論文の概要: Dreaming of Electrical Waves: Generative Modeling of Cardiac Excitation Waves using Diffusion Models
- arxiv url: http://arxiv.org/abs/2312.14830v2
- Date: Mon, 3 Jun 2024 22:59:54 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-06 13:37:33.665775
- 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、心房細動や心室細動などの不整脈が持続する間、回転する渦巻波またはスクロール波を形成する。
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。
拡散モデルはスパイラル波やスクロール波のダイナミクスを再現し、心臓組織の波動のデータ駆動モデリングに利用できるように学習することを発見した。
- 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 the diffusion-based i) parameter-specific generation, ii) evolution and iii) inpainting of spiral wave dynamics, including reconstructing three-dimensional scroll wave dynamics from superficial two-dimensional measurements. Further, we generated arbitrarily shaped bi-ventricular geometries and simultaneously initiated scroll wave patterns inside these geometries using diffusion. We characterized and compared the diffusion-generated solutions to solutions obtained with corresponding biophysical models and found that diffusion models learn to replicate spiral and scroll waves dynamics so well that they could be used for data-driven modeling of excitation waves in cardiac tissue. For instance, an ensemble of diffusion-generated spiral wave dynamics exhibits similar self-termination statistics as the corresponding ensemble simulated with a biophysical model. However, we also found that diffusion models {produce artifacts if training data is lacking, e.g. during self-termination,} and `hallucinate' wave patterns when insufficiently constrained.
- 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、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力学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,心組織における電磁波パターンの生成モデル構築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、拡散に基づく研究を行った。
i) パラメータ固有の生成
ii) 進化と進化
三 表面二次元測定による三次元スクロール波動の再構成を含む渦巻き波動の塗装
さらに, 任意の形状の両心室ジオメトリを生成し, 拡散を利用したスクロールウェーブパターンを同時に開始した。
生体物理モデルを用いて得られた解に対する拡散生成溶液の特性と比較を行った結果,拡散モデルはスパイラル波とスクロール波のダイナミックスを再現し,心組織における励起波のデータ駆動モデリングに利用できることがわかった。
例えば、拡散誘起スパイラル波動のアンサンブルは、生物物理学モデルでシミュレートされた対応するアンサンブルと同様の自己終端統計を示す。
しかし, 拡散モデルでは, トレーニングデータが不足している場合, 例えば, 自己終端時, および, 制約が不十分な場合の「幻覚」波のパターンを生成できることがわかった。
関連論文リスト
- Unfolding Time: Generative Modeling for Turbulent Flows in 4D [49.843505326598596]
本研究では,4次元生成拡散モデルと物理インフォームドガイダンスを導入し,現実的な流れ状態列の生成を可能にする。
提案手法は, 乱流多様体からのサブシーケンス全体のサンプリングに有効であることが示唆された。
この進展は、乱流の時間的進化を分析するために生成モデリングを適用するための扉を開く。
論文 参考訳（メタデータ） (2024-06-17T10:21:01Z) - 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) - 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) - Spontaneous Symmetry Breaking in Generative Diffusion Models [6.4322891559626125]
生成拡散モデルは近年,高次元データ生成の先導的アプローチとして浮上している。
これらのモデルの力学は、生成力学を2つの異なる位相に分割する自発的対称性の破れを示す。
本稿では,より高性能でバイアスの少ない高速サンプリングを実現する可能性を持つ拡散モデルの生成力学を理解するための新しい手法を提案する。
論文 参考訳（メタデータ） (2023-05-31T09:36:34Z) - 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) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - 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) - Neural Wavelet-domain Diffusion for 3D Shape Generation [52.038346313823524]
本稿では,ウェーブレット領域における連続的暗黙表現の直接生成モデリングを可能にする3次元形状生成の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。
論文 参考訳（メタデータ） (2022-09-19T02:51:48Z) - 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) - Generative Modelling With Inverse Heat Dissipation [21.738877553160304]
本研究では,熱方程式を逆転させて画像を生成する拡散様モデルを提案する。PDEは,画像の2次元平面上での走行時に,微細な情報を消去する。
我々の新しいモデルでは、標準拡散モデルでは見られない創発的特性が示され、例えば画像の全体色と形状が乱れている。
論文 参考訳（メタデータ） (2022-06-21T13:40:38Z)
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。