論文の概要: Real-time Generalizable Heart Valve Mechanics for Clinical Disease Assessment via a Physics-Conditioned Neural Operator

• arxiv url: http://arxiv.org/abs/2609.23826v1
• Date: Sun, 20 Sep 2026 19:23:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 03:38:27.384823
• Title: Real-time Generalizable Heart Valve Mechanics for Clinical Disease Assessment via a Physics-Conditioned Neural Operator
• Title（参考訳）: 物理制御型ニューラル演算子を用いた臨床疾患評価のためのリアルタイム一般化型心臓弁力学
• Abstract要約: 僧帽弁閉鎖不全 (Mitral regurgitation) は、世界で最も一般的な心臓弁障害であり、世界の人口の2%以上に影響を与える。 そこで我々は, 3カ所の地平線を横断するリーフレット変位, ひずみ, 応力場を予測するトランスフォーマーベースサロゲートであるPhysical-Conditioned Neural Operator (PCNO)を紹介した。
• 参考スコア（独自算出の注目度）: 6.280600751281406
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Mitral regurgitation is the most common heart valve disorder worldwide, affecting over 2% of the global population, rising to at least 10% in adults over 75, and causing approximately 15% of valvular heart disease-related deaths. Yet only a minority of patients with severe disease undergo corrective surgery. Rapid assessment of valve mechanics could enable earlier, more precise intervention, but traditional finite element simulations remain too slow for clinical timelines and parameter sweeps. We introduce the Physics-Conditioned Neural Operator (PCNO), a transformer-based surrogate that predicts leaflet displacement, strain, and stress fields across mitral and tricuspid geometries, conditioned on systolic blood pressure and tissue properties. Trained on functional, regurgitated, and pathological valves, including tethering, P2 prolapse, and annular dilation, PCNO achieves up to a 15,260x speedup over fine mesh finite element simulations with comparable accuracy, identifies pathology class, and resolves diagnostic metrics within 3.5% error under out-of-distribution extrapolation.
• Abstract（参考訳）: 僧帽弁閉鎖不全は、世界中で最も一般的な心臓弁閉鎖不全であり、世界の人口の2%以上に影響し、75歳以上の成人では少なくとも10%まで上昇し、弁膜性心疾患の約15%が死亡した。 しかし、重篤な疾患を患っている患者は少数しか矯正手術を受けていない。 弁力学の迅速な評価は、より早く、より正確な介入を可能にするが、従来の有限要素シミュレーションは、臨床スケジュールやパラメータスイープには遅すぎる。 本研究では, サイストリック血圧と組織特性を条件に, 僧帽弁・三尖弁領域のリーフレット変位, ひずみ, 応力場を予測するトランスフォーマーベースサロゲートであるPhysical-Conditioned Neural Operator (PCNO)を紹介する。 テザリング、P2プロラプス、環状拡張を含む機能的、再帰的、および病理学的バルブに基づいて、PCNOは、同等の精度で微細メッシュ有限要素シミュレーションの最大15,260倍のスピードアップを達成し、病理クラスを特定し、アウト・オブ・ディストリビューション外挿の下で診断メトリクスを3.5%の誤差で解決する。

関連論文リスト

• Physics-Informed Hemodynamic Modeling for Data-Free Prediction and Sparse-Data Assimilation [9.225353489832882]
  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。
  論文  参考訳（メタデータ） (2026-09-16T18:02:24Z)
• 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)
• PUNCH: Physics-informed Uncertainty-aware Network for Coronary Hemodynamics [8.812266680285369]
  標準血管造影から冠血流量を直接推定するための非診断・不確実性認識フレームワークを提案する。 このシステムは、コントラスト輸送の第一原理モデルから冠血流を推定するために、物理インフォームドニューラルネットワークと変分推論を統合している。 パイプラインは、患者1人あたり約3分で、1つのGPU上で動作し、人口レベルのトレーニングは行わない。
  論文  参考訳（メタデータ） (2026-01-23T21:47:23Z)
• A Machine Learning Approach to Volumetric Computations of Solid Pulmonary Nodules [12.415286588339901]
  マルチスケール3次元畳み込みニューラルネットワーク(CNN)とサブタイプ固有のバイアス補正を組み合わせた高精度なボリューム推定手法を提案する。 その結果,処理速度において17ポイント以上の誤差が減少し,3倍の高速化が得られた。
  論文  参考訳（メタデータ） (2025-08-26T03:36:32Z)
• Conditional Diffusion Model with Anatomical-Dose Dual Constraints for End-to-End Multi-Tumor Dose Prediction [13.716930604289924]
  ADDiff-Doseは、エンドツーエンドの多腫瘍量予測のための解剖学的二重制約拡散モデルである。 マルチヘッドアテンション機構を介して条件特徴を組み込み、MSE、条件項、KLの発散を組み合わせた複合損失関数を利用する。 従来のベースラインよりも大幅に優れており、MAEは0.101-0.154、DICE係数は0.927、脊髄最大線量誤差は0.1Gyに制限されている。
  論文  参考訳（メタデータ） (2025-08-04T04:25:47Z)
• 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)
• Real-time whole-heart electromechanical simulations using Latent Neural Ordinary Differential Equations [2.208529796170897]
  心不全患者の時間的圧力-体積動態を学習するために,潜時ニューラル正規微分方程式を用いた。 LNODEsに基づくサロゲートモデルは4003D-0D全閉ループ電気機械シミュレーションから訓練される。 本報告では, 文献で利用可能な最も高度な心臓機能代理モデルについて紹介する。
  論文  参考訳（メタデータ） (2023-06-08T16:13:29Z)
• 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)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)

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。