論文の概要: Rotor Localization and Phase Mapping of Cardiac Excitation Waves using Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2109.10472v1
• Date: Wed, 22 Sep 2021 01:22:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-23 13:32:51.868854
• Title: Rotor Localization and Phase Mapping of Cardiac Excitation Waves using Deep Neural Networks
• Title（参考訳）: 深部ニューラルネットワークを用いた心臓興奮波のロータ局在と位相マッピング
• Authors: Jan Lebert, Namita Ravi, Flavio Fenton, Jan Christoph
• Abstract要約: 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。
• 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: The analysis of electrical impulse phenomena in cardiac muscle tissue is important for the diagnosis of heart rhythm disorders and other cardiac pathophysiology. Cardiac mapping techniques acquire numerous local temporal measurements and combine them to visualize the spread of electrophysiological wave phenomena across the heart surface. However, low spatial resolutions, sparse measurement locations, noise and other artifacts make it challenging to accurately visualize spatio-temporal activity. For instance, electro-anatomical catheter mapping is severely limited by the sparsity of the measurements and optical mapping is prone to noise and motion artifacts. In the past, several approaches have been proposed to obtain more reliable maps from noisy or sparse mapping data. Here, we demonstrate that deep learning can be used to compute phase maps and detect phase singularities from both noisy and sparse electrical mapping data with high precision and efficiency. The self-supervised deep learning approach is fundamentally different from classical phase mapping techniques. Rather than encoding a phase signal from time-series data, the network instead learns to directly associate short spatio-temporal sequences of electrical data with phase maps and the positions of phase singularities. Using this method, we were able to accurately compute phase maps and locate rotor cores even from extremely sparse and noisy data, generated from both optical mapping experiments and computer simulations. Neural networks are a promising alternative to conventional phase mapping and rotor core localization methods, that could be used in optical mapping studies in basic cardiovascular research as well as in the clinical setting for the analysis of atrial fibrillation.
• Abstract（参考訳）: 心臓筋組織における電気的インパルス現象の解析は、心臓リズム障害やその他の心疾患の診断に重要である。 心臓マッピング技術は、多くの局所的時間測定値を取得し、それらを組み合わせて心表面における電気生理学的波動現象の拡散を可視化する。 しかし、低空間分解能、スパース測定位置、ノイズ、その他のアーティファクトは、時空間活動の正確な可視化を困難にしている。 例えば、電気解剖学的なカテーテルマッピングは測定の間隔によって著しく制限され、光学的マッピングはノイズや動きのアーティファクトにつながる。 過去、ノイズやスパースマッピングデータからより信頼性の高い地図を得るためのいくつかのアプローチが提案されてきた。 本稿では,位相マップの計算や,ノイズとスパースな電気的マッピングデータから位相特異性を高精度かつ効率良く検出するために,深層学習を応用できることを実証する。 自己教師型ディープラーニングアプローチは、古典的な位相マッピング手法と根本的に異なる。 時系列データから位相信号を符号化する代わりに、ネットワークは電気データの短い時空間列と位相マップと位相特異点の位置を直接関連付けることを学ぶ。 この方法を用いることで,光マッピング実験と計算機シミュレーションの両方から生成した極めてばらばらでノイズの多いデータからでも,位相マップを正確に計算し,ローターコアを同定することができた。 ニューラルネットワークは従来の位相マッピングやローターコアローカライゼーション法に代わる有望な代替手段であり、基本的な心血管研究や心房細動解析のための臨床環境において光学マッピング研究に使用できる。

関連論文リスト

• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• Time Scale Network: A Shallow Neural Network For Time Series Data [18.46091267922322]
  時系列データは、しばしば複数の時間スケールで情報で構成されている。 この情報を捉えるためのディープラーニング戦略は存在するが、ネットワークを大きくし、より多くのデータを必要とし、計算を要求されやすく、解釈が難しいものが多い。 本稿では,離散ウェーブレット変換における翻訳と拡張シーケンスと,従来の畳み込みニューラルネットワークとバックプロパゲーションを組み合わせた,最小かつ計算効率のタイムスケールネットワークを提案する。
  論文  参考訳（メタデータ） (2023-11-10T16:39:55Z)
• AiAReSeg: Catheter Detection and Segmentation in Interventional Ultrasound using Transformers [75.20925220246689]
  血管内手術は、電離放射線を用いてカテーテルと血管を可視化するFluoroscopyの黄金標準を用いて行われる。 本研究では、最先端機械学習トランスフォーマアーキテクチャを応用して、軸干渉超音波画像シーケンス中のカテーテルを検出し、セグメント化する手法を提案する。
  論文  参考訳（メタデータ） (2023-09-25T19:34:12Z)
• 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)
• 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)
• 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 Metric Learning with Locality Sensitive Angular Loss for Self-Correcting Source Separation of Neural Spiking Signals [77.34726150561087]
  本稿では, 深層学習に基づく手法を提案し, 自動掃除とロバスト分離フィルタの必要性に対処する。 本手法は, ソース分離した高密度表面筋電図記録に基づいて, 人工的に劣化したラベルセットを用いて検証する。 このアプローチにより、ニューラルネットワークは、信号のラベル付けの不完全な方法を使用して、神経生理学的時系列を正確に復号することができる。
  論文  参考訳（メタデータ） (2021-10-13T21:51:56Z)
• Localization of Cochlear Implant Electrodes from Cone Beam Computed Tomography using Particle Belief Propagation [23.934214668896157]
  人工内耳インプラント(CI)は、深い難聴に苦しむ人々の聴覚感覚を回復させることができるインプラント可能な医療機器です。 これらの電極の正確な位置は、これらのデバイスの性能を改善し予測する上で重要なパラメータとなるかもしれない。 コーンビーム計算トモグラフィー(CBCT)データセットに対するCI電極位置決めのためのマルコフランダムフィールド(MRF)モデルを提案する。
  論文  参考訳（メタデータ） (2021-03-18T15:39:23Z)
• Learning atrial fiber orientations and conductivity tensors from intracardiac maps using physics-informed neural networks [7.70592139052601]
  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。
  論文  参考訳（メタデータ） (2021-02-22T09:55:17Z)
• Graph convolutional regression of cardiac depolarization from sparse endocardial maps [7.3878346797632535]
  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。
  論文  参考訳（メタデータ） (2020-09-28T09:21:14Z)
• Video-based Remote Physiological Measurement via Cross-verified Feature Disentangling [121.50704279659253]
  非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。 次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。 歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
  論文  参考訳（メタデータ） (2020-07-16T09:39:17Z)

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。