論文の概要: Probabilistic learning of the Purkinje network from the
electrocardiogram
- arxiv url: http://arxiv.org/abs/2312.09887v1
- Date: Fri, 15 Dec 2023 15:34:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-18 15:04:14.291271
- Title: Probabilistic learning of the Purkinje network from the
electrocardiogram
- Title(参考訳): 心電図によるPurkinjeネットワークの確率論的学習
- Authors: Felipe \'Alvarez-Barrientos, Mariana Salinas-Camus, Simone Pezzuto,
Francisco Sahli Costabal
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The identification of the Purkinje conduction system in the heart is a
challenging task, yet essential for a correct definition of cardiac digital
twins for precision cardiology. Here, we propose a probabilistic approach for
identifying the Purkinje network from non-invasive clinical data such as the
standard electrocardiogram (ECG). We use cardiac imaging to build an
anatomically accurate model of the ventricles; we algorithmically generate a
rule-based Purkinje network tailored to the anatomy; we simulate physiological
electrocardiograms with a fast model; we identify the geometrical and
electrical parameters of the Purkinje-ECG model with Bayesian optimization and
approximate Bayesian computation. The proposed approach is inherently
probabilistic and generates a population of plausible Purkinje networks, all
fitting the ECG within a given tolerance. In this way, we can estimate the
uncertainty of the parameters, thus providing reliable predictions. We test our
methodology in physiological and pathological scenarios, showing that we are
able to accurately recover the ECG with our model. We propagate the uncertainty
in the Purkinje network parameters in a simulation of conduction system pacing
therapy. Our methodology is a step forward in creation of digital twins from
non-invasive data in precision medicine. An open source implementation can be
found at http://github.com/fsahli/purkinje-learning
- Abstract(参考訳): 心臓におけるPurkinje伝導系の同定は難しい課題であるが、精度のよい心臓用デジタル双生児の正確な定義には不可欠である。
本稿では,標準心電図(ECG)などの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。
心臓イメージングを用いて心室の解剖学的に正確なモデルを構築し、アルゴリズムによって解剖に合わせたルールベースのプルキンエネットワークを生成し、速いモデルで生理的心電図をシミュレートし、ベイズ最適化と近似ベイズ計算を用いてプルキンエ-ecgモデルの幾何学的および電気的パラメータを同定する。
提案手法は本質的に確率的であり、プラウジブルなPurkinjeネットワークの集団を生成し、ECGを与えられた許容範囲に収まる。
このようにしてパラメータの不確実性を推定し,信頼性の高い予測を行う。
本手法を生理的および病理的シナリオでテストし,ecgをモデルで正確に回復できることを示す。
伝導系ペーシング療法のシミュレーションにおいて,purkinjeネットワークパラメータの不確かさを伝搬する。
我々の手法は、精密医学における非侵襲的データからデジタル双生児を作成するための一歩である。
オープンソース実装はhttp://github.com/fsahli/purkinje-learningにある。
関連論文リスト
- 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) - 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) - 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) - ElectroCardioGuard: Preventing Patient Misidentification in
Electrocardiogram Databases through Neural Networks [0.0]
臨床的には, 誤診患者に対する心電図記録の割り当ては不注意に発生することがある。
本稿では,2つの心電図が同一患者に由来するかどうかを判定する,小型で効率的な神経ネットワークモデルを提案する。
PTB-XL 上でのギャラリープローブによる患者識別において、760 倍のパラメータを用いて最先端の性能を実現する。
論文 参考訳(メタデータ) (2023-06-09T18:53:25Z) - 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) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳(メタデータ) (2021-10-27T19:28:36Z) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳(メタデータ) (2021-03-29T11:30:18Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-06T18:55:07Z) - ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed
Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。
セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。
このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文 参考訳(メタデータ) (2020-05-11T16:29:12Z) - CondenseUNet: A Memory-Efficient Condensely-Connected Architecture for
Bi-ventricular Blood Pool and Myocardium Segmentation [0.0]
本稿では,CondenseNetとDenseNetの両方を改良したメモリ効率の良い畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
実験の結果,提案アーキテクチャは自動心臓診断チャレンジデータセット上で動作していることがわかった。
論文 参考訳(メタデータ) (2020-04-05T16:34:51Z)
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。