論文の概要: Dreaming of Electrical Waves: Generative Modeling of Cardiac Excitation
Waves using Diffusion Models
- arxiv url: http://arxiv.org/abs/2312.14830v1
- Date: Fri, 22 Dec 2023 17:06:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-25 14:16:51.701281
- Title: Dreaming of Electrical Waves: Generative Modeling of Cardiac Excitation
Waves using Diffusion Models
- Title(参考訳): 電界波の夢:拡散モデルを用いた心臓励起波の生成モデル
- Authors: Tanish Baranwal, Jan Lebert, Jan Christoph
- Abstract要約: 心臓の電気波は、心室細動のような寿命を延ばす不整脈の間、回転する渦巻波またはスクロール波を形成する。
データ駆動生成モデリングは、物理系における生物学的時間パターンの生成の代替として登場した。
我々は、非条件および条件付き生成タスクにおける波動パターンを生成するために、模擬波動パターンを用いた拡散モデルを訓練した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electrical waves in the heart form rotating spiral or scroll waves during
life-threatening arrhythmias such as atrial or ventricular fibrillation. The
wave dynamics are typically modeled using coupled partial differential
equations, which describe reaction-diffusion dynamics in excitable media. More
recently, data-driven generative modeling has emerged as an alternative to
generate spatio-temporal patterns in physical and biological systems. Here, we
explore denoising diffusion probabilistic models for the generative modeling of
electrical wave patterns in cardiac tissue. We trained diffusion models with
simulated electrical wave patterns to be able to generate such wave patterns in
unconditional and conditional generation tasks. For instance, we explored
inpainting tasks, such as reconstructing three-dimensional wave dynamics from
superficial two-dimensional measurements, and evolving and generating
parameter-specific dynamics. We characterized and compared the
diffusion-generated solutions to solutions obtained with biophysical models and
found that diffusion models learn to replicate spiral and scroll waves dynamics
so well that they could serve as an alternative data-driven approach for the
modeling of excitation waves in cardiac tissue. For instance, we found that it
is possible to initiate ventricular fibrillation (VF) dynamics instantaneously
without having to apply pacing protocols in order to induce wavebreak. The VF
dynamics can be created in arbitrary ventricular geometries and can be evolved
over time. However, we also found that diffusion models `hallucinate' wave
patterns when given insufficient constraints. Regardless of these limitations,
diffusion models are an interesting and powerful tool with many potential
applications in cardiac arrhythmia research and diagnostics.
- Abstract(参考訳): 心臓の電気波は、心房細動や心室細動などの不整脈が持続する間に回転する渦巻波またはスクロール波を形成する。
波動力学は通常、励起媒質中の反応拡散ダイナミクスを記述する結合偏微分方程式を用いてモデル化される。
最近では、物理的および生物学的システムにおいて時空間パターンを生成する代替として、データ駆動生成モデリングが出現している。
本稿では,心筋組織における電磁波パターン生成モデルのための拡散確率モデルについて検討する。
我々は、非条件および条件付き生成タスクにおいて、そのような波動パターンを生成できるように、模擬波動パターンを用いた拡散モデルを訓練した。
例えば,表面2次元計測から3次元波動を再構成し,パラメータ固有ダイナミクスを進化・生成するなど,インパインティングタスクについて検討した。
拡散生成溶液を生体物理モデルを用いて得られた溶液と比較し, 拡散モデルがスパイラル波とスクロール波のダイナミクスを再現することを学び, 心筋組織における励起波のモデリングのためのデータ駆動型アプローチとして機能することを発見した。
例えば、心室細動(vf)ダイナミックスを瞬時に開始することが可能であり、ペーシングプロトコルを適用しなくてもウェーブブレイクを誘発できることがわかった。
vfダイナミクスは任意の心室ジオメトリーで生成でき、時間とともに進化することができる。
しかし, 拡散モデルでは, 制約が不十分な場合, 波動パターンを「ハロシン化」することがわかった。
これらの制限に拘わらず、拡散モデルは心不整脈研究や診断に多くの可能性を持つ興味深い強力なツールである。
関連論文リスト
- Bridging scales in multiscale bubble growth dynamics with correlated fluctuations using neural operator learning [1.8629003661522465]
本研究では, マイクロスケールおよびマクロスケールの非線型気泡力学解析を統一する合成ニューラル演算子モデルを構築した。
トレーニングデータと試験データは, 0.1マイクロメートルから1.5マイクロメートルの範囲の気泡半径を持つ非線形気泡動力学のmDPDおよびRPシミュレーションにより生成する。
その結果, トレーニングした複合型ニューラルオペレーターモデルは, 気泡半径の時間的評価に99%の精度で, スケールのバブルダイナミクスを正確に予測できることが示唆された。
論文 参考訳(メタデータ) (2024-03-20T04:56:02Z) - Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。
NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。
本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
論文 参考訳(メタデータ) (2023-06-24T17:01:51Z) - 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) - Theoretical Analysis of Exciton Wave Packet Dynamics in Polaritonic
Wires [0.0]
本稿では、不規則極性ワイヤにおけるエキシトン波パケットの進化に関する包括的研究を行う。
本シミュレーションでは, 強い光物質結合下での弾道的, 拡散的, サブ拡散的励起子のダイナミクスのシグネチャを明らかにする。
本稿では,理論モデル開発における研究の意義について論じる。
論文 参考訳(メタデータ) (2023-04-22T17:25:58Z) - Neural Wavelet-domain Diffusion for 3D Shape Generation, Inversion, and
Manipulation [54.09274684734721]
本稿では,ウェーブレット領域における連続的な暗黙表現の直接生成モデルを用いて,3次元形状の生成,反転,操作を行う新しい手法を提案する。
具体的には、1対の粗い係数と細部係数の体積を持つコンパクトなウェーブレット表現を提案し、トランケートされた符号付き距離関数とマルチスケールの生体直交ウェーブレットを介して3次元形状を暗黙的に表現する。
エンコーダネットワークを共同でトレーニングすることで,形状を反転させる潜在空間を学習することができる。
論文 参考訳(メタデータ) (2023-02-01T02:47:53Z) - Modiff: Action-Conditioned 3D Motion Generation with Denoising Diffusion
Probabilistic Models [58.357180353368896]
本稿では,現実的で多様な3D骨格に基づく運動生成問題に対処するために,拡散確率モデル(DDPM)の利点を生かした条件付きパラダイムを提案する。
我々はDDPMを用いてカテゴリ的動作で条件付けられた動作列の可変数を合成する先駆的な試みである。
論文 参考訳(メタデータ) (2023-01-10T13:15:42Z) - Diffusion Models in Vision: A Survey [80.82832715884597]
拡散モデルは、前方拡散段階と逆拡散段階の2つの段階に基づく深層生成モデルである。
拡散モデルは、既知の計算負荷にもかかわらず、生成したサンプルの品質と多様性に対して広く評価されている。
論文 参考訳(メタデータ) (2022-09-10T22:00:30Z) - Diffusion Deformable Model for 4D Temporal Medical Image Generation [47.03842361418344]
3D+t(4D)情報を持つ時間体積画像は、時間動態を統計的に分析したり、病気の進行を捉えるためにしばしば医療画像に使用される。
本稿では,ソースボリュームとターゲットボリュームの中間時間ボリュームを生成する新しいディープラーニングモデルを提案する。
論文 参考訳(メタデータ) (2022-06-27T13:37:57Z) - 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) - Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening
Simulations [58.720142291102135]
動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。
本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
論文 参考訳(メタデータ) (2021-04-28T22:14:25Z) - Neural Ordinary Differential Equations for Data-Driven Reduced Order
Modeling of Environmental Hydrodynamics [4.547988283172179]
流体シミュレーションにおける神経常微分方程式の利用について検討する。
テスト問題としては,シリンダー周辺の非圧縮性流れや河川・河口系における浅水流体力学の現実的応用などが挙げられる。
本研究では,ニューラル ODE が潜在空間力学の安定かつ正確な進化のためのエレガントな枠組みを提供することを示唆する。
論文 参考訳(メタデータ) (2021-04-22T19:20:47Z)
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。