論文の概要: Finite element-based space-time total variation-type regularization of the inverse problem in electrocardiographic imaging
- arxiv url: http://arxiv.org/abs/2408.11573v1
- Date: Wed, 21 Aug 2024 12:28:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-22 17:07:27.259762
- Title: Finite element-based space-time total variation-type regularization of the inverse problem in electrocardiographic imaging
- Title(参考訳): 有限要素法による心電図における逆問題の時空間変動型正規化
- Authors: Manuel Haas, Thomas Grandits, Thomas Pinetz, Thomas Beiert, Simone Pezzuto, Alexander Effland,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 36.374785477116326
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reconstructing cardiac electrical activity from body surface electric potential measurements results in the severely ill-posed inverse problem in electrocardiography. Many different regularization approaches have been proposed to improve numerical results and provide unique results. This work presents a novel approach for reconstructing the epicardial potential from body surface potential maps based on a space-time total variation-type regularization using finite elements, where a first-order primal-dual algorithm solves the underlying convex optimization problem. In several numerical experiments, the superior performance of this method and the benefit of space-time regularization for the reconstruction of epicardial potential on two-dimensional torso data and a three-dimensional rabbit heart compared to state-of-the-art methods are demonstrated.
- Abstract(参考訳): 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。
数値的な結果を改善し、ユニークな結果を与えるために、多くの異なる正規化手法が提案されている。
本研究は,有限要素を用いた時空間全変量型正規化に基づく体表面電位マップから心電図を再構成する新しい手法を提案する。
いくつかの数値実験では,2次元の胴体データと3次元のウサギ心臓における心電図の再構築における時間空間正規化の利点が,最先端の手法と比較して優れていることが示されている。
関連論文リスト
- A Multi-Scale Spatial Transformer U-Net for Simultaneously Automatic
Reorientation and Segmentation of 3D Nuclear Cardiac Images [6.347837887930855]
小型のLV心筋(LV-MY)領域の検出と各患者の心構造の変化は,LVセグメンテーションに対する課題を提起する。
マルチスケール空間変換器ネットワーク(MSSTN)とマルチスケールUNet(MSUNet)モジュールを含むマルチスケール空間変換器UNet(MS-ST-UNet)と呼ばれるエンドツーエンドモデルを提案する。
提案法は,13N-アンモニアPETと99mTc-sestamibi SPECTの2つの異なる核心画像モダリティを用いて,訓練および試験を行った。
論文 参考訳(メタデータ) (2023-10-16T05:56:53Z) - Retrieving space-dependent polarization transformations via near-optimal
quantum process tomography [55.41644538483948]
トモグラフィー問題に対する遺伝的および機械学習アプローチの適用について検討する。
ニューラルネットワークベースのスキームは、リアルタイムにキャラクタリゼーションを必要とするアプリケーションにおいて、重要なスピードアップを提供する。
これらの結果は、より一般的な量子プロセスにおけるトモグラフィーアプローチの最適化の基礎となることを期待する。
論文 参考訳(メタデータ) (2022-10-27T11:37:14Z) - Orthogonal Matrix Retrieval with Spatial Consensus for 3D Unknown-View
Tomography [58.60249163402822]
未知視トモグラフィ(UVT)は、未知のランダムな向きで2次元投影から3次元密度マップを再構成する。
提案したOMRはより堅牢で、従来の最先端のOMRアプローチよりも大幅に性能が向上している。
論文 参考訳(メタデータ) (2022-07-06T21:40:59Z) - Anomaly Detection in Echocardiograms with Dynamic Variational Trajectory
Models [14.784158889077313]
心エコービデオの新しい異常検出法を提案する。
心拍周期の周期的特性を利用して変動潜在軌道モデル(TVAE)の3つの変種を学習する。
これは、Ebstein's AnomalyやShone-complexのような重度の先天性心不全を確実に識別する。
論文 参考訳(メタデータ) (2022-06-30T14:42:18Z) - Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy
CT Reconstruction [108.06731611196291]
我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。
本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
論文 参考訳(メタデータ) (2022-03-10T14:22:54Z) - A Deep-Learning Approach For Direct Whole-Heart Mesh Reconstruction [1.8047694351309207]
本研究では,ボリュームCTとMR画像データから心表面メッシュ全体を直接予測する深層学習に基づく新しい手法を提案する。
本手法は,高分解能,高品質の全心臓再建を実現できる有望な性能を示した。
論文 参考訳(メタデータ) (2021-02-16T00:39:43Z) - Learned Block Iterative Shrinkage Thresholding Algorithm for
Photothermal Super Resolution Imaging [52.42007686600479]
深層ニューラルネットワークに展開する反復アルゴリズムを用いて,学習したブロックスパース最適化手法を提案する。
本稿では、正規化パラメータの選択を学ぶことができる学習ブロック反復収縮しきい値アルゴリズムを使用することの利点を示す。
論文 参考訳(メタデータ) (2020-12-07T09:27:16Z) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳(メタデータ) (2020-10-05T14:18:52Z) - Deep learning-based reduced order models in cardiac electrophysiology [0.0]
深層学習 (DL) アルゴリズムを利用して, 高精度かつ効率的な縮小順序モデル (ROM) を得る新しい非線形手法を提案する。
我々のDLアプローチは、ディープフィードフォワードニューラルネットワーク(NN)と畳み込みオートエンコーダ(AE)を組み合わせたものです。
提案するDL-ROMフレームワークは, パラメタライズド電気生理学問題の解法を効率よく提供できることを示し, 病理症例における多シナリオ解析を可能にした。
論文 参考訳(メタデータ) (2020-06-02T23:05:03Z)
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。