研究/論文重要度 ★9
解剖学にインスパイアされたニューラルネットワーク：SE(3)を用いたカテーテル誘導大動脈腸骨変形における損失とアーキテクチャへの解剖学的先入観のエンコード
Anatomy-Informed Neural Networks: Encoding Anatomic Priors in Loss and Architecture, with an SE(3) Formulation of Guidewire-Induced Aortoiliac Deformation
https://export.arxiv.org/api/query·2026/8/21
AI要約
解剖学的知識を組み込んだニューラルネットワーク（AINN）を提案。損失関数やアーキテクチャに解剖学的事前知識をエンコードし、データ不足時の汎化性能を向上させる。
AI要点
- 解剖学にインスパイアされたニューラルネットワーク（AINN）は、数値的に妥当でも解剖学的に不可能なモデル生成や、データ不足による汎化性能の低下を改善する。
- AINNは、損失関数に解剖学的な事前知識（ペナルティ項）を組み込み、アーキテクチャ自体に解剖学的な制約を組み込む。
- カテーテル挿入による大動脈腸骨動脈の変形を対象に、限定的なデータでAINNを開発した。
- 血管中心線とワイヤー経路をSE(3)群上の曲線として扱い、ワイヤーと血管の相互作用を物理モデルで表現する。
- 2D血管造影画像から3D予測を学習可能にするため、Wasserstein-2最適輸送損失を用いる。
なぜ重要か
解剖学的な構造や物理法則をニューラルネットワークに組み込むことで、より現実に即した医療シミュレーションや、限られたデータでも高精度な予測を可能にし、診断支援や治療計画立案への応用が期待される。