論文の概要: PINNOCHIO: Physics-Informed Neural Network for Coupled Hyperelastic Interface-Volume Simulation in Orthognathic Surgery

• arxiv url: http://arxiv.org/abs/2606.01572v1
• Date: Mon, 01 Jun 2026 02:20:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.871605
• Title: PINNOCHIO: Physics-Informed Neural Network for Coupled Hyperelastic Interface-Volume Simulation in Orthognathic Surgery
• Title（参考訳）: PINNOCHIO: 人工口腔手術における超弾性界面-体積シミュレーションのための物理インフォームニューラルネットワーク
• Authors: Jungwook Lee, Daeseung Kim, Kevin Gu, Zhangfeng Hu, Tianshu Kuang, Finn Hopeman, Michael A. K. Liebschner, Jaime Gateno, Pingkun Yan,
• Abstract要約: PINNOCHIO(ピノチオ)は、顔認識シミュレーションのための物理インフォームドフレームワークである。 表面精度と物理的妥当性の両方において、既存のベースラインを上回っている。 FEMの大幅な高速化を実現し、インタラクティブな手術計画のための信頼性が高く実用的なツールを提供する。
• 参考スコア（独自算出の注目度）: 4.625256759990133
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting patient-specific facial soft-tissue deformation is critical for iterative orthognathic surgery planning. However, current computational methods face a strict accuracy-efficiency trade-off: high-fidelity Finite Element Methods (FEM) are computationally prohibitive, whereas pure deep learning models often produce biomechanically inconsistent results. While Physics-Informed Neural Networks (PINNs) offer a promising avenue, learning the complex heterogeneous mechanics of bone--soft-tissue interactions with only partial clinical supervision (i.e., outer facial surfaces) remains highly unstable. To overcome these challenges, we present PINNOCHIO, a novel physics-informed framework for facial soft-tissue simulation. PINNOCHIO introduces a hybrid sequential decomposition that explicitly decouples discontinuous bone--soft-tissue interface movements from continuous volumetric hyperelastic deformation. This structural separation enables stable training and facilitates a physics-enabled sim-to-real adaptation strategy, ensuring internal biomechanical consistency without requiring volumetric ground truth. Evaluated on a 40-patient clinical cohort, PINNOCHIO outperforms existing baselines in both surface accuracy and physical validity. Furthermore, it achieves a substantial speedup over FEM, successfully resolving the accuracy-efficiency trade-off to provide a highly reliable and practical tool for interactive surgical planning.
• Abstract（参考訳）: 顔面軟部変形の予測は, 反復的矯正手術計画において重要である。 しかし、現在の計算手法は厳密な精度と効率のトレードオフに直面している: 高忠実な有限要素法(FEM)は計算が禁じられているが、純粋なディープラーニングモデルは生体力学的に矛盾する結果を生み出すことが多い。 物理情報ニューラルネットワーク(PINN)は有望な道のりを提供するが、骨-軟部組織間相互作用の複雑なヘテロジニアス力学を、部分的な臨床監督(外面)のみで学ぶことは、非常に不安定なままである。 これらの課題を克服するために,顔軟部組織シミュレーションのための物理インフォームドフレームワークであるPINNOCHIOを提案する。 PINNOCHIOは、連続した体積超弾性変形から不連続な骨-ソフト-チップ界面運動を明示的に分離するハイブリッドシーケンシャル分解を導入する。 この構造的分離は安定したトレーニングを可能にし、物理対応のsim-to-real適応戦略を促進し、体積的基底真理を必要とせずに内部の生体力学的整合性を確保する。 40人の臨床コホートで評価されたPINNOCHIOは、表面精度と物理的妥当性の両方において、既存のベースラインを上回っている。 さらに、FEMの大幅な高速化を実現し、精度と効率のトレードオフを解消し、インタラクティブな手術計画のための信頼性が高く実用的なツールを提供する。

関連論文リスト

• Neural-Augmented Kelvinlet for Real-Time Soft Tissue Deformation Modeling [13.94373407381203]
  本稿では,ソフト形状変形のリアルタイム予測を可能にする物理インフォームド・ニューラル・シミュレーション・フレームワークを提案する。 提案手法は, ケビンレットをベースとした解析的先行データと大規模FEMデータを統合し, 非線形組織応答と非線形組織応答の両方を捉える。 これらの結果から,Kelvinlet-augmented Learningは,外科的AIにおけるリアルタイムな物理対応型ソフトタスクシミュレーションのための,原理的かつ計算学的に効率的なパラダイムとして確立された。
  論文  参考訳（メタデータ） (2025-06-06T19:22:49Z)
• Spatiotemporal Field Generation Based on Hybrid Mamba-Transformer with Physics-informed Fine-tuning [46.67399627400437]
  この研究は、訓練されたモデルによる物理場の生成における物理方程式の相当な相違に直面する。 HMT-PFという名称の物理場生成モデルは、ハイブリッドのMamba-Transformerアーキテクチャに基づいて開発されている。
  論文  参考訳（メタデータ） (2025-05-16T14:40:56Z)
• MIXPINN: Mixed-Material Simulations by Physics-Informed Neural Network [1.275845610262865]
  従来の有限要素法(FEM)に基づくシミュレーションは計算コストが高く、リアルタイムシナリオでは実用的ではない。 混合材料シミュレーションのための物理インフォームドグラフニューラルネットワーク(GNN)フレームワークMIXPINNを紹介する。 バイオメカニカル構造のグラフベース表現を活用することで、MIXPINNはFEM生成データから高忠実度変形を学習し、サブミリ秒精度でリアルタイムな推論を実現する。
  論文  参考訳（メタデータ） (2025-03-17T12:48:29Z)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• 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 Learning-based Facial Appearance Simulation Driven by Surgically Planned Craniomaxillofacial Bony Movement [13.663130604042278]
  顔の外観を推定するために,注意応答支援運動変換ネットワーク(ACMT-Net)を提案する。 提案手法は, 最先端のFEM手法と比較して, 顔変化予測精度を向上できることを示す。
  論文  参考訳（メタデータ） (2022-10-04T15:33:01Z)

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。