論文の概要: HIPNO: Symmetry-Aware Physics-Informed Neural Operators for Noninvasive Hemodynamic Inference

• arxiv url: http://arxiv.org/abs/2608.10011v1
• Date: Sat, 08 Aug 2026 07:03:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.754799
• Title: HIPNO: Symmetry-Aware Physics-Informed Neural Operators for Noninvasive Hemodynamic Inference
• Title（参考訳）: 非侵襲的血行動態推論のための対称性を考慮した物理インフォームドニューラル演算子
• Abstract要約: 連続血行動態モニタリングは、手術および集中治療における治療決定を導く。 金標準信号は、侵襲的な測定に関連するリスクのため、重篤なケースでのみ測定される。 ユビキタスで非侵襲的な信号から血行動態を回復するためにHIPNOを導入する。
• 参考スコア（独自算出の注目度）: 3.3014658977998397
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Continuous hemodynamic monitoring guides treatment decisions in surgery and intensive care. However, gold-standard signals are only measured in severe cases due to risks associated with invasive measurement. In this work, we introduce HIPNO (Hemodynamic Inference via Physics-informed Neural Operators) to recover hemodynamic state from ubiquitous, non-invasive signals and expand access to advanced monitoring. HIPNO addresses a problem of scale symmetry in physics-informed hemodynamic inference, where different combinations of flow, resistance, and compliance can generate the same observed pressure. We identify the symmetry group of the observation model and parameterize the network in its quotient space. For the 3-element Windkessel model, the quotient coordinates are the compliance-normalized flow $U=Q/C$, the decay time constant $τ_{WK}=R_2 C$, and the characteristic-impedance coordinate $κ=R_1 C$. Across 945499 intraoperative windows from 2562 patients, HIPNO predicts $τ_{wave}$, a proxy for vascular decay derived from pressure, with 32% lower error on the log scale than a population baseline while preserving mean arterial pressure accuracy. Because vascular decay and flow drive occupy separate coordinates, counterfactual perturbations produce the expected directional responses in at least 90% of windows in almost all prespecified scenarios, a separation unavailable to pressure-only baselines. The coordinates are also used as inputs to a calibration model for monitored cardiac output. Finally, the formulation identifies the external compliance or flow reference required to recover absolute physical scale.
• Abstract（参考訳）: 連続血行動態モニタリングは、手術および集中治療における治療決定を導く。 しかし、金標準信号は、侵襲的な測定に伴うリスクのため、重篤なケースでのみ測定される。 本研究ではHIPNO(Hemodynamic Inference via Physics-informed Neural Operators)を導入し、ユビキタスで非侵襲的な信号から血行状態を回復し、高度なモニタリングへのアクセスを拡大する。 HIPNOは物理インフォームドヘモダイナミック推論におけるスケール対称性の問題に対処し、フロー、抵抗、コンプライアンスの異なる組み合わせが同じ圧力を発生させる。 観測モデルの対称性群を同定し,その商空間におけるネットワークのパラメータ化を行う。 3要素ウィンドケッセルモデルの場合、商座標はコンプライアンス正規化フロー$U=Q/C$、減衰時間定数$τ_{WK}=R_2C$、特性インピーダンス座標$κ=R_1C$である。 HIPNOは,2562例の術中窓の945499点中,平均血圧を保ちながら,対数スケールで32%の誤差で血圧から血管崩壊の指標であるτ_{wave}$を予測した。 血管崩壊と流れの駆動が別々の座標を占有しているため、カウンターファクチュアルな摂動は、ほぼすべての既定シナリオにおいて、少なくとも90%の窓で予測される方向応答を発生させ、圧力のみのベースラインでは分離できない。 座標は、モニターされた心臓出力の校正モデルへの入力としても用いられる。 最後に、定式化は、絶対的な物理的スケールの回復に必要な外部コンプライアンスまたはフローリファレンスを特定する。

関連論文リスト

• Learning Unsteady Aneurysm Hemodynamics with Physics-Informed DeepONets [0.0]
  M3PI-DeepONetは、平均相対的なL2速度誤差を4%以下、圧力誤差を5%程度で、非定常な3次元流速と圧力場を同時に予測する。 本研究は, 心血管疾患モデルにおける深層学習の応用を推し進め, リアルタイム非侵襲的臨床診断への一歩を踏み出した。
  論文  参考訳（メタデータ） (2026-08-13T09:08:24Z)
• Wall Shear Stress Reconstruction from Concentration: Differentiable Physics and Physics-Informed Neural Networks [0.39998518782208775]
  壁せん断応力は近壁輸送動態を制御し,循環動態における重要な血行動態指標である。 本研究では,空間的に制限されたパッシブスカラー観測から,2つの基本的異なる逆フレームワークを用いた再構成を実証する。 提案フレームワークは,スカラー輸送データから壁近傍の血行動態を推定するための経路を開き,流体流動問題に広く適用可能である。
  論文  参考訳（メタデータ） (2026-06-04T15:53:42Z)
• Recovering Whole-Brain Causal Connectivity under Indirect Observation with Applications to Human EEG and fMRI [18.05064735256717]
  INCAMA(Indirect CAusal MAmba)は、間接的な観測から神経力学を分離するために測定物理を考慮に入れた潜在空間因果発見フレームワークである。 脳波とfMRIの大規模生体物理シミュレーションにおけるINCAMAの有効性を検証した。
  論文  参考訳（メタデータ） (2026-01-30T01:26:28Z)
• PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
  既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。 本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。 これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。 Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-29T14:36:45Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Allostatic Control of Persistent States in Spiking Neural Networks for perception and computation [79.16635054977068]
  本稿では,アロスタシスの概念を内部表現の制御に拡張することにより,環境に対する知覚的信念を更新するための新しいモデルを提案する。 本稿では,アトラクタネットワークにおける活動の急増を空間的数値表現として利用する数値認識の応用に焦点を当てる。
  論文  参考訳（メタデータ） (2025-03-20T12:28:08Z)
• 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)
• Mesh Neural Networks for SE(3)-Equivariant Hemodynamics Estimation on the Artery Wall [13.113110989699571]
  三次元幾何学的動脈モデルによる壁面上のベクトル値量の推定について検討する。 我々は、三角形のメッシュ上で直接動作するエンドツーエンドSE(3)-同変ニューラルネットワークにおいて、グループ同変グラフ畳み込みを用いる。 本手法は, 経時的, ベクトル値のWSSを, 異なる流れ境界条件下で正確に予測できるほど強力であることを示す。
  論文  参考訳（メタデータ） (2022-12-09T18:16:06Z)
• 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)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)
• 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)

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。