MARC

 008260126s2025        us                              c    eng  d
■001000017358556
■00520260202104719
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798293892372
■035    ▼a(MiAaPQ)AAI32120909
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621
■1001  ▼aSveinsson  Cepero,  Numi.
■24510▼aAutomatic  Vascular  Model  Construction  From  Medical  Imaging  Using  Deep  Learning
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a120  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-04,  Section:  B.
■500    ▼aAdvisor:  Shadden,  Shawn  C.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2025.
■520    ▼aComputational  modeling  of  the  cardiovascular  system  plays  a  vital  role  in  understanding,  diagnosing,  and  treating  cardiovascular  disease.  However,  traditional  workflows  for  generating  simulation-ready,  patient-specific  models  are  time-consuming,  requiring  extensive  manual  labor  for  geometric  reconstruction  and  simulation  setup.  This  dissertation  introduces  deep  learning  based  methods  designed  to  automate  and  accelerate  the  construction  of  image-based  models  to  support  hemodynamics  simulation.First,  we  present  SeqSeg  (Sequential  Segmentation),  a  novel  deep  learning  method  for  automatic  vascular  segmentation.  SeqSeg  leverages  a  local  U-Net-based  architecture  to  iteratively  track  and  segment  vascular  structures  from  medical  imaging  data.  Compared  to  standard  2D  and  3D  global  models  such  as  nnU-Net,  SeqSeg  generates  more  complete  vascular  models  and  generalizes  better  to  unannotated  anatomy,  enabling  efficient  geometric  modeling  from  computed  tomography  (CT)  and  magnetic  resonance  (MR)  data.Building  upon  this,  we  introduce  MeshGrow,  an  integrated  framework  that  combines  automatic  vascular  and  cardiac  modeling  to  generate  combined  cardiovascular  anatomies.  MeshGrow  can  reconstruct  both  the  heart  and  great  vessels  by  employing  a  template  deformation  approach  for  the  cardiac  chambers  and  a  step-wise  growth-based  method  for  vascular  structures.  The  result  is  a  simulation-ready  mesh,  including  valve  boundaries,  constructed  directly  from  medical  images  with  minimal  human  intervention.In  the  third  part  of  this  work,  we  present  MIROS  (Medical  Image  to  Reduced  Order  Simulation),  a  fully  automated  pipeline  for  performing  reduced-order  cardiovascular  simulations.  MIROS  integrates  SeqSeg-based  geometry  generation  with  reduced  order  modeling  of  blood  flow  and  semi-automatic  boundary  condition  assignment  to  produce  hemodynamic  simulations  within  minutes.  This  approach  significantly  reduces  the  computational  and  manual  burden  traditionally  required,  enabling  rapid,  patient-specific  analyses  and  facilitating  largescale  studies.Finally,  building  on  SeqSeg  and  inspired  by  advances  in  human  trajectory  forecasting,  we  propose  VesselTrajNet,  a  novel  method  for  vasculature  tracking  in  medical  images.  By  adapting  a  U-Net-based  Gaussian  heat  map  encoder-decoder  architecture  for  multiple  goal-driven  path  prediction,  VesselTrajNet  accurately  models  complex  vascular  branching  without  requiring  explicit  bifurcation  detection.  We  demonstrate  its  utility  on  coronary  artery  CT  data,  underscoring  its  potential  for  diagnostic  and  interventional  imaging.Together,  these  contributions  advance  the  state  of  the  art  in  automated  cardiovascular  modeling  and  simulation.  By  harnessing  deep  learning  for  the  modeling  pipeline,  this  work  aims  to  make  high-fidelity  cardiovascular  simulations  more  accessible,  scalable,  and  clinically  relevant.
■590    ▼aSchool  code:  0028.
■650  4▼aMechanical  engineering
■650  4▼aComputer  science
■650  4▼aMedical  imaging
■653    ▼aCardiovascular  modeling
■653    ▼aDeep  learning
■653    ▼aHemodynamics  simulation
■653    ▼aMedical  image  analysis
■653    ▼aPatient-specific  modeling
■653    ▼aVascular  segmentation
■690    ▼a0548
■690    ▼a0984
■690    ▼a0574
■71020▼aUniversity  of  California,  Berkeley▼bMechanical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g87-04B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358556▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books