論文の概要: Towards Enabling Cardiac Digital Twins of Myocardial Infarction Using
Deep Computational Models for Inverse Inference
- arxiv url: http://arxiv.org/abs/2307.04421v3
- Date: Wed, 14 Feb 2024 22:52:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-17 00:01:19.468240
- Title: Towards Enabling Cardiac Digital Twins of Myocardial Infarction Using
Deep Computational Models for Inverse Inference
- Title（参考訳）: 逆推論のためのDeep Computational Modelを用いた心筋梗塞心電図双極子の実現に向けて
- Authors: Lei Li, Julia Camps, Zhinuo (Jenny) Wang, Abhirup Banerjee, Marcel
Beetz, Blanca Rodriguez, and Vicente Grau
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 6.447210290674733
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Cardiac digital twins (CDTs) have the potential to offer individualized
evaluation of cardiac function in a non-invasive manner, making them a
promising approach for personalized diagnosis and treatment planning of
my-ocardial infarction (MI). The inference of accurate myocardial tissue
properties is crucial in creating a reliable CDT of MI. In this work, we
investigate the feasibility of inferring myocardial tissue properties from the
electrocardiogram (ECG) within a CDT platform. The platform integrates
multi-modal data, such as cardiac MRI and ECG, to enhance the accuracy and
reliability of the inferred tissue properties. We perform a sensitivity
analysis based on computer simulations, systematically exploring the effects of
infarct location, size, degree of transmurality, and electrical ac-tivity
alteration on the simulated QRS complex of ECG, to establish the limits of the
approach. We subsequently present a novel deep computational model, comprising
a dual-branch variational autoencoder and an inference model, to infer infarct
location and distribution from the simulated QRS. The proposed model achieves
mean Dice scores of 0.457 \pm 0.317 and 0.302 \pm 0.273 for the inference of
left ventricle scars and border zone, respectively. The sensitivity analysis
enhances our understanding of the complex relationship between infarct
characteristics and electrophysiological features. The in silico experimental
results show that the model can effectively capture the relationship for the
inverse inference, with promising potential for clinical application in the
future. The code will be released publicly once the manuscript is accepted for
publication.
- Abstract（参考訳）: 心臓デジタル双生児(CDT)は、非侵襲的に心臓機能の個別評価を提供する可能性があり、心筋梗塞(MI)のパーソナライズされた診断と治療計画のための有望なアプローチである。
正確な心筋組織特性の推測は、MIの信頼性の高いCDTを作成する上で重要である。
本研究は,CDTプラットフォーム内の心電図(ECG)から心筋組織特性を推定できる可能性を検討した。
このプラットフォームは、心MRIや心電図などのマルチモーダルデータを統合し、推測された組織特性の精度と信頼性を高める。
コンピュータシミュレーションに基づく感度解析を行い,心電図の模擬QRS複合体に対する梗塞位置,大きさ,横隔膜度,電気的交流度変化の影響を系統的に検討し,アプローチの限界を確立する。
次に,2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し,シミュレーションQRSから脳梗塞の位置と分布を推定する。
提案モデルは,左室壁と境界域を推定するために0.457 \pm 0.317と0.302 \pm 0.273の平均サイススコアを達成する。
感度解析は、梗塞の特徴と電気生理学的特徴の複雑な関係の理解を深める。
in silico 実験の結果,このモデルでは逆推論の関係を効果的に捉え,将来臨床応用の可能性も示唆された。
原稿が出版されたら、コードは公開される予定だ。
関連論文リスト
- Leveraging Cardiovascular Simulations for In-Vivo Prediction of Cardiac Biomarkers [43.17768785084301]
我々は、新たに構築された心臓シミュレーションの大規模なデータセットに基づいて、無傷神経後部推定器を訓練する。
シミュレーションデータと実世界の測定値との整合性を改善するために,要素モデリング効果を取り入れた。
提案するフレームワークは,実世界のデータに対する予測能力を向上するために,インバイブなデータソースをさらに統合することができる。
論文 参考訳（メタデータ） (2024-12-23T13:05:17Z) - Deciphering Heartbeat Signatures: A Vision Transformer Approach to Explainable Atrial Fibrillation Detection from ECG Signals [4.056982620027252]
単誘導心電図データに基づいて心房細動を識別するための視覚変換器アプローチを開発した。
また、残差ネットワーク(ResNet)アプローチも、視覚変換器アプローチと比較するために開発されている。
論文 参考訳（メタデータ） (2024-02-12T11:04:08Z) - Probabilistic learning of the Purkinje network from the
electrocardiogram [0.0]
非侵襲的臨床データからPurkinjeネットワークを同定するための確率論的アプローチを提案する。
心電図を用いて解剖学的に正確な心室モデルを構築した。
生理的心電図を高速モデルでシミュレートする。
論文 参考訳（メタデータ） (2023-12-15T15:34:29Z) - 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) - 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) - Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。
発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。
ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
論文 参考訳（メタデータ） (2023-05-18T06:54:56Z) - 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) - Deep Computational Model for the Inference of Ventricular Activation
Properties [10.886815576856574]
患者固有の心臓計算モデルは、精密医療の効率的な実現と、デジタル双生児を用いた in-silico 臨床試験に不可欠である。
深層学習に基づく患者固有の計算モデルを提案し,心室活性化特性の推測のために解剖学的および電気生理学的情報を融合することができる。
我々はEikonalモデルを用いて、特定の患者情報も考慮されている推論モデルをトレーニングするために、地上の真理特性を持つ模擬心電図を生成する。
論文 参考訳（メタデータ） (2022-08-08T10:23:43Z) - Joint data imputation and mechanistic modelling for simulating
heart-brain interactions in incomplete datasets [5.178090215294132]
本稿では, 心血管機構モデルを用いた共同心臓データ計算とパーソナライズのための確率的枠組みを提案する。
本手法は, 利用可能な特徴量から, 心臓情報の計算モデルを用いて, 共同推論を行うための変動的枠組みに基づくものである。
本モデルは,最小限の心情報を含むデータセットにおいて,欠落した心機能の正確な計算を可能にすることを示す。
論文 参考訳（メタデータ） (2020-10-02T15:31:36Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳（メタデータ） (2020-05-27T20:44:38Z)
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。