論文の概要: PI-NOMT: Physics-Informed Neural Optimal Mass Transport for Brain Fluid Dynamics
- arxiv url: http://arxiv.org/abs/2609.33857v1
- Date: Sun, 27 Sep 2026 19:23:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-04 16:15:12.339034
- Title: PI-NOMT: Physics-Informed Neural Optimal Mass Transport for Brain Fluid Dynamics
- Title（参考訳）: PI-NOMT:脳流体力学のための物理インフォームニューラル最適物質輸送
- Abstract要約: 脳イメージングにおいて、ダイナミックコントラスト強調MRI(DCE-MRI)はトレーサー濃度の時間分解測定を提供する。
この問題を、輸送体自体が推論の主対象である物理インフォームド潜在状態推論として定式化する。
本研究では, 密度, 速度, 情報源を連続的ニューラルネットワークとして表現するフレームワークであるPhysical-Informed Neural Optimal Transport (PI-NOMT)を提案する。
- 参考スコア（独自算出の注目度）: 1.2366208723499548
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recovering hidden transport mechanisms from sparse spatiotemporal observations is a fundamental inverse problem in scientific machine learning. In brain tracer imaging, dynamic contrast-enhanced MRI (DCE-MRI) provides time-resolved measurements of tracer concentration, while the underlying velocity and source mechanisms governing tracer propagation remain unobserved. We formulate this problem as physics-informed latent-state inference, in which the transport field itself is the primary object of inference rather than an auxiliary variable used only to reconstruct observed densities. We propose Physics-Informed Neural Optimal Mass Transport (PI-NOMT), a framework that represents density, velocity, and source as continuous neural fields and combines a continuous neural density teacher, recursive differentiable advection--diffusion--source rollout, unbalanced optimal-transport regularization, and governing-equation supervision. Physical laws act as structural priors that constrain the space of admissible transport mechanisms, while observed tracer dynamics provide evidence for estimating the latent transport state. We evaluate PI-NOMT on a synthetic benchmark with known ground-truth transport and on DCE-MRI sequences from nine control rats. On the synthetic benchmark, PI-NOMT accurately recovers the prescribed velocity field, including its magnitude, direction, and integrated trajectories, rather than merely reconstructing endpoint densities. Across the nine rat datasets, the framework yields sub-percent local endpoint error, consistent physical speed scales, and low post-training PDE and incompressibility residuals. These results support physics-informed latent-state inference as a general framework for recovering hidden transport mechanisms from observed dynamic scalar fields.
- Abstract（参考訳）: スパース時空間観測から隠れた輸送機構を復元することは、科学機械学習における基本的な逆問題である。
脳トレーサーイメージングでは、ダイナミックコントラスト強調MRI(DCE-MRI)はトレーサー濃度の時間分解測定を提供するが、基礎となる速度とソースメカニズムは観測されていない。
我々は、この問題を物理インフォームド潜在状態推論として定式化し、輸送場自体が観測された密度を再構成するのにのみ用いられる補助変数ではなく、推論の主対象である。
本研究では, 密度, 速度, ソースを連続神経場として表現し, 連続神経密度教師, 再帰的微分可能対流-拡散-ソースロールアウト, バランスの取れない最適輸送正規化, および支配方程式の監督を組み合わせたフレームワークであるPhysical-Informed Neural Optimal Mass Transport (PI-NOMT)を提案する。
物理法則は許容輸送機構の空間を制約する構造的先行として機能し、観測されたトレーサー力学は潜伏輸送状態を推定する証拠となる。
PI-NOMTは,9ラットの地上構造とDCE-MRI配列を併用した合成ベンチマークで評価した。
合成ベンチマークでは、PI-NOMTは、単にエンドポイント密度を再構築するのではなく、その大きさ、方向、統合軌道を含む所定の速度場を正確に復元する。
9つのラットデータセット全体で、このフレームワークは局所的なエンドポイントエラー、一貫した物理速度スケール、低トレーニング後PDEと非圧縮性残差を生じる。
これらの結果は、観測された動的スカラー場から隠れた輸送機構を復元するための一般的な枠組みとして、物理学インフォームド潜在状態推論を支持する。
関連論文リスト
- Tau-BNO: Brain Neural Operator for Tau Transport Model [16.92108740721371]
既存のアプローチは通常、脳の構造的コネクトームの拡散過程としてタウ伝播をモデル化する。
このギャップを埋めるためにネットワークトランスポートモデル(NTM)が導入された。
我々は,NTM力学を高速に近似する脳神経オペレータ・サロゲートフレームワークであるTau-BNOを提案する。
論文 参考訳（メタデータ） (2026-03-09T08:52:02Z) - 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) - Physics-Embedded Neural Networks for sEMG-based Continuous Motion Estimation [3.606446851103922]
sEMGに基づく運動推定法は、しばしば、校正が難しい主観特異的筋骨格モデル(MSK)に依存する。
本稿では,解釈可能なMSKフォワード力学とデータ駆動残差学習を組み合わせた新しい物理埋め込みニューラルネットワーク(PENN)を提案する。
論文 参考訳（メタデータ） (2025-06-17T16:07:20Z) - Towards Prospective Medical Image Reconstruction via Knowledge-Informed Dynamic Optimal Transport [58.6869774515413]
本稿では,新しい動的最適輸送フレームワークKIDOTについて紹介する。
KIDOTは、画像から画像への連続的な進化経路として再構成をモデル化し、画像知識インフォームドコスト関数と輸送方程式で導かれる、未完成のデータから学習する。
MRIとCTの再構成実験は、KIDOTの優れた性能を示す。
論文 参考訳（メタデータ） (2025-05-23T09:05:10Z) - A Multi-Resolution Physics-Informed Recurrent Neural Network:
Formulation and Application to Musculoskeletal Systems [1.978587235008588]
本研究は筋骨格運動(MSK)の同時予測のための物理インフォームド・リカレントニューラルネットワーク(MR PI-RNN)を提案する。
提案手法は、高速ウェーブレット変換を用いて、混合周波数入力sEMGを分解し、ジョイントモーション信号をネスト多重解像度信号に出力する。
このフレームワークはまた、被験者の運動学データと生理的に整合した筋肉パラメータを識別することも可能である。
論文 参考訳（メタデータ） (2023-05-26T02:51:39Z) - 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) - Spherical Motion Dynamics: Learning Dynamics of Neural Network with
Normalization, Weight Decay, and SGD [105.99301967452334]
SMD (Spherical Motion Dynamics) と名付けられた, 正規化, 重崩壊 (WD) , SGD (運動量) を伴うニューラルネットワークの学習力学について述べる。
我々は,ImageNet や MSCOCO など様々なコンピュータビジョンタスクにおける仮定と理論的結果を標準設定で検証する。
論文 参考訳（メタデータ） (2020-06-15T14:16:33Z)
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。