論文の概要: Generalizing Soft Tissue Deformation and Force Prediction Across Material Stiffness and Geometry
- arxiv url: http://arxiv.org/abs/2608.20967v1
- Date: Fri, 21 Aug 2026 10:39:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-24 14:49:32.510876
- Title: Generalizing Soft Tissue Deformation and Force Prediction Across Material Stiffness and Geometry
- Title（参考訳）: 軟組織変形の一般化と材料剛性および幾何学的力予測
- Abstract要約: 正確な軟部組織シミュレーションは、外科訓練、術前計画、触覚フィードバックシステムに不可欠である。
既存のアプローチでは、硬度レベルを越えたモデル選択の体系的なガイダンスや、組織硬度やジオメトリーの一般化は提供されない。
重力等負荷シリコンビームを用いたSOFAフレームワークにおける超弾性モデルの包括的キャリブレーションを行う。
キャリブレーションされたシミュレーションをトレーニングデータとして使用し、軟質条件付きグラフニューラルネットワークを用いて、複数の組織タイプと未知のジオメトリ間の変形と力予測を可能にする。
- 参考スコア（独自算出の注目度）: 0.2621730497733946
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate soft tissue simulation is essential for surgical training, pre-operative planning, and haptic feedback systems. While learning-based surrogate models trained on data using the finite element method (FEM) offer a promising path to real-time inference, their reliability depends on well-calibrated constitutive models. Existing approaches neither provide systematic guidance on model selection across stiffness levels, nor generalize across different tissue stiffnesses or geometries. We perform a comprehensive calibration of hyperelastic constitutive models in the SOFA Framework using gravity-loaded silicone beams with different stiffnesses. Using calibrated simulations as training data, we use a softness conditioned equivariant graph neural network, enabling deformation and force prediction across multiple tissue types and unseen geometries. Our model achieves sub-millimeter mean deformation accuracy at 0.010s inference time, while showing that force prediction quality is directly tied to upstream calibration consistency.
- Abstract（参考訳）: 正確な軟部組織シミュレーションは、外科訓練、術前計画、触覚フィードバックシステムに不可欠である。
有限要素法(FEM)を用いてデータに基づいて訓練された学習ベースサロゲートモデルは、リアルタイム推論に有望な経路を提供するが、その信頼性はよく校正された構成モデルに依存する。
既存のアプローチでは、硬度レベルを越えたモデル選択の体系的なガイダンスや、組織硬度やジオメトリーの一般化は提供されない。
重力負荷シリコンビームを用いたSOFAフレームワークにおける超弾性構成モデルの包括的キャリブレーションを行う。
キャリブレーションされたシミュレーションをトレーニングデータとして使用し、軟質条件付き同変グラフニューラルネットワークを用いて、複数の組織タイプと未知のジオメトリ間の変形と力予測を可能にする。
本モデルでは, 圧力予測精度が上流キャリブレーションの整合性に直接結びついていることを示しながら, 0.010sの推算時間でサブミリ平均変形精度を実現する。
関連論文リスト
- Fractional-order Modeling for Nonlinear Soft Actuators via Particle Swarm Optimization [49.34452620841728]
本稿では, ソフト材料の動的挙動を捉えるために, 分数次微分方程式(FODE)に基づく革新的なモデリング手法を提案する。
提案手法は,ソフトアクチュエータに固有の複雑な変形現象を効果的に表現する。
論文 参考訳（メタデータ） (2025-12-20T04:46:25Z) - Soft Geometric Inductive Bias for Object Centric Dynamics [36.337338384532636]
幾何学的代数的ニューラルネットワークを用いたオブジェクト中心の世界モデルを提案する。
モデルのソフトインダクティブバイアスは、物理的忠実度の観点から、より良いパフォーマンスをもたらすことを示す。
論文 参考訳（メタデータ） (2025-12-17T14:40:37Z) - Data-Driven Modeling and Correction of Vehicle Dynamics [36.247839904691105]
我々は、非自律車両力学を学習し、修正するためのデータ駆動型フレームワークを開発した。
より強い非線形システムでは、ディープニューラルネットワークアプローチであるFlow Map Learningを採用しています。
論文 参考訳（メタデータ） (2025-11-29T03:04:28Z) - Generalized invariants meet constitutive neural networks: A novel framework for hyperelastic materials [0.0]
我々は、等方的非圧縮材料に対する適切な不変量やモデルを同時に発見する新しいデータ駆動フレームワークを提案する。
本手法は一般化不変量のクラスで最も適切な不変量と対応するひずみエネルギー関数の両方を同定する。
可能な不変量の連続的なファミリを見ることで、モデルは異なる物質的挙動に柔軟に適応することができる。
論文 参考訳（メタデータ） (2025-08-16T14:32:45Z) - Fusing CFD and measurement data using transfer learning [49.1574468325115]
本稿では,伝送学習によるシミュレーションと計測データを組み合わせたニューラルネットワークに基づく非線形手法を提案する。
最初のステップでは、ニューラルネットワークがシミュレーションデータに基づいてトレーニングされ、分散量の空間的特徴を学習する。
第2のステップは、ニューラルネットワークモデル全体の小さなサブセットを再トレーニングするだけで、シミュレーションと測定の間の体系的なエラーを修正するために、測定データ上での変換学習である。
論文 参考訳（メタデータ） (2025-07-28T07:21:46Z) - Conditional Graph Neural Network for Predicting Soft Tissue Deformation and Forces [0.9986418756990159]
この複雑さに対処するために、新しいデータ駆動モデル、条件付きグラフニューラルネットワーク(cGNN)を導入する。
本モデルでは, 表面点と印加力の位置を計測し, 点の変形とそれらに作用する力を予測するように設計されている。
軟組織ファントムの表面追跡データを実験で収集し,転送学習を用いてデータ不足を克服した。
論文 参考訳（メタデータ） (2025-07-07T13:33:39Z) - 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) - Graph Neural Networks for modelling breast biomechanical compression [0.08192907805418582]
3次元モダリティからマンモグラフィーなどのX線治療への正確な画像登録には乳房圧迫シミュレーションが不可欠である。
圧縮による組織形状と位置の変化を考慮し、正確なアライメントを確保し、分析を改善している。
有限要素解析(FEA)は軟組織変形の近似に信頼性があり、精度と計算効率のバランスをとるのに苦労する。
近年の研究では、組織変形予測を高速化するために、FAAの結果に基づいて訓練されたデータ駆動モデルを用いている。
胸部圧迫シミュレーションのための物理ベースのグラフニューラルネットワーク(PhysGNN)を提案する。
論文 参考訳（メタデータ） (2024-11-10T20:59:23Z) - Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。
本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。
多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
論文 参考訳（メタデータ） (2023-06-14T11:41:42Z) - FAENet: Frame Averaging Equivariant GNN for Materials Modeling [123.19473575281357]
データ変換による任意のモデルE(3)-同変や不変化を実現するために,フレームアラグリング(SFA)に依存したフレキシブルなフレームワークを導入する。
本手法の有効性を理論的および実験的に証明し, 材料モデリングにおける精度と計算スケーラビリティを実証する。
論文 参考訳（メタデータ） (2023-04-28T21:48:31Z) - Predicting Loose-Fitting Garment Deformations Using Bone-Driven Motion
Networks [63.596602299263935]
本稿では,骨駆動型モーションネットワークを用いて,ゆるやかな衣服メッシュの変形を対話的に予測する学習アルゴリズムを提案する。
提案手法は,メッシュ変形の予測精度を約20%,ハウスドルフ距離とSTEDで約10%向上させる。
論文 参考訳（メタデータ） (2022-05-03T07:54:39Z) - Equivariant vector field network for many-body system modeling [65.22203086172019]
Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。
シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
論文 参考訳（メタデータ） (2021-10-26T14:26:25Z) - Polyconvex anisotropic hyperelasticity with neural networks [1.7616042687330642]
有限変形に対する凸機械学習に基づくモデルを提案する。
モデルは立方体格子メタマテリアルの非常に困難なシミュレーションデータで校正される。
データアプローチのデータは、機械的な考慮に基づいており、追加の実験やシミュレーション機能を必要としない。
論文 参考訳（メタデータ） (2021-06-20T15:33:31Z)
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。