ترجمه فارسی مقاله شبکه های عصبی نمودار آگاه از فیزیک برای تخمین میدان جریان در شریان های کاروتید

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Physics-informed graph neural networks for flow field estimation in carotid arteries
عنوان مقاله به فارسی شبکه های عصبی نمودار آگاه از فیزیک برای تخمین میدان جریان در شریان های کاروتید
نویسندگان Julian Suk, Dieuwertje Alblas, Barbara A. Hutten, Albert Wiegman, Christoph Brune, Pim van Ooij, Jelmer M. Wolterink
فرمت مقاله انگلیسی PDF
تعداد صفحات 10
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Quantitative Methods,Machine Learning,Fluid Dynamics,روشهای کمی , یادگیری ماشین , دینامیک سیال ,
توضیحات Submitted 13 August, 2024; originally announced August 2024. , Comments: Preprint. Under Review
توضیحات به فارسی ارسال شده در 13 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: preprint.تحت بررسی
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Hemodynamic quantities are valuable biomedical risk factors for cardiovascular pathology such as atherosclerosis. Non-invasive, in-vivo measurement of these quantities can only be performed using a select number of modalities that are not widely available, such as 4D flow magnetic resonance imaging (MRI). In this work, we create a surrogate model for hemodynamic flow field estimation, powered by machine learning. We train graph neural networks that include priors about the underlying symmetries and physics, limiting the amount of data required for training. This allows us to train the model using moderately-sized, in-vivo 4D flow MRI datasets, instead of large in-silico datasets obtained by computational fluid dynamics (CFD), as is the current standard. We create an efficient, equivariant neural network by combining the popular PointNet++ architecture with group-steerable layers. To incorporate the physics-informed priors, we derive an efficient discretisation scheme for the involved differential operators. We perform extensive experiments in carotid arteries and show that our model can accurately estimate low-noise hemodynamic flow fields in the carotid artery. Moreover, we show how the learned relation between geometry and hemodynamic quantities transfers to 3D vascular models obtained using a different imaging modality than the training data. This shows that physics-informed graph neural networks can be trained using 4D flow MRI data to estimate blood flow in unseen carotid artery geometries.

چکیده به فارسی (ترجمه ماشینی)

مقادیر همودینامیکی عوامل خطر زیست پزشکی با ارزش برای آسیب شناسی قلبی عروقی مانند آترواسکلروز هستند.اندازه گیری غیر تهاجمی و داخلی این مقادیر فقط با استفاده از تعداد انتخابی از روشهای موجود در دسترس نیست ، مانند تصویربرداری رزونانس مغناطیسی 4D (MRI).در این کار ، ما یک مدل جانشین برای برآورد میدان جریان همودینامیکی ، که از یادگیری ماشین استفاده می شود ، ایجاد می کنیم.ما شبکه های عصبی نمودار را آموزش می دهیم که شامل مقدماتی در مورد تقارن و فیزیک اساسی است و میزان داده های مورد نیاز برای آموزش را محدود می کند.این به ما اجازه می دهد تا به جای مجموعه داده های بزرگ درون سیلیکو که توسط دینامیک سیال محاسباتی (CFD) به دست آمده ، مانند استاندارد فعلی ، مدل را با استفاده از مجموعه داده های MRI در اندازه گیری متوسط ​​4D 4D آموزش دهیم.ما با ترکیب معماری محبوب PointNET ++ با لایه های گروهی به حالت گروهی ، یک شبکه عصبی کارآمد و معتبر ایجاد می کنیم.برای ترکیب مقدمات آگاه از فیزیک ، ما یک طرح تفسیر کارآمد برای اپراتورهای دیفرانسیل درگیر را استخراج می کنیم.ما آزمایش های گسترده ای را در شریان های کاروتید انجام می دهیم و نشان می دهیم که مدل ما می تواند به طور دقیق زمینه های جریان همودینامیکی کم نویز را در شریان کاروتید تخمین بزند.علاوه بر این ، ما نشان می دهیم که چگونه رابطه آموخته شده بین هندسه و مقادیر همودینامیکی به مدلهای عروقی سه بعدی به دست آمده با استفاده از یک روش تصویربرداری متفاوت از داده های آموزش منتقل می شود.این نشان می دهد که شبکه های عصبی آگاه از فیزیک می توانند با استفاده از داده های MRI جریان 4D برای برآورد جریان خون در هندسه های شریان کاروتید غیب آموزش داده شوند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.