論文の概要: Learning atrial fiber orientations and conductivity tensors from intracardiac maps using physics-informed neural networks

• arxiv url: http://arxiv.org/abs/2102.10863v1
• Date: Mon, 22 Feb 2021 09:55:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-23 15:18:31.089401
• Title: Learning atrial fiber orientations and conductivity tensors from intracardiac maps using physics-informed neural networks
• Title（参考訳）: 物理誘起ニューラルネットワークを用いた心内図からの心房線維配向と導電テンソルの学習
• Authors: Thomas Grandits, Simone Pezzuto, Francisco Sahli Costabal, Paris Perdikaris, Thomas Pock, Gernot Plank, Rolf Krause
• Abstract要約: 私たちは、最近開発された物理情報ニューラルネットワークと呼ばれるアプローチを使用して、電気解剖学マップから繊維の向きを学びます。 特に、異方性固有方程式を弱く満たし、測定された活性化時間を予測するためにニューラルネットワークを訓練する。 この方法論は、合成例と患者データの両方でテストされる。
• 参考スコア（独自算出の注目度）: 7.70592139052601
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroanatomical maps are a key tool in the diagnosis and treatment of atrial fibrillation. Current approaches focus on the activation times recorded. However, more information can be extracted from the available data. The fibers in cardiac tissue conduct the electrical wave faster, and their direction could be inferred from activation times. In this work, we employ a recently developed approach, called physics informed neural networks, to learn the fiber orientations from electroanatomical maps, taking into account the physics of the electrical wave propagation. In particular, we train the neural network to weakly satisfy the anisotropic eikonal equation and to predict the measured activation times. We use a local basis for the anisotropic conductivity tensor, which encodes the fiber orientation. The methodology is tested both in a synthetic example and for patient data. Our approach shows good agreement in both cases and it outperforms a state of the art method in the patient data. The results show a first step towards learning the fiber orientations from electroanatomical maps with physics-informed neural networks.
• Abstract（参考訳）: 心電図は心房細動の診断と治療における重要なツールである。 現在のアプローチは、記録されたアクティベーション時間に焦点を当てている。 ただし、利用可能なデータからより多くの情報を抽出できます。 心臓組織の繊維はより速く電気波を伝導し、その方向は活性化時間から推定できる。 本研究では,最近開発された物理インフォームドニューラルネットワークを用いて,電波伝搬の物理を考慮に入れて,電気解剖学的な地図から繊維の配向を学習する。 特に、異方性固有方程式を弱く満たし、測定された活性化時間を予測するためにニューラルネットワークを訓練する。 私達は繊維のオリエンテーションをエンコードする異方性伝導性テンソルのためのローカル基礎を使用します。 この方法論は、合成例と患者データの両方でテストされる。 このアプローチは,両症例とも良好な一致を示し,患者データにおけるアートメソッドの状態を上回っている。 その結果、物理インフォームドニューラルネットワークを用いた電気解剖学的マップから繊維配向を学習する第一歩が示された。

関連論文リスト

• Ensemble learning of the atrial fiber orientation with physics-informed neural networks [0.0]
  本研究では、局所的な電気記録からアトリアにおける異方性伝導を自動的に同定するFibernetを提案する。 ニューラルネットワークのアンサンブルを使用して、複数のサンプルを生成し、すべての観測データを適合させ、後部統計を計算します。 提案手法は, 繊維配向と伝導速度を定量化した不確かさで7分以内で推定できる。
  論文  参考訳（メタデータ） (2024-10-30T18:45:19Z)
• Hebbian Learning based Orthogonal Projection for Continual Learning of Spiking Neural Networks [74.3099028063756]
  我々は,側方接続とヘビアン学習に基づくニューラル操作を用いた新しい手法を開発した。 我々は,反復する側方接続におけるヘビアン学習と反ヘビアン学習が,神経活動の主部分空間を効果的に抽出できることを示した。 我々の手法は、ほとんど忘れることなくニューラルネットワークをスパイクするために一貫して解決する。
  論文  参考訳（メタデータ） (2024-02-19T09:29:37Z)
• 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)
• Globally Optimal Training of Neural Networks with Threshold Activation Functions [63.03759813952481]
  しきい値アクティベートを伴うディープニューラルネットワークの重み劣化正規化学習問題について検討した。 ネットワークの特定の層でデータセットを破砕できる場合に、簡易な凸最適化の定式化を導出する。
  論文  参考訳（メタデータ） (2023-03-06T18:59:13Z)
• 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)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• Spiking neural network for nonlinear regression [68.8204255655161]
  スパイクニューラルネットワークは、メモリとエネルギー消費を大幅に削減する可能性を持っている。 彼らは、次世代のニューロモルフィックハードウェアによって活用できる時間的および神経的疎結合を導入する。 スパイキングニューラルネットワークを用いた回帰フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-06T13:04:45Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Physics-informed neural networks to learn cardiac fiber orientation from multiple electroanatomical maps [1.53934570513443]
  カテーテル記録からヒト心房の心臓線維構造を推定するFiberNetを提案する。 3つの地図は, ファイバを正確に捉えるのに十分であり, ノイズの存在下でも十分であることを示す。 FiberNetは、パーソナライズされた医療のための患者固有のモデルを作成するのに役立つと期待している。
  論文  参考訳（メタデータ） (2022-01-28T18:17:09Z)
• 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)
• Rotor Localization and Phase Mapping of Cardiac Excitation Waves using Deep Neural Networks [0.0]
  深層学習を用いて位相マップを計算し、ノイズやスパース電気データから位相特異点を検出する。 この手法を用いて,極端にスパースでノイズの多いデータであっても,位相マップを正確に計算し,ロータコアの位置を推定することができた。
  論文  参考訳（メタデータ） (2021-09-22T01:22:18Z)

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。