows us to infer the viscoelastic parameters while simultaneously reconstructing the time-dependent evolution of the state variables of blood vessels. With this approach, pressure waveforms are estimated from readily accessible patient-specific data, i.e., cross-sectional area and velocity measurements from Doppler ultrasound, in vascular segments where direct pressure measurements are not available. Different numerical simulations, conducted in both synthetic and patient-specific scenarios, show the effectiveness of the proposed methodology.
• Abstract（参考訳）: 数学的モデルと数値シミュレーションは、心血管現象を探索する非侵襲的な方法を提供し、直接測定できない量へのアクセスを提供する。 本研究では,動脈壁の粘弾性特性を記述した1次元多次元血流モデルから始めるとともに,脈圧下での血管の変形を制御する粘弾性パラメータを信頼性の高い方法で決定することによる実用性の向上に焦点をあてる。 これを実現するために,多スケール粘弾性血流モデルの物理原理を学習手順に組み込んだ漸近保存ニューラルネットワークを用いる。 この枠組みにより,血管の状態変数の時間依存性の進化を同時に再構築し,粘弾性パラメータを推定できる。 本手法では, 直接圧測定が不可能な血管領域において, 超音波ドプラの断面積, 速度測定など, 容易にアクセス可能な患者固有のデータから圧力波形を推定する。 合成シナリオと患者固有のシナリオの両方で異なる数値シミュレーションを行い,提案手法の有効性を示した。

関連論文リスト

• Real-Time Surrogate Modeling for Personalized Blood Flow Prediction and Hemodynamic Analysis [0.21111026813272174]
  本稿では,瞬時血行動態予測とパラメータ推定が可能な機械学習モデル(ML)を訓練するための体系的枠組みを提案する。 Asklepiosの大規模臨床データセットで観測された多変量相関に基づいて,まずパラメトリックな仮想コホートを作成した。 次に、患者固有の動脈圧と心臓出力(CO)を予測するディープ・ニューラル・サロゲートモデルを訓練し、入力パラメータの高速なアプリオリスクリーニングを可能にする。
  論文  参考訳（メタデータ） (2026-04-03T17:15:34Z)
• 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)
• 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)
• Neural Implicit Representations for Physical Parameter Inference from a Single Video [49.766574469284485]
  本稿では,外見モデルのためのニューラル暗黙表現と,物理現象をモデル化するためのニューラル常微分方程式(ODE)を組み合わせることを提案する。 提案モデルでは,大規模なトレーニングデータセットを必要とする既存のアプローチとは対照的に,単一のビデオから物理的パラメータを識別することが可能になる。 ニューラル暗示表現を使用することで、高解像度ビデオの処理とフォトリアリスティック画像の合成が可能になる。
  論文  参考訳（メタデータ） (2022-04-29T11:55:35Z)
• Continuous Forecasting via Neural Eigen Decomposition of Stochastic Dynamics [47.82509795873254]
  本稿では,スパース観測と適応力学を用いた逐次予測のためのニューラル固有SDEアルゴリズムを提案する。 NESDEは、スパース観測による効率的な頻繁な予測を可能にするために、力学モデルに固有分解を適用する。 我々は,MIMIC-IVデータセットにおけるヘパリン投与後の血液凝固の患者適応予測を初めて行った。
  論文  参考訳（メタデータ） (2022-01-31T22:16:50Z)
• 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)
• Physics-informed neural networks for myocardial perfusion MRI quantification [3.318100528966778]
  本研究では, 心筋灌流MR定量化のための物理インフォームドニューラルネットワーク(PINN)を提案する。 PINNは、基礎となる物理保存法則を尊重しながら、観測された拡散MRデータに適合するように訓練することができる。
  論文  参考訳（メタデータ） (2020-11-25T16:02:52Z)
• Geometric Uncertainty in Patient-Specific Cardiovascular Modeling with Convolutional Dropout Networks [0.0]
  患者固有の心血管モデルの条件分布からサンプルを生成する新しい手法を提案する。 提案手法で導入された主な革新は、トレーニングデータから直接幾何的不確実性を学ぶ能力である。
  論文  参考訳（メタデータ） (2020-09-16T00:13:12Z)

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。