論文の概要: Physics-Informed Hemodynamic Modeling for Data-Free Prediction and Sparse-Data Assimilation

• arxiv url: http://arxiv.org/abs/2609.19290v1
• Date: Wed, 16 Sep 2026 18:02:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.977305
• Title: Physics-Informed Hemodynamic Modeling for Data-Free Prediction and Sparse-Data Assimilation
• Title（参考訳）: 物理インフォームド・ヘモダイナミックモデリングによるデータ自由予測とスパースデータ同化
• Abstract要約: 二視点血管造影による3次元冠動脈血流解析のための統合的ディープラーニングフレームワークを提案する。 CNNは血管造影から冠状形状を再構成し、点雲を基準領域にマッピングし、フーリエ符号化して関節表現を行う。 分離されたネットワークは速度と圧力場を別々に予測し、組み込まれている物理的前提により生理的条件を効率的に移動することができる。
• 参考スコア（独自算出の注目度）: 9.225353489832882
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clinical decision-making for coronary intervention relies mainly on angiography and fractional flow reserve (FFR). However, angiography is two-dimensional and lacks depth information for 3D lesion characterization, while FFR provides only a single functional index, offering limited hemodynamic insight. Among existing methods, numerical analysis is computationally expensive, whereas learning-based approaches require extensive supervision and often lack physical consistency. To address these limitations, we propose physics-informed hemodynamic modeling, an integrated deep learning framework for 3D coronary blood flow analysis from dual-view angiography. First, an attention-enhanced CNN reconstructs coronary geometry from angiography. The resulting point clouds are then mapped to a reference domain and Fourier-encoded for joint representation. A decoupled network separately predicts velocity and pressure fields, with embedded physical priors enabling efficient transfer across physiological conditions. Across 32 clinical patients evaluated under four flow conditions, the trans-stenotic pressure-drop mean absolute percentage error was 2.02%, while the velocity and pressure relative-L2 errors were 0.054 and 0.023, respectively. Validation against hospital-measured FFR further achieved 93.8% diagnostic accuracy (30/32; exact 95% CI, 79.2%-99.2%). The framework also supports illustrative revascularization comparisons and sparse-data assimilation, with the full angiography-to-hemodynamics pipeline completed within 20 minutes per patient.
• Abstract（参考訳）: 冠動脈インターベンションの臨床的決定は、主に血管造影と分画血流予備(FFR)に依存している。 しかし,血管造影は2次元的であり,3次元病変の評価には深度情報がない。 既存の手法の中で、数値解析は計算に費用がかかるが、学習に基づくアプローチでは広範囲の監督が必要であり、しばしば物理的整合性が欠如している。 これらの制約に対処するため,両視野血管造影による3次元冠動脈血流解析のための統合ディープラーニングフレームワークである物理インフォームド血行動態モデリングを提案する。 まず、注意を喚起したCNNは、血管造影から冠動脈の形状を再構築する。 得られた点雲は参照領域にマッピングされ、ジョイント表現のためにフーリエ符号化される。 分離されたネットワークは速度と圧力場を別々に予測し、組み込まれている物理的前提により生理的条件を効率的に移動することができる。 4つの流路条件で評価した32例中, 平均絶対パーセンテージ誤差は22%, 速度と相対L2誤差は0.054例, 0.023例であった。 病院で測定されたFFRに対する検証は、さらに93.8%の診断精度(30/32、正確な95%CI、79.2%-99.2%)を達成した。 このフレームワークはまた、患者の20分以内に完全な血管造影-血行動態パイプラインが完成し、図形的再血管化比較とスパースデータ同化もサポートしている。

関連論文リスト

• AsymFeX: A Symmetry-Driven Framework for Ischemic Stroke Segmentation Across Imaging Modalities and Stroke Stages [0.8886706641070187]
  急性虚血性脳卒中(AIS)病変は脳卒中予後と治療計画に必須である。 非造影CT(non-contrast CT, NCCT)は, 微妙な梗塞造影を呈し, 手指の脱線が遅く, 労働集約的である。 2段階のnnU-Net互換3Dセグメンテーション法を提案する。
  論文  参考訳（メタデータ） (2026-08-20T08:12:31Z)
• Physics-informed self-supervised learning for predictive modeling of coronary artery digital twins [33.58746991219774]
  PINS-CADは物理情報を用いた自己教師型学習フレームワークである。 それは、20万の合成冠動脈デジタル双生児にグラフニューラルネットワークを事前訓練して、圧力と流れを予測する。 PINS-CADはAUCの0.73で将来の心血管イベントを予測し、臨床リスクスコアとデータ駆動ベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-11-25T15:01:46Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• 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)
• Validated respiratory drug deposition predictions from 2D and 3D medical images with statistical shape models and convolutional neural networks [47.187609203210705]
  患者固有の沈着モデリングのための自動計算フレームワークを開発し,検証することを目的としている。 2次元胸部X線と3次元CT画像から3次元患者の呼吸動態を生成できる画像処理手法が提案されている。
  論文  参考訳（メタデータ） (2023-03-02T07:47:07Z)
• 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)
• Machine-Learning Identification of Hemodynamics in Coronary Arteries in the Presence of Stenosis [0.0]
  人工ニューラルネットワーク(ANN)モデルは、動脈ネットワーク内の圧力と速度を予測するために合成データを用いて訓練される。 モデルの有効性を3つの実測値を用いて検証した。
  論文  参考訳（メタデータ） (2021-11-02T23:51:06Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• 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。