論文の概要: Deep learning-based reduced order models in cardiac electrophysiology
- arxiv url: http://arxiv.org/abs/2006.03040v1
- Date: Tue, 2 Jun 2020 23:05:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-26 01:28:50.057220
- Title: Deep learning-based reduced order models in cardiac electrophysiology
- Title（参考訳）: 深層学習に基づく心電気生理学的モデル
- Authors: Stefania Fresca, Andrea Manzoni, Luca Ded\`e, Alfio Quarteroni
- Abstract要約: 深層学習 (DL) アルゴリズムを利用して, 高精度かつ効率的な縮小順序モデル (ROM) を得る新しい非線形手法を提案する。
我々のDLアプローチは、ディープフィードフォワードニューラルネットワーク(NN)と畳み込みオートエンコーダ(AE)を組み合わせたものです。
提案するDL-ROMフレームワークは, パラメタライズド電気生理学問題の解法を効率よく提供できることを示し, 病理症例における多シナリオ解析を可能にした。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting the electrical behavior of the heart, from the cellular scale to
the tissue level, relies on the formulation and numerical approximation of
coupled nonlinear dynamical systems. These systems describe the cardiac action
potential, that is the polarization/depolarization cycle occurring at every
heart beat that models the time evolution of the electrical potential across
the cell membrane, as well as a set of ionic variables. Multiple solutions of
these systems, corresponding to different model inputs, are required to
evaluate outputs of clinical interest, such as activation maps and action
potential duration. More importantly, these models feature coherent structures
that propagate over time, such as wavefronts. These systems can hardly be
reduced to lower dimensional problems by conventional reduced order models
(ROMs) such as, e.g., the reduced basis (RB) method. This is primarily due to
the low regularity of the solution manifold (with respect to the problem
parameters) as well as to the nonlinear nature of the input-output maps that we
intend to reconstruct numerically. To overcome this difficulty, in this paper
we propose a new, nonlinear approach which exploits deep learning (DL)
algorithms to obtain accurate and efficient ROMs, whose dimensionality matches
the number of system parameters. Our DL approach combines deep feedforward
neural networks (NNs) and convolutional autoencoders (AEs). We show that the
proposed DL-ROM framework can efficiently provide solutions to parametrized
electrophysiology problems, thus enabling multi-scenario analysis in
pathological cases. We investigate three challenging test cases in cardiac
electrophysiology and prove that DL-ROM outperforms classical projection-based
ROMs.
- Abstract（参考訳）: 心臓の電気的挙動を細胞規模から組織レベルまで予測することは、結合された非線形力学系の定式化と数値近似に依存する。
これらのシステムは、細胞膜全体にわたる電位の時間的進化をモデル化する全ての心臓のビートで発生する偏極/偏極サイクルである心臓活動電位と、イオン変数のセットを記述している。
異なるモデル入力に対応するこれらのシステムの複数の解は、アクティベーションマップやアクションポテンシャル持続時間などの臨床関心のアウトプットを評価するために必要である。
さらに重要なのは、これらのモデルは波面のような時間とともに伝播するコヒーレントな構造を特徴としている。
これらのシステムは、例えば還元基底(rb)法のような従来の還元次数モデル(rom)によって、低次元問題にほとんど還元できない。
これは、主に(問題パラメーターに関して)解多様体の低正則性と、我々が数値的に再構築しようとする入出力写像の非線形性のためである。
本稿では,この課題を克服するために,深層学習(dl)アルゴリズムを応用し,システムパラメータ数と次元が一致する高精度かつ効率的なromを得る非線形手法を提案する。
我々のDLアプローチは、ディープフィードフォワードニューラルネットワーク(NN)と畳み込みオートエンコーダ(AE)を組み合わせたものです。
提案するDL-ROMフレームワークは, パラメタライズド電気生理学問題の解法を効率よく提供し, 病理症例における多シナリオ解析を可能にした。
心臓電気生理学における3つの挑戦的検査例について検討し,DL-ROMが従来のプロジェクションベースのROMより優れていることを証明した。
関連論文リスト
- HyperSBINN: A Hypernetwork-Enhanced Systems Biology-Informed Neural Network for Efficient Drug Cardiosafety Assessment [0.46435896353765527]
メタラーニング技術とシステム生物学インフォームドニューラルネットワーク(SBINN)を組み合わせることで、心臓活動電位のパラメータ化モデルを解く新しい手法を提案する。
提案手法であるHyper SBINNは、異なる濃度における各種化合物の心活動電位への影響を予測するという課題を効果的に解決する。
論文 参考訳（メタデータ） (2024-08-26T13:40:33Z) - InVAErt networks for amortized inference and identifiability analysis of lumped parameter hemodynamic models [0.0]
本研究では、ニューラルネットワークをベースとしたデータ駆動型フレームワークであるinVAErtネットワークを用いて、剛体力学系のディジタル双対解析を強化する。
InVAErtネットワークの柔軟性と有効性について,合成データから欠落成分を含む実データへの6成分ループ型パラメータ血行動態モデルの生理的逆転の文脈で示す。
論文 参考訳（メタデータ） (2024-08-15T17:07:40Z) - Digital twinning of cardiac electrophysiology models from the surface
ECG: a geodesic backpropagation approach [39.36827689390718]
逆等角問題の解法としてGeodesic-BPを提案する。
その結果,Geodesic-BPは人工心臓の活性化を高精度に再現できることが示唆された。
パーソナライズド医療への将来のシフトを考えると、Geodesic-BPは将来の心臓モデルの機能化に役立つ可能性がある。
論文 参考訳（メタデータ） (2023-08-16T14:57:12Z) - Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。
NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。
本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
論文 参考訳（メタデータ） (2023-06-24T17:01:51Z) - The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。
ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。
本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
論文 参考訳（メタデータ） (2023-06-14T13:34:13Z) - A Stable and Scalable Method for Solving Initial Value PDEs with Neural
Networks [52.5899851000193]
我々は,ネットワークの条件が悪くなるのを防止し,パラメータ数で時間線形に動作するODEベースのIPPソルバを開発した。
このアプローチに基づく現在の手法は2つの重要な問題に悩まされていることを示す。
まず、ODEに従うと、問題の条件付けにおいて制御不能な成長が生じ、最終的に許容できないほど大きな数値誤差が生じる。
論文 参考訳（メタデータ） (2023-04-28T17:28:18Z) - Accelerated Solutions of Coupled Phase-Field Problems using Generative
Adversarial Networks [0.0]
我々は,エンコーダデコーダに基づく条件付きGeneLSTM層を用いたニューラルネットワークに基づく新しいフレームワークを開発し,Cahn-Hilliardマイクロ構造方程式を解く。
トレーニングされたモデルはメッシュとスケールに依存しないため、効果的なニューラル演算子としての応用が保証される。
論文 参考訳（メタデータ） (2022-11-22T08:32:22Z) - DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG
Signals [62.997667081978825]
我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。
我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。
標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
論文 参考訳（メタデータ） (2021-12-08T13:07:21Z) - Coupled and Uncoupled Dynamic Mode Decomposition in Multi-Compartmental
Systems with Applications to Epidemiological and Additive Manufacturing
Problems [58.720142291102135]
非線形問題に適用した場合,動的分解(DMD)は強力なツールである可能性が示唆された。
特に,Covid-19に対する連続遅延SIRDモデルに対する興味深い数値的応用を示す。
論文 参考訳（メタデータ） (2021-10-12T21:42:14Z) - Deep Spatio-temporal Sparse Decomposition for Trend Prediction and
Anomaly Detection in Cardiac Electrical Conduction [11.076265159072229]
本稿では,時間を要する心部分微分方程式をバイパスする深部時間分解法(DSTSD)を提案する。
このアプローチは、Courtemanche-amirez-Nattel neuron (CRN)モデルから生成されたデータセットから検証される。
論文 参考訳（メタデータ） (2021-09-20T06:38:50Z) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳（メタデータ） (2020-06-16T21:56:22Z)
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。