論文の概要: Physics-informed neural networks to learn cardiac fiber orientation from multiple electroanatomical maps

• arxiv url: http://arxiv.org/abs/2201.12362v1
• Date: Fri, 28 Jan 2022 18:17:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-01 17:59:06.934967
• Title: Physics-informed neural networks to learn cardiac fiber orientation from multiple electroanatomical maps
• Title（参考訳）: 物理インフォームドニューラルネットワークによる複数の電気解剖学的マップからの心臓線維配向の学習
• Authors: Carlos Ruiz Herrera, Thomas Grandits, Gernot Plank, Paris Perdikaris, Francisco Sahli Costabal and Simone Pezzuto
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.53934570513443
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We propose FiberNet, a method to estimate in-vivo the cardiac fiber architecture of the human atria from multiple catheter recordings of the electrical activation. Cardiac fibers play a central rolein the electro-mechanical function of the heart, yet they aredifficult to determine in-vivo, and hence rarely truly patient-specificin existing cardiac models.FiberNet learns the fibers arrangement by solvingan inverse problem with physics-informed neural networks. The inverse problem amounts to identifyingthe conduction velocity tensor of a cardiac propagation modelfrom a set of sparse activation maps. The use of multiple mapsenables the simultaneous identification of all the componentsof the conduction velocity tensor, including the local fiber angle.We extensively test FiberNet on synthetic 2-D and 3-D examples, diffusion tensor fibers, and a patient-specific case. We show that 3 maps are sufficient to accurately capture the fibers, also in thepresence of noise. With fewer maps, the role of regularization becomesprominent. Moreover, we show that the fitted model can robustlyreproduce unseen activation maps. We envision that FiberNet will help the creation of patient-specific models for personalized medicine.The full code is available at http://github.com/fsahli/FiberNet.
• Abstract（参考訳）: 本研究では, 複数のカテーテル記録からヒト心房の心線維構造をin-vivoで推定するfibernetを提案する。 心臓線維は心臓の電気機械機能において中心的な役割を担っているが、生体内決定が困難であり、それゆえ、既存の心臓モデルにおいて真に患者特異的であることは稀である。 逆問題は、スパース活性化マップの集合から心臓伝播モデルの伝導速度テンソルを特定することである。 局所繊維角を含む伝導速度テンソルの全ての成分を同時に同定し, 合成2次元および3次元例, 拡散テンソル繊維, 患者特有の場合についてfibernetを広範囲にテストした。 3つの地図は繊維を正確に捉えるのに十分であり、ノイズの予測にも十分であることを示す。 地図が少なければ、正規化の役割は顕著になる。 さらに, 適応モデルにより, 目に見えないアクティベーションマップを頑健に再現できることを示す。 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ことを期待しています。

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)
• Generation of patient specific cardiac chamber models using generative neural networks under a Bayesian framework for electroanatomical mapping [1.9336815376402723]
  心のCT/MRIスキャンライブラリーでトレーニングされた確率論的機械学習モデルは、電気解剖学的マッピングで使用することができる。 疎い3次元点雲データから心臓室モデルの表面再構成を行うためのベイズ的手法を提案する。 ニューラルネットワークが、ネットワークのトレーニングに使用するセグメント化されたCT/MRI画像から何を学習するかについて、どのように洞察を提供するかを示す。
  論文  参考訳（メタデータ） (2023-11-27T03:47:33Z)
• 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)
• WarpPINN: Cine-MR image registration with physics-informed neural networks [2.338246743809955]
  心不全は通常、放出率などの大域的機能評価と診断される。 我々は物理インフォームドニューラルネットワークであるWarpPINNを導入し、画像登録を行い、心臓変形の局所的測定値を得る。
  論文  参考訳（メタデータ） (2022-11-22T19:48:02Z)
• 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)
• Three-dimensional microstructure generation using generative adversarial neural networks in the context of continuum micromechanics [77.34726150561087]
  本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。 軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
  論文  参考訳（メタデータ） (2022-05-31T13:26:51Z)
• 3D Reconstruction of Curvilinear Structures with Stereo Matching DeepConvolutional Neural Networks [52.710012864395246]
  本稿では,立体対における曲線構造の検出とマッチングのための完全自動パイプラインを提案する。 主に、TEM画像のステレオ対から転位を3次元再構成することに焦点を当てる。
  論文  参考訳（メタデータ） (2021-10-14T23:05:47Z)
• 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)
• A reusable pipeline for large-scale fiber segmentation on unidirectional fiber beds using fully convolutional neural networks [68.8204255655161]
  我々は,X線X線CTファイバーベッド内のファイバーを検出するためのオープンな計算パイプラインを提案する。 これらのサンプルの繊維を分離するために、完全畳み込みニューラルネットワークの4つの異なるアーキテクチャをテストした。 ニューラルネットワークのアプローチを半監視方式と比較すると、DiceとMatthewsの係数は92.28 pm 9.65%以上となり、最大98.42 pm 0.03 %$に達した。
  論文  参考訳（メタデータ） (2021-01-13T00:58:29Z)
• Noise-Resilient Automatic Interpretation of Holter ECG Recordings [67.59562181136491]
  本稿では,ホルター記録を雑音に頑健に解析する3段階プロセスを提案する。 第1段階は、心拍位置を検出する勾配デコーダアーキテクチャを備えたセグメンテーションニューラルネットワーク(NN)である。 第2段階は、心拍を幅または幅に分類する分類NNである。 第3のステージは、NN機能の上に、患者対応機能を組み込んだ強化決定木(GBDT)である。
  論文  参考訳（メタデータ） (2020-11-17T16:15:49Z)
• CS2-Net: Deep Learning Segmentation of Curvilinear Structures in Medical Imaging [90.78899127463445]
  カービリニア構造のセグメンテーションのための汎用的で統一的な畳み込みニューラルネットワークを提案する。 エンコーダとデコーダに自己アテンション機構を含む新しいカービリニア構造分割ネットワーク(CS2-Net)を導入する。
  論文  参考訳（メタデータ） (2020-10-15T03:06:37Z)

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。