論文の概要: An Exploratory Study into using Machine-Learning for Fast Step-by-step Emulation of Numerical Mechanical Thrombectomy Simulations for Ischemic Stroke

• arxiv url: http://arxiv.org/abs/2606.00892v1
• Date: Sat, 30 May 2026 20:54:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.965938
• Title: An Exploratory Study into using Machine-Learning for Fast Step-by-step Emulation of Numerical Mechanical Thrombectomy Simulations for Ischemic Stroke
• Title（参考訳）: 虚血性脳卒中に対する数値的血栓摘出シミュレーションの高速ステップバイステップエミュレーションにおけるマシンラーニングの適用に関する探索的検討
• Abstract要約: 機械的血栓摘出術を併用した虚血性脳梗塞の治療は,厳密な時間的制約下での難しい決定を伴う。 数値物理学シミュレーションは、理論上、オペレーターに治療アプローチやデバイスの選択に関してより良い決定を下すよう通知することができるが、実際に行うには遅すぎる。 この論文は、現在の機械学習に基づくサロゲートが、これらのシミュレーションをステップバイステップで正確にエミュレートし、より高速にすることができるかどうかを考察する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The treatment of ischemic stroke using mechanical thrombectomy involves difficult decisions under intense time constraints. Numerical physics simulations can in theory inform operators to make better decisions regarding treatment approaches and device selection, but are too slow to do so in practice. In this thesis, we investigate if current machine learning based surrogates can accurately emulate these simulations in a step-by-step manner while making them significantly faster. To do this we train three surrogate models on two simulations that involve a simplified aspiration procedure, with varying levels of geometric complexity. Our results show that two of our models accurately predict singular simulation steps and provide substantial speedups, especially when combined with specific data augmentations. However, the models showed a lack of stability when emulating simulations with complex geometries over longer time periods. Overall, this work provides a foundation for future studies to develop stable methods that scale to realistic numerical physics simulations of mechanical thrombectomy.
• Abstract（参考訳）: 機械的血栓摘出術を併用した虚血性脳梗塞の治療は,厳密な時間的制約下での難しい決定を伴う。 数値物理学シミュレーションは、理論上、オペレーターに治療アプローチやデバイスの選択に関してより良い決定を下すよう通知することができるが、実際に行うには遅すぎる。 本稿では、現在の機械学習に基づくサロゲートが、これらのシミュレーションをステップバイステップで正確にエミュレートし、より高速に行うことができるかどうかを考察する。 これを実現するために,3つのシュロゲートモデルを2つのシミュレーションで訓練する。 以上の結果から,2つのモデルが個々のシミュレーションステップを正確に予測し,特にデータ拡張と組み合わせた場合の大幅な高速化が得られた。 しかし、これらのモデルは、より長い時間にわたって複雑なジオメトリでシミュレーションをエミュレートする際の安定性の欠如を示した。 全体として、この研究は、機械的血栓摘出の現実的な数値物理学シミュレーションにスケールする安定した方法を開発するための、将来の研究の基礎を提供する。

関連論文リスト

• Autoregressive deep learning for real-time simulation of soft tissue dynamics during virtual neurosurgery [19.464888859778487]
  従来の数値解法は、しばしばリアルタイムのパフォーマンス要求を満たすのに不足する。 本稿では,一過性脳の変形を効率的にシミュレートする深層学習に基づく代理モデルを提案する。 さらに、トレーニングされた代理モデルを対話型神経外科シミュレーション環境に統合し、シミュレーションステップあたり10ミリ秒未満のランタイムを実現する。
  論文  参考訳（メタデータ） (2026-01-20T07:25:32Z)
• Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
  本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。 本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。 受け入れ次第、モデルとデータの両方をリリースすることを約束します。
  論文  参考訳（メタデータ） (2025-05-25T01:27:18Z)
• A simulation-heuristics dual-process model for intuitive physics [28.707537312978502]
  注ぐ角度の予測には,シミュレーション時間によって異なる2つの誤差パターンが認められた。 本稿では,シミュレーションのコストがかかるとシミュレーションに切り替えるシミュレーション・ヒューリスティックス・モデル (SHM) を提案する。 SHMは人間の行動とより正確に一致し、様々なシナリオにまたがる一貫した予測性能を示し、直感的な物理的推論の適応性に対する理解を深める。
  論文  参考訳（メタデータ） (2025-04-13T12:34:02Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Rethinking materials simulations: Blending direct numerical simulations with neural operators [1.6874375111244329]
  そこで本研究では,数値解法とニューラル演算子をブレンドしてシミュレーションを高速化する手法を開発した。 物理蒸着中の微細構造変化シミュレーションにおけるこの枠組みの有効性を実証する。
  論文  参考訳（メタデータ） (2023-12-08T23:44:54Z)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• Identifying Simulation Model Through Alternative Techniques for a Medical Device Assembly Process [0.0]
  本稿では,シミュレーションモデルの同定と近似のための2つの異なるアプローチについて検討する。 私たちのゴールは、スナッププロセスを正確に表現し、多様なシナリオに対応できる適応可能なモデルを作ることです。
  論文  参考訳（メタデータ） (2023-09-26T17:40:29Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)
• Fast and differentiable simulation of driven quantum systems [58.720142291102135]
  我々は、ダイソン展開に基づく半解析手法を導入し、標準数値法よりもはるかに高速に駆動量子系を時間発展させることができる。 回路QEDアーキテクチャにおけるトランスモン量子ビットを用いた2量子ゲートの最適化結果を示す。
  論文  参考訳（メタデータ） (2020-12-16T21:43:38Z)
• Leveraging Vision and Kinematics Data to Improve Realism of Biomechanic Soft-tissue Simulation for Robotic Surgery [13.657060682152409]
  ロボット内視鏡手術で得られたライブデータは,不正確なFEMシミュレーション結果の修正にどのように用いられるかを検討する。 我々はオープンソースのda Vinciオペレーショナルシステムを用いて,ソフトチップのファントムを探索し,シミュレーションでインタラクションを再現する。 予測メッシュ位置と測定点雲との差を補正するために,ネットワークをトレーニングする。
  論文  参考訳（メタデータ） (2020-03-14T00:16:08Z)

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。