論文の概要: Gaussian Process Manifold Interpolation for Probabilistic Atrial
Activation Maps and Uncertain Conduction Velocity
- arxiv url: http://arxiv.org/abs/2004.10586v2
- Date: Thu, 23 Apr 2020 10:57:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-10 17:20:09.128911
- Title: Gaussian Process Manifold Interpolation for Probabilistic Atrial
Activation Maps and Uncertain Conduction Velocity
- Title（参考訳）: 確率的心房活動マップと不確かな伝導速度に対するガウス過程多様体補間
- Authors: Sam Coveney, Cesare Corrado, Caroline H Roney, Daniel O'Hare, Steven E
Williams, Mark D O'Neill, Steven A Niederer, Richard H Clayton, Jeremy E
Oakley, Richard D Wilkinson
- Abstract要約: 我々は最近,ヒト心房多様体上で不確実性LATの確率的確率性を実現するために,減階ガウス過程(GP)に関する知見を構築した。
本手法を2つの臨床症例で実証し, 模擬基底真理に対する検証を行った。
- 参考スコア（独自算出の注目度）: 0.1625256372381793
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In patients with atrial fibrillation, local activation time (LAT) maps are
routinely used for characterising patient pathophysiology. The gradient of LAT
maps can be used to calculate conduction velocity (CV), which directly relates
to material conductivity and may provide an important measure of atrial
substrate properties. Including uncertainty in CV calculations would help with
interpreting the reliability of these measurements. Here, we build upon a
recent insight into reduced-rank Gaussian processes (GP) to perform
probabilistic interpolation of uncertain LAT directly on human atrial
manifolds. Our Gaussian Process Manifold Interpolation (GPMI) method accounts
for the topology of the atria, and allows for calculation of statistics for
predicted CV. We demonstrate our method on two clinical cases, and perform
validation against a simulated ground truth. CV uncertainty depends on data
density, wave propagation direction, and CV magnitude. GPMI is suitable for
probabilistic interpolation of other uncertain quantities on non-Euclidean
manifolds.
- Abstract（参考訳）: 心房細動の患者では、局所活性化時間(LAT)マップが患者の病態を特徴付けるために日常的に使用される。
LATマップの勾配は、物質伝導率に直接関連し、心房基質特性の重要な指標となる伝導速度(CV)を計算するために用いられる。
CV計算の不確実性を含むことは、これらの測定の信頼性の解釈に役立つだろう。
そこで我々は,不確実なLATの確率的補間をヒト心房多様体に直接行うために,減階ガウス過程(GP)に関する最近の知見を構築した。
我々のガウス過程マニフォールド補間法(GPMI)はアトリアの位相を考慮し,予測CVの統計計算を可能にする。
本手法を2つの臨床症例で実証し, 模擬基底真理に対する検証を行った。
CVの不確実性は、データ密度、波動伝播方向、CV等級に依存する。
GPMIは非ユークリッド多様体上の他の不確実量の確率的補間に適している。
関連論文リスト
- Qubit Dynamics beyond Lindblad: Non-Markovianity versus Rotating Wave
Approximation [0.0]
量子ビットと環境自由度の間の相互作用における微妙な効果は、徐々に関連性を持ち、実験的に見えるようになる。
これは特に、量子ビット演算において最もよく用いられる数値シミュレーションプラットフォームの基礎となる時間スケールの分離に適用される。
i)これらの時間スケール分離の違反を実験的に監視できる範囲と、(ii)どれが最も深刻で高精度な予測を行うことができるかという質問に光を当てた。
論文 参考訳（メタデータ） (2023-08-11T09:16:07Z) - Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。
我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。
対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文 参考訳（メタデータ） (2023-02-10T08:05:19Z) - Mesh Neural Networks for SE(3)-Equivariant Hemodynamics Estimation on the Artery Wall [13.113110989699571]
三次元幾何学的動脈モデルによる壁面上のベクトル値量の推定について検討する。
我々は、三角形のメッシュ上で直接動作するエンドツーエンドSE(3)-同変ニューラルネットワークにおいて、グループ同変グラフ畳み込みを用いる。
本手法は, 経時的, ベクトル値のWSSを, 異なる流れ境界条件下で正確に予測できるほど強力であることを示す。
論文 参考訳（メタデータ） (2022-12-09T18:16:06Z) - Estimating Cardiac Tissue Conductivity from Electrograms with Fully
Convolutional Networks [0.0]
心房細動(Atrial Fibrillation, AAF)は、心房の電気的不整脈を特徴とする。
AFの有効治療には、心筋の有効伝導率の推定と異常増殖領域の同定が不可欠である。
論文 参考訳（メタデータ） (2022-12-06T14:37:59Z) - Statistical Efficiency of Score Matching: The View from Isoperimetry [96.65637602827942]
本研究では, スコアマッチングの統計的効率と推定される分布の等尺性との間に, 密接な関係を示す。
これらの結果はサンプル状態と有限状態の両方で定式化する。
論文 参考訳（メタデータ） (2022-10-03T06:09:01Z) - MissDAG: Causal Discovery in the Presence of Missing Data with
Continuous Additive Noise Models [78.72682320019737]
不完全な観測データから因果発見を行うため,MissDAGと呼ばれる一般的な手法を開発した。
MissDAGは、期待-最大化の枠組みの下で観測の可視部分の期待される可能性を最大化する。
各種因果探索アルゴリズムを組み込んだMissDAGの柔軟性について,広範囲なシミュレーションと実データ実験により検証した。
論文 参考訳（メタデータ） (2022-05-27T09:59:46Z) - Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。
バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。
我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文 参考訳（メタデータ） (2021-07-05T12:44:39Z) - Scalable Marginal Likelihood Estimation for Model Selection in Deep
Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。
本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文 参考訳（メタデータ） (2021-04-11T09:50:24Z) - Probabilistic Spatial Analysis in Quantitative Microscopy with
Uncertainty-Aware Cell Detection using Deep Bayesian Regression of Density
Maps [8.534825157831387]
3d顕微鏡は多様な生物系の研究の鍵である。
本稿では,大規模顕微鏡画像上で動作可能な深層学習型細胞検出フレームワークを提案する。
論文 参考訳（メタデータ） (2021-02-23T18:52:16Z) - Towards constraining warm dark matter with stellar streams through
neural simulation-based inference [7.608718235345664]
Amortized Approximate Likelihood Ratios (AALR) に基づく確率自由ベイズ推論パイプラインを導入する。
本手法は、暗黒物質サブハローによってのみ恒星の流れが摂動される単純化された場合に適用する。
論文 参考訳（メタデータ） (2020-11-30T15:53:43Z) - SLEIPNIR: Deterministic and Provably Accurate Feature Expansion for
Gaussian Process Regression with Derivatives [86.01677297601624]
本稿では,2次フーリエ特徴に基づく導関数によるGP回帰のスケーリング手法を提案する。
我々は、近似されたカーネルと近似された後部の両方に適用される決定論的、非漸近的、指数関数的に高速な崩壊誤差境界を証明した。
論文 参考訳（メタデータ） (2020-03-05T14:33:20Z)
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。