論文の概要: Estimating Cardiac Tissue Conductivity from Electrograms with Fully
Convolutional Networks
- arxiv url: http://arxiv.org/abs/2212.03012v1
- Date: Tue, 6 Dec 2022 14:37:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-07 18:02:02.321295
- Title: Estimating Cardiac Tissue Conductivity from Electrograms with Fully
Convolutional Networks
- Title(参考訳): 完全畳み込み回路を用いた心組織伝導率の推定
- Authors: Konstantinos Ntagiantas (1), Eduardo Pignatelli (1), Nicholas S.
Peters (2), Chris D. Cantwell (3), Rasheda A.Chowdhury (2), Anil A. Bharath
(1) ((1) Department of Bioengineering, Imperial College London, (2) National
Heart and Lung Institute, Imperial College London, (3) Department of
Aeronautics, Imperial College London)
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Atrial Fibrillation (AF) is characterized by disorganised electrical activity
in the atria and is known to be sustained by the presence of regions of
fibrosis (scars) or functional cellular remodeling, both of which may lead to
areas of slow conduction. Estimating the effective conductivity of the
myocardium and identifying regions of abnormal propagation is therefore crucial
for the effective treatment of AF. We hypothesise that the spatial distribution
of tissue conductivity can be directly inferred from an array of concurrently
acquired contact electrograms (EGMs). We generate a dataset of simulated
cardiac AP propagation using randomised scar distributions and a
phenomenological cardiac model and calculate contact electrograms at various
positions on the field. A deep neural network, based on a modified U-net
architecture, is trained to estimate the location of the scar and quantify
conductivity of the tissue with a Jaccard index of $91$%. We adapt a
wavelet-based surrogate testing analysis to confirm that the inferred
conductivity distribution is an accurate representation of the ground truth
input to the model. We find that the root mean square error (RMSE) between the
ground truth and our predictions is significantly smaller ($p_{val}=0.007$)
than the RMSE between the ground truth and surrogate samples.
- Abstract(参考訳): 心房細動(atrial fibrillation, aaf)は房房における電気的活動の解離を特徴とし、線維化(scar)または機能的細胞リモデリングの領域の存在によって持続することが知られている。
したがって, afの効果的な治療には, 心筋の有効導電率と異常伝播部位の同定が不可欠である。
組織導電率の空間分布は同時取得された接触電図(EGM)の配列から直接推定できると仮定する。
ランダムな傷跡分布と現象論的心モデルを用いて模擬心AP伝播のデータセットを生成し,フィールド上の様々な位置で接触電図を算出する。
修正されたu-netアーキテクチャに基づくディープニューラルネットワークを訓練し、傷跡の位置を推定し、jaccardインデックスが91ドルである組織の導電率を定量化する。
導電率分布がモデルに入力される基底真理の正確な表現であることを確認するために、ウェーブレットに基づくサーロゲートテスト解析を適用する。
基底真理と予測の間の根平均二乗誤差(RMSE)は、基底真理と代理標本の間のRMSEよりも著しく小さい(p_{val}=0.007$)。
関連論文リスト
- Predicting Cascading Failures with a Hyperparametric Diffusion Model [66.89499978864741]
拡散モデルのレンズによる電力グリッドのカスケード故障について検討する。
我々のモデルは、バイラル拡散原理と物理に基づく概念を統合する。
この拡散モデルはカスケード故障の痕跡から学習可能であることを示す。
論文 参考訳(メタデータ) (2024-06-12T02:34:24Z) - EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient
Arrhythmia Classification [79.7946379395238]
心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。
本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
論文 参考訳(メタデータ) (2023-10-24T02:37:49Z) - 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) - Flexible Amortized Variational Inference in qBOLD MRI [56.4324135502282]
データから酸素抽出率(OEF)と脱酸素血液量(DBV)をより明瞭に決定する。
既存の推論手法では、DBVを過大評価しながら非常にノイズの多い、過小評価されたEFマップが得られる傾向にある。
本研究は, OEFとDBVの可算分布を推定できる確率論的機械学習手法について述べる。
論文 参考訳(メタデータ) (2022-03-11T10:47:16Z) - Training neural networks with synthetic electrocardiograms [3.1583465114791105]
本稿では,ウェアラブル型単一リード心電図モニターによって生成された信号を模倣する合成心電図を用いたニューラルネットワークのトレーニング手法を提案する。
トレーニング例毎に波形形状,RR間隔,雑音などの合成信号特性が変化する領域ランダム化を用いる。
合成データで訓練されたモデルは、実際のデータで訓練されたモデルと比較される。
実験では、異なるシードで堅牢なパフォーマンスを示し、テストセット固有のチューニングなしで異なるテストセットでトレーニング例を示します。
論文 参考訳(メタデータ) (2021-11-11T12:39:33Z) - 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) - 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) - Diffusion Earth Mover's Distance and Distribution Embeddings [61.49248071384122]
拡散は$tildeo(n)$ timeで計算でき、ツリーベースのような同様の高速アルゴリズムよりも正確である。
拡散は完全微分可能であり、深層ニューラルネットワークのような勾配拡散フレームワークの将来の使用に適している。
論文 参考訳(メタデータ) (2021-02-25T13:18:32Z) - Influence of segmentation accuracy in structural MR head scans on
electric field computation for TMS and tES [2.750124853532831]
脳では、脳脊髄液(CSF)ではセグメンテーションの精度が比較的高く、灰白質(GM)では中等度であり、経頭蓋磁気刺激(TMS)や経頭蓋電気刺激(TES)では白質が低い。
CSFセグメンテーション精度はDice coefficient (DC) で10%低下し、両方の応用において正規化誘導電場において4%まで低下する。
しかし、5.6%DCのGMセグメンテーション精度の低下により、正規化誘導電界は6%まで増加する。
論文 参考訳(メタデータ) (2020-09-25T03:38:24Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳(メタデータ) (2020-06-16T18:45:20Z) - Simultaneous Skull Conductivity and Focal Source Imaging from EEG
Recordings with the help of Bayesian Uncertainty Modelling [77.34726150561087]
本研究では,未知の頭蓋骨伝導率によるソース画像誤差を補正するベイズ近似誤差法に基づく統計的手法を提案する。
その結果, 震源位置推定精度と頭蓋骨伝導率の推定精度が向上していることが示唆された。
論文 参考訳(メタデータ) (2020-01-31T21:33:56Z)
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。