論文の概要: Deep Learning-based Prediction of Electrical Arrhythmia Circuits from Cardiac Motion: An In-Silico Study

• arxiv url: http://arxiv.org/abs/2305.07822v1
• Date: Sat, 13 May 2023 02:16:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-16 19:28:34.211782
• Title: Deep Learning-based Prediction of Electrical Arrhythmia Circuits from Cardiac Motion: An In-Silico Study
• Title（参考訳）: 深層学習に基づく心臓運動からの電気不整脈回路の予測 : シリコンを用いた研究
• Authors: Jan Lebert, Daniel Deng, Lei Fan, Lik Chuan Lee, and Jan Christoph
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.751438180388347
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The heart's contraction is caused by electrical excitation which propagates through the heart muscle. It was recently shown that the electrical excitation can be computed from the contractile motion of a simulated piece of heart muscle tissue using deep learning. In cardiac electrophysiology, a primary diagnostic goal is to identify electrical triggers or drivers of heart rhythm disorders. However, using electrical mapping techniques, it is currently impossible to map the three-dimensional morphology of the electrical waves throughout the entire heart muscle, especially during ventricular arrhythmias. Therefore, the approach to calculate or predict electrical excitation from the hearts motion could be a promising alternative diagnostic approach. Here, we demonstrate in computer simulations that it is possible to predict three-dimensional electrical wave dynamics from ventricular deformation mechanics using deep learning. We performed thousands of simulations of electromechanical activation dynamics in ventricular geometries and used the data to train a neural network which subsequently predicts the three-dimensional electrical wave pattern that caused the deformation. We demonstrate that, next to focal wave patterns, even complicated three-dimensional electrical wave patterns can be reconstructed, even if the network has never seen the particular arrhythmia. We show that the deep learning model has the ability to generalize by training it on data generated with the smoothed particle hydrodynamics (SPH) method and subsequently applying it to data generated with the finite element method (FEM). Predictions can be performed in the presence of scars and with significant heterogeneity. Our results suggest that, deep neural networks could be used to calculate intramural action potential wave patterns from imaging data of the motion of the heart muscle.
• Abstract（参考訳）: 心臓の収縮は、心筋を介して伝播する電気的興奮によって引き起こされる。 近年,深層学習を用いてシミュレーションされた心筋組織の収縮運動から電気刺激を計算できることが示されている。 心臓の電気生理学において、第一の診断目標は、心臓のリズム障害の電気的トリガーやドライバを特定することである。 しかし、電気マッピング技術を用いることで、特に心室不整脈において、心臓筋全体、特に心室不整脈の間における電気波の3次元形態をマッピングすることは不可能である。 したがって、心臓の動きから電気的興奮を計算または予測するアプローチは、有望な代替診断手法である可能性がある。 本稿では,深層学習を用いて,心室の変形力学から3次元の波動力学を予測できることを計算機シミュレーションで実証する。 心室図の電気機械的アクティベーションダイナミクスのシミュレーションを何千回も実施し,そのデータを用いてニューラルネットワークのトレーニングを行い,変形の原因となる3次元波動パターンを予測した。 ネットワークが特定の不整脈を見たことがない場合でも、焦点波パターンの横で複雑な3次元の電磁波パターンを再構成できることを実証した。 本研究では, 有限要素法 (FEM) で生成したデータに対して, 平滑化粒子流体力学 (SPH) 法で生成したデータに基づいて, 学習モデルを学習し, 一般化できることを示す。 予測は、傷跡の存在下で、そして著しい異質性をもって行うことができる。 以上の結果から,深部ニューラルネットワークを用いて心筋運動の画像データから筋内活動電位波形を算出できることが示唆された。

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)
• 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)
• Multi-view Hybrid Graph Convolutional Network for Volume-to-mesh Reconstruction in Cardiovascular MRI [43.47826598981827]
  画像間直接抽出のための新しいアーキテクチャであるHybridVNetを紹介する。 グラフ構造として符号化することで,表面および体積メッシュを効率的に処理できることを示す。 我々のモデルは、従来の畳み込みネットワークと変分グラフ生成モデル、深い監督とメッシュ固有の正規化を組み合わせたものです。
  論文  参考訳（メタデータ） (2023-11-22T21:51:29Z)
• 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)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• 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)
• 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)
• 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)
• SimGANs: Simulator-Based Generative Adversarial Networks for ECG Synthesis to Improve Deep ECG Classification [37.73516738836885]
  心電図(ECG)合成の問題点について検討した。 心臓動態を表す常微分方程式の系を用いて、生物学的に妥当な心電図トレーニング例を作成する。
  論文  参考訳（メタデータ） (2020-06-27T12:17:21Z)

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。