論文の概要: Graph convolutional regression of cardiac depolarization from sparse endocardial maps

• arxiv url: http://arxiv.org/abs/2009.14068v1
• Date: Mon, 28 Sep 2020 09:21:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 22:48:57.670627
• Title: Graph convolutional regression of cardiac depolarization from sparse endocardial maps
• Title（参考訳）: スパース心内膜地図による心筋脱分極のグラフ畳み込み回帰
• Authors: Felix Meister, Tiziano Passerini, Chlo\'e Audigier, \`Eric Lluch, Viorel Mihalef, Hiroshi Ashikaga, Andreas Maier, Henry Halperin, Tommaso Mansi
• Abstract要約: 本稿では,グラフ畳み込みニューラルネットワークを用いた新しい深層学習手法を提案する。 提案手法は, 合成データに基づいて学習し, 実データに一般化することができる。
• 参考スコア（独自算出の注目度）: 7.3878346797632535
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroanatomic mapping as routinely acquired in ablation therapy of ventricular tachycardia is the gold standard method to identify the arrhythmogenic substrate. To reduce the acquisition time and still provide maps with high spatial resolution, we propose a novel deep learning method based on graph convolutional neural networks to estimate the depolarization time in the myocardium, given sparse catheter data on the left ventricular endocardium, ECG, and magnetic resonance images. The training set consists of data produced by a computational model of cardiac electrophysiology on a large cohort of synthetically generated geometries of ischemic hearts. The predicted depolarization pattern has good agreement with activation times computed by the cardiac electrophysiology model in a validation set of five swine heart geometries with complex scar and border zone morphologies. The mean absolute error hereby measures 8 ms on the entire myocardium when providing 50\% of the endocardial ground truth in over 500 computed depolarization patterns. Furthermore, when considering a complete animal data set with high density electroanatomic mapping data as reference, the neural network can accurately reproduce the endocardial depolarization pattern, even when a small percentage of measurements are provided as input features (mean absolute error of 7 ms with 50\% of input samples). The results show that the proposed method, trained on synthetically generated data, may generalize to real data.
• Abstract（参考訳）: 心室頻拍のアブレーション療法において日常的に得られる電気解剖学的マッピングは不整脈性基質を同定するための金標準法である。 グラフ畳み込みニューラルネットワークを用いた新しい深層学習法を提案する。左室心内膜,心電図,磁気共鳴画像上の疎カテーテルデータから心筋の脱分極時間を推定する。 トレーニングセットは、人工的に生成された虚血心のジオメトリの大きなコホート上で、心臓電気生理学の計算モデルによって生成されたデータからなる。 予測脱分極パターンは, 心電気生理学的モデルにより計算された活性化時間とよく一致し, 複雑な傷痕と境界領域形態を有する5つのブタ心筋ジオメトリーの検証セットである。 平均絶対誤差は500以上の非分極パターンにおいて、心内基底真理の50\%を提供する際、心筋全体の8msを計測する。 さらに、高密度電気解剖学的マッピングデータを用いた完全な動物データセットを基準として、入力特徴として少数の測定値が提供される場合(入力サンプルの50倍%に対して7msの絶対誤差)、ニューラルネットワークは、心内膜脱分極パターンを正確に再現することができる。 その結果,合成データに基づいて学習した提案手法は,実データに一般化可能であることがわかった。

関連論文リスト

• Finite element-based space-time total variation-type regularization of the inverse problem in electrocardiographic imaging [36.374785477116326]
  体表面電位測定による心活動の再構築は、心電図の逆問題を引き起こす。 本研究は,空間時間全変動型正規化に基づく体表面電位マップから心電位を再構成する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-08-21T12:28:56Z)
• Model-driven Heart Rate Estimation and Heart Murmur Detection based on Phonocardiogram [4.5546756241897235]
  本研究は, 心電図(PCG)データセットを用いて心拍数を推定する。 マルチタスク学習フレームワークにベストパフォーマンスモデルを拡張し、心拍数推定と大腿骨骨折検出を同時に行う。
  論文  参考訳（メタデータ） (2024-07-25T22:56:21Z)
• Development of Automated Neural Network Prediction for Echocardiographic Left ventricular Ejection Fraction [36.58987036154144]
  本稿では,深層ニューラルネットワークとアンサンブル学習に基づく新しいパイプライン手法を提案する。 この手法は,10,030個の心エコー図を含むオープンソースデータセットを用いて開発,検証した。 本研究では、LVEFの自動ニューラルネットワークに基づく計算が、心収縮機能のフレーム・バイ・フレーム手動評価を行う専門医に匹敵することを示した。
  論文  参考訳（メタデータ） (2024-03-18T18:09:22Z)
• 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)
• Towards Enabling Cardiac Digital Twins of Myocardial Infarction Using Deep Computational Models for Inverse Inference [6.447210290674733]
  シミュレーションされたQRSから脳梗塞の位置と分布を推定するために,二分岐変分オートエンコーダと推論モデルからなる新しい深部計算モデルを提案する。 感度分析により、脳梗塞の特徴と電気生理学的特徴との複雑な関係の理解が促進される。
  論文  参考訳（メタデータ） (2023-07-10T08:54:12Z)
• Deep Learning-based Prediction of Electrical Arrhythmia Circuits from Cardiac Motion: An In-Silico Study [4.751438180388347]
  心電気生理学において、第一の診断目標は、心リズム障害の電気的引き金やドライバを特定することである。 現在、心臓全体の電気波の3次元形態をマッピングすることは不可能である。 ここでは、心室変形力学から3次元波動を予測できることをコンピュータシミュレーションで示す。
  論文  参考訳（メタデータ） (2023-05-13T02:16:40Z)
• Three-dimensional micro-structurally informed in silico myocardium -- towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
  本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。 シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
  論文  参考訳（メタデータ） (2022-08-22T22:01:44Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• 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)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。