論文の概要: Flow-based conditional cardiac anatomy generation for virtual cohorts
- arxiv url: http://arxiv.org/abs/2608.09460v1
- Date: Mon, 10 Aug 2026 11:30:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.222902
- Title: Flow-based conditional cardiac anatomy generation for virtual cohorts
- Title（参考訳）: 仮想コホートのためのフローベース条件心解剖
- Abstract要約: CAN-FLOWは、FLOWの正規化に基づく条件付き解剖生成フレームワークである。
健康な英国バイオバンクの被験者2,208名を対象にCAN-FLOWをトレーニングし,正常化強度のcVAEと比較した。
- 参考スコア（独自算出の注目度）: 33.767190884355784
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cardiac digital twin research is moving from subject-specific anatomical replicas toward virtual cohorts that represent clinically relevant population subgroups. Yet access to representative imaging-derived anatomy datasets remains limited by cohort size, subgroup sparsity, and data-sharing constraints. Conditional generative models could help address this gap, but virtual cohorts are useful only if they preserve realistic, metadata-dependent anatomical variability. Existing cardiac anatomy generators largely rely on conditional variational autoencoders (cVAEs), which couple representation learning and metadata conditioning through a shared regularized latent prior. We introduce CAN-FLOW, a two-step Conditional ANatomy generation framework based on normalizing FLOWs that first learns geometry-only latent representations of diffeomorphic cardiac shape momenta and then models their sex-, age-, and body-mass-index-dependent distribution with a conditional normalizing flow. We trained CAN-FLOW on 2,208 healthy UK Biobank subjects and compared it with cVAEs across regularization strengths. CAN-FLOW generated plausible stochastic biventricular anatomies that better reproduced clinical phenotype distributions, metadata-dependent trends, subgroup variability, point-cloud coverage, and high-dimensional shape variability. Together, these results establish CAN-FLOW as a shareable framework for generating realistic, stochastically varying, metadata-conditioned biventricular anatomies for virtual cohort construction and in silico clinical trial workflows.
- Abstract（参考訳）: 心臓デジタル双生児の研究は、被験者固有の解剖学的レプリカから、臨床的に関連する集団のサブグループを表す仮想コホートへと移行している。
しかし、一般的な画像由来の解剖学的データセットへのアクセスは、コホートサイズ、サブグループ間隔、データ共有の制約によって制限されている。
条件付き生成モデルは、このギャップに対処するのに役立つが、仮想コホートは、現実的でメタデータに依存した解剖学的変動を保存する場合にのみ有用である。
既存の心臓解剖学ジェネレータは条件付き変分オートエンコーダ(cVAE)に大きく依存している。
CAN-FLOWは、FLOWの正規化に基づく2段階の条件付き解剖生成フレームワークであり、まず、微分型心形モータの幾何学のみの潜時表現を学習し、その後、条件付き正規化フローを用いて、性別、年齢、体重に依存した分布をモデル化する。
健康な英国バイオバンクの被験者2,208名を対象にCAN-FLOWをトレーニングし,正常化強度のcVAEと比較した。
CAN-FLOWは, 臨床表現型分布, メタデータ依存傾向, サブグループ変動, ポイントクラウドカバレッジ, および高次元形状変化をよりよく再現する, 可塑性確率性心室細動を発生させた。
これらの結果はCAN-FLOWを仮想コホート構築のための現実的で確率的に変化するメタデータ条件の両心室解剖学とサイリコ臨床試験ワークフローの共有フレームワークとして確立した。
関連論文リスト
- From Raw Segmentations to Simulation-Ready Cardiac Meshes: An Automated Framework for Anatomical Reconstruction and Virtual Cohort Generation [40.52388056968461]
我々は,CTに基づくセグメンテーションをシミュレーション可能な心筋メッシュに変換する半自動パイプラインを提案する。
Chamfer-Distance morphing 戦略は、トポロジーを保ちながら個々のチャンバーにマッチして、各セグメンテーションハートに対して高品質なテンプレートを変形させる。
パイプラインは、すべての心臓室と近位血管セグメントを含む58個の心臓CTスキャンで検証されている。
論文 参考訳（メタデータ） (2026-06-29T09:07:05Z) - Multi-View Stenosis Classification Leveraging Transformer-Based Multiple-Instance Learning Using Real-World Clinical Data [76.89269238957593]
冠動脈狭窄は心血管疾患の主要な原因であり,多発血管造影で冠動脈を解析し診断した。
患者レベルの狭窄分類のためのトランスフォーマーベースマルチビューマルチインスタンス学習フレームワークであるSegmentMILを提案する。
論文 参考訳（メタデータ） (2026-02-02T13:07:52Z) - Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。
包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
論文 参考訳（メタデータ） (2025-05-30T14:42:02Z) - Multimodal Forecasting of Sparse Intraoperative Hypotension Events Powered by Language Model [14.69824092898171]
術中低血圧 (IOH) は全身麻酔下で頻繁に発生し, 心筋損傷や死亡率の増加などの副作用と強く関連している。
その重要性にもかかわらず、IOH予測はイベントのばらつきと、さまざまな患者にまたがる静的データと動的データを統合することの難しさによって妨げられている。
スパース低血圧事象を正確に識別し識別する多モーダル言語モデルフレームワークである textbfIOHFuseLM を提案する。
論文 参考訳（メタデータ） (2025-05-28T08:44:55Z) - Two-Stage Generative Model for Intracranial Aneurysm Meshes with Morphological Marker Conditioning [5.424055089770432]
頭蓋内動脈瘤(IA)のメッシュ形状の生成モデルは,リアルタイムに血流量を予測するためのトレーニングネットワークにとって重要である。
本稿では,2段階可変オートエンコーダ(VAE)を用いたIAメッシュジェネレータAneuGを提案する。
論文 参考訳（メタデータ） (2025-05-15T15:30:41Z) - Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:57:39Z) - Probing the Limits and Capabilities of Diffusion Models for the Anatomic
Editing of Digital Twins [0.9628617363701458]
本稿では,デジタル双生児の解剖学的変異を編集する潜在拡散モデルの能力について検討する。
我々は特にデジタル双生児を編集し、異なる空間スケールおよび局所領域で解剖学的変異を導入する。
論文 参考訳（メタデータ） (2023-12-30T14:21:30Z) - A Conditional Flow Variational Autoencoder for Controllable Synthesis of
Virtual Populations of Anatomy [76.20367415712867]
本稿では,正規化フローを用いた条件付き変分オートエンコーダ(cVAE)を提案する。
2360例の心左心室データを用いた条件流VAEの性能について検討した。
論文 参考訳（メタデータ） (2023-06-26T13:23:52Z) - 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) - Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。
GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文 参考訳（メタデータ） (2022-07-20T07:32:02Z)
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。