Aug, 2023

基于深度学习的动脉血管壁压力和应变图预测用于改善心血管风险评估

PDF
TL;DR本研究开发了一种有限元分析的替代模型，可以准确、高效地预测不考虑复杂几何形状和边界条件下的动脉壁应力应变场。
end-to-end deep learning toolsfemstress-strain fieldsarterial wallsurrogate model
发现论文，激发创造
  • 基于区域应变验证的多级心肌瘢痕检测和定位的深度学习

    通过应用一个基于卷积神经网络的分类算法，使用区域心肌应变的病理特征进行全局、区域和分段级别的心肌疾病诊断，并成功在测试集中对 5490 个左心室区段的 98% 进行了心肌疤痕的检测和定位，为解决心肌疤痕的检测问题提供了潜在解决方案。

    Mar, 2024

  • 物理建模的 UNets 用于发现异质材料中隐藏的弹性特性

    本文提出了一种基于 UNet 的神经网络模型（El-UNet）用于推断机械参数和应力分布，相比于全连接物理信息神经网络，其精度更高且计算成本更低；并且提出了一种自适应空间权重的方法，用于求解三维反向弹性问题，有效性得到验证。

    Jun, 2023

  • AutoLTS: 利用对比学习和空间后处理自动化循环应力评估

    我们提出了一个基于深度学习框架的快速高效的大规模骑行压力评估方法，通过街景图像对城市道路网络进行评估，结果表明在缺乏高质量道路几何和交通数据的情况下，使用图像数据进行骑行压力评估是有效的。

    Aug, 2023

  • 预测全场材料响应中的不确定性的贝叶斯神经网络

    基于机器学习的应力场预测和不确定性量化方法，以及对多样材料微观结构的系统比较和推断算法的不确定性估计。

    Jun, 2024

  • 深度神经网络在不确定应力函数中的应用及对冲击力学的拓展

    我们提出了一个泛化的深度神经网络方法，用于以分位回归捕捉不确定性来建模应力作为状态函数。我们通过应用随机微分方程将这些模型扩展到单轴冲击力学，展示了一个使用案例，并提供了一个实施这种不确定性感知应力函数的框架。我们对公开可用和新呈现的数据集进行了实验证明我们的方法优于领先的本构、机器学习和迁移学习方法在应力和冲击力学建模方面。我们还提供了一个框架，以优化材料参数，根据多个竞争的冲击场景。

    Nov, 2023

  • 基于 3D CINE MRI 和无监督神经网络的高分辨率左房位移和应变地图

    使用自动化工具 Aladdin 从高分辨率三维 Cine MRI 图像中可靠地表征左心房（LA）区域变形的无监督神经网络，生成 LA 位移矢量场和主应变数值图，发现健康组与心血管疾病（CVD）患者之间在位移幅值和主应变数值上有显著差异，并利用 LA 图谱识别个体与整体分布不一致的区域异常，该工具具有重要的临床应用潜力。

    Dec, 2023

  • Voxel2Hemodynamics：一种端到端的深度学习方法，用于预测冠状动脉血液动力学

    本文提出了一种基于深度学习的框架，利用计算机辅助技术快速准确地进行冠状动脉血液动力学分析， 通过迭代学习算法可以用 CCTA 图像预测冠状动脉的血液动力学分布，并与计算流体动力学分析结果相吻合，为冠状动脉疾病发展的机制揭示提供新思路。

    May, 2023

  • 基于深度学习的冠状动脉分数流预测

    基于深度学习的方法从冠状动脉 CTA 扫描中预测冠状动脉沿程血流储备指数（FFR），为快速准确、自动化的 FFR 预测铺平了道路。

    Aug, 2023

  • ECG 应激检测的 Transformer 架构

    本文介绍了一种基于卷积层和变压器机制的深度神经网络，用于通过心电信号检测压力，实验结果表明该模型在两个公共数据集 WESAD 和 SWELL-KW 上达到了与 ECG 压力检测领域现有技术水平相当甚至更好的结果。此外，该方法是端到端的，不需要手工制作特征，并且只需使用少量的卷积块和变压器组件即可学习稳健的表示形式。

    Aug, 2021

  • 压力移动传感的个性化使用自我监督学习

    使用穿戴设备收集的生物信号数据进行压力预测，通过个性化的自监督学习方法，基于神经网络模型实现了较少标注数据即可达到等效结果，从而辅助移动感知技术在诸如压力等复杂、异质和主观主题上精准度健康评估系统。

    Aug, 2023