論文の概要: Learning Unsteady Aneurysm Hemodynamics with Physics-Informed DeepONets

• arxiv url: http://arxiv.org/abs/2608.13629v1
• Date: Thu, 13 Aug 2026 09:08:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.172972
• Title: Learning Unsteady Aneurysm Hemodynamics with Physics-Informed DeepONets
• Title（参考訳）: 物理インフォームドディープオネットを用いた非定常大動脈瘤血行動態の学習
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Clinically actionable, patient-specific hemodynamic assessment, specifically wall shear stress, vortex structure and pressure distributions, is critical for determining risky or unfavorable evolution in Abdominal Aortic Aneurysms (AAA). While Physics-Informed Deep Operator Networks (PI-DeepONets) show promising results in complementing established 5 tools such as Computational Fluid Dynamics (CFD), a persistent architectural challenge remains for complex 3D flows. In this direction, we propose a Modified Multi-Input Multi-Output PI-DeepONets (M3PI-DeepONet) designed for predicting unsteady flows in an idealized AAA geometry. Central to our model is the Aggregated Injection strategy, where latent representations from multiple input branches are fused prior to trunk injection, allowing the coordinate basis to adapt to multiple physical constraints. To the best of our knowledge, this is the first architecture to combine the layer-wise gating mechanism with a multi-branch operator-network topology, yielding an input-adaptive trunk basis. Additionally, we integrate the 3D Navier-Stokes equations as governing physical laws, so the model is trained based on physics-informed residuals, initial and boundary conditions, and only 0.3% of the labeled internal data together with the selected branch-conditioning signals. The M3PI-DeepONet simultaneously predicts unsteady 3D flow velocity and pressure fields with an average relative L2 velocity error below 4% and pressure error around 5% while achieving a conservative retained-cycle inference speedup of approximately 36x compared to reference CFD simulations once the branch inputs used for conditioning are available. This work advances the application of deep learning in cardiovascular disease modeling, marking step toward real-time, non-invasive clinical diagnostics.
• Abstract（参考訳）: 腹部大動脈瘤 (AAA) における臨床的に実行可能な, 患者特異的な血行動態評価, 特に壁せん断応力, 渦構造, 圧分布は, 危険または好ましくない進化の判定に重要である。 Physics-Informed Deep Operator Networks (PI-DeepONets)は、Computational Fluid Dynamics (CFD)のような確立した5つのツールを補完する有望な結果を示しているが、複雑な3Dフローには永続的なアーキテクチャ上の課題が残っている。 この方向では, 理想化されたAAA幾何学における非定常流れの予測を目的としたM3PI-DeepOnet (Modified Multi-Input Multi-Output PI-DeepONets) を提案する。 我々のモデルの中心は集約的注入戦略であり、複数の入力枝からの潜在表現がトランク注入の前に融合し、座標基底が複数の物理的制約に適応できるようにする。 我々の知る限りでは、これはレイヤーワイズゲーティング機構とマルチブランチ演算子-ネットワークトポロジーを組み合わせた最初のアーキテクチャであり、入力適応トランク基底が得られる。 さらに、3D Navier-Stokes方程式を物理法則として統合し、物理インフォームド残差、初期および境界条件、および選択した分岐条件信号とともにラベル付き内部データのわずか0.3%に基づいてモデルを訓練する。 M3PI-DeepONetは、平均相対的なL2速度誤差が4%未満、圧力誤差が5%以下の非定常な3次元流速と圧力場を同時に予測し、コンディショニングに使用される分岐入力が利用可能になったときのCFDシミュレーションと比較して、約36倍の保守的サイクル推論速度を達成する。 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。

関連論文リスト

• Physics-Informed Deep Learning for False Ventricular Tachycardia Alarm Reduction in the ICU [44.313512671851306]
  軽度心室頻拍(VT)アラームは集中治療単位のアラーム疲労の原因となる。 本稿では,1D SE-ResNetと ICU-realistic Data Augmentation を組み合わせたディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-08T16:33:07Z)
• HIPNO: Symmetry-Aware Physics-Informed Neural Operators for Noninvasive Hemodynamic Inference [3.3014658977998397]
  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。
  論文  参考訳（メタデータ） (2026-08-08T07:03:49Z)
• ProgFormer: Hierarchical Voxel Diffusion Transformer for Longitudinal Brain MRI Prediction [81.07048249760953]
  縦方向の変化は、しばしば微妙で、特定の解剖学的領域に限られる。 ほとんどの被験者固有の脳構造は、時間とともに安定している。 ProgFormerは、縦型脳MRI予測のための階層型ボクセル空間拡散変換器である。
  論文  参考訳（メタデータ） (2026-07-30T00:13:42Z)
• MedPruner: Training-Free Hierarchical Token Pruning for Efficient 3D Medical Image Understanding in Vision-Language Models [59.180043227905294]
  MedPrunerは、3次元医用画像の効率的な理解のためのトレーニング不要でモデルに依存しない階層的トークンプレーニングフレームワークである。 我々は、MedPrunerによって、MedGemmaのようなモデルが元の性能を維持したり、超えたりすることが可能であり、ビジュアルトークンの5%以下を維持していることを示す。
  論文  参考訳（メタデータ） (2026-03-12T07:37:00Z)
• 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)
• LVADNet3D: A Deep Autoencoder for Reconstructing 3D Intraventricular Flow from Sparse Hemodynamic Data [2.6043530265581505]
  スパース速度ベクトル入力から完全分解能心室内速度場を再構成する3次元畳み込みオートエンコーダであるLVADNet3Dを提案する。 CFDシミュレーションを用いて心室中血流の高分解能データセットを作製した。 様々な入力構成において、LVADNet3DはベースラインのUNet3Dモデルより優れ、低い再構成誤差とより高いPSNR結果が得られる。
  論文  参考訳（メタデータ） (2025-09-21T01:20:25Z)
• Aneumo: A Large-Scale Multimodal Aneurysm Dataset with Computational Fluid Dynamics Simulations and Deep Learning Benchmarks [16.753219355754222]
  脳動脈瘤 (IAs) は総人口の約5%にみられた重症脳血管障害である。 彼らの破裂は高い死亡率につながるかもしれない。 IAリスクの評価法は, 形態学的, 患者固有の因子に焦点が当てられているが, 血液動態がIAの発生と破裂に与える影響は明らかになっていない。 このデータセットは、大動脈瘤の研究を進め、バイオ流体、バイオメディカルエンジニアリング、臨床リスクアセスメントにおけるデータ駆動アプローチを促進することを目的としている。
  論文  参考訳（メタデータ） (2025-05-19T09:32:09Z)
• Enhanced Vascular Flow Simulations in Aortic Aneurysm via Physics-Informed Neural Networks and Deep Operator Networks [0.0]
  PINN,Deep Operator Networks(DeepONets)およびそれらのPhysical-Informed Extension(PI-DeepONets)について検討した。 我々は3D Navier-Stokes方程式を統合することにより、AAAの特定のユースケースに対処するアプローチに適応する。 それぞれのアプローチの利点と制限は、一連の関連するアプリケーションケースを通して強調されます。
  論文  参考訳（メタデータ） (2025-03-19T22:38:52Z)
• 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)
• 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)
• Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
  解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。 ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。 我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
  論文  参考訳（メタデータ） (2021-04-07T01:15:06Z)

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。