論文の概要: Ensemble learning of the atrial fiber orientation with physics-informed neural networks

• arxiv url: http://arxiv.org/abs/2410.23388v1
• Date: Wed, 30 Oct 2024 18:45:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-01 16:59:33.023516
• Title: Ensemble learning of the atrial fiber orientation with physics-informed neural networks
• Title（参考訳）: 物理インフォームドニューラルネットワークを用いた心房線維方位のエンサンブル学習
• Authors: Efraín Magaña, Simone Pezzuto, Francisco Sahli Costabal,
• Abstract要約: 本研究では、局所的な電気記録からアトリアにおける異方性伝導を自動的に同定するFibernetを提案する。 ニューラルネットワークのアンサンブルを使用して、複数のサンプルを生成し、すべての観測データを適合させ、後部統計を計算します。 提案手法は, 繊維配向と伝導速度を定量化した不確かさで7分以内で推定できる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The anisotropic structure of the myocardium is a key determinant of the cardiac function. To date, there is no imaging modality to assess in-vivo the cardiac fiber structure. We recently proposed Fibernet, a method for the automatic identification of the anisotropic conduction -- and thus fibers -- in the atria from local electrical recordings. Fibernet uses cardiac activation as recorded during electroanatomical mappings to infer local conduction properties using physics-informed neural networks. In this work, we extend Fibernet to cope with the uncertainty in the estimated fiber field. Specifically, we use an ensemble of neural networks to produce multiple samples, all fitting the observed data, and compute posterior statistics. We also introduce a methodology to select the best fiber orientation members and define the input of the neural networks directly on the atrial surface. With these improvements, we outperform the previous methodology in terms of fiber orientation error in 8 different atrial anatomies. Currently, our approach can estimate the fiber orientation and conduction velocities in under 7 minutes with quantified uncertainty, which opens the door to its application in clinical practice. We hope the proposed methodology will enable further personalization of cardiac digital twins for precision medicine.
• Abstract（参考訳）: 心筋の異方性構造は、心臓機能のキー決定因子である。 これまでのところ、心臓線維構造を評価する画像モダリティは存在しない。 我々は最近、局所的な電気記録からアリアにおける異方性伝導を自動的に同定するFibernetを提案しました。 ファイバーネットは、電気解剖学的マッピング中に記録された心臓の活性化を利用して、物理インフォームドニューラルネットワークを用いて局所的な伝導特性を推定する。 本研究では、推定ファイバー場の不確実性に対応するためにFibernetを拡張した。 具体的には、ニューラルネットワークのアンサンブルを使用して、複数のサンプルを生成し、すべての観測データを適合させ、後部統計を計算します。 また、最適な繊維配向部材を選定し、心房表面上で直接ニューラルネットワークの入力を定義する手法も導入する。 これらの改善により、8つの異なる心房解剖学において、繊維配向誤差の観点から、従来の手法よりも優れていた。 現在,繊維配向と伝導速度を定量化して7分以内で推定することが可能であり,臨床応用への道を開くことができる。 提案手法により,心臓デジタル双生児の精密医療へのさらなるパーソナライズが期待できる。

関連論文リスト

• 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)
• Implicit Neural Networks with Fourier-Feature Inputs for Free-breathing Cardiac MRI Reconstruction [21.261567937245808]
  本研究は、心臓を暗黙のニューラルネットワークで表現し、心臓の表現が測定値と整合するようにネットワークを適合させる再構築手法を提案する。 提案手法は,最先端の未訓練畳み込みニューラルネットワークと同等あるいはわずかに優れた画像品質を実現する。
  論文  参考訳（メタデータ） (2023-05-11T14:14:30Z)
• Tissue Classification During Needle Insertion Using Self-Supervised Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
  針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。 トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
  論文  参考訳（メタデータ） (2023-04-26T14:11:04Z)
• Estimating Cardiac Tissue Conductivity from Electrograms with Fully Convolutional Networks [0.0]
  心房細動(Atrial Fibrillation, AAF)は、心房の電気的不整脈を特徴とする。 AFの有効治療には、心筋の有効伝導率の推定と異常増殖領域の同定が不可欠である。
  論文  参考訳（メタデータ） (2022-12-06T14:37:59Z)
• FastCPH: Efficient Survival Analysis for Neural Networks [57.03275837523063]
  我々は,線形時間で動作する新しい手法であるFastCPHを提案し,連結イベントに対する標準的なBreslow法とEfron法の両方をサポートする。 また,FastCPHとLassoNetの併用による特徴空間の解釈性も実証した。
  論文  参考訳（メタデータ） (2022-08-21T03:35:29Z)
• White Matter Tracts are Point Clouds: Neuropsychological Score Prediction and Critical Region Localization via Geometric Deep Learning [68.5548609642999]
  ホワイトマタートラクトデータを用いた神経心理学的スコア予測のためのディープラーニングに基づくフレームワークを提案する。 各点の微細構造測定を行う点雲として, arcuate fasciculus (AF) を表現した。 Paired-Siamese Lossでは,連続した神経心理学的スコアの違いに関する情報を利用した予測性能を改善した。
  論文  参考訳（メタデータ） (2022-07-06T02:03:28Z)
• Physics-informed neural networks to learn cardiac fiber orientation from multiple electroanatomical maps [1.53934570513443]
  カテーテル記録からヒト心房の心臓線維構造を推定するFiberNetを提案する。 3つの地図は, ファイバを正確に捉えるのに十分であり, ノイズの存在下でも十分であることを示す。 FiberNetは、パーソナライズされた医療のための患者固有のモデルを作成するのに役立つと期待している。
  論文  参考訳（メタデータ） (2022-01-28T18:17:09Z)
• Learning atrial fiber orientations and conductivity tensors from intracardiac maps using physics-informed neural networks [7.70592139052601]
  私たちは、最近開発された物理情報ニューラルネットワークと呼ばれるアプローチを使用して、電気解剖学マップから繊維の向きを学びます。 特に、異方性固有方程式を弱く満たし、測定された活性化時間を予測するためにニューラルネットワークを訓練する。 この方法論は、合成例と患者データの両方でテストされる。
  論文  参考訳（メタデータ） (2021-02-22T09:55:17Z)
• A reusable pipeline for large-scale fiber segmentation on unidirectional fiber beds using fully convolutional neural networks [68.8204255655161]
  我々は,X線X線CTファイバーベッド内のファイバーを検出するためのオープンな計算パイプラインを提案する。 これらのサンプルの繊維を分離するために、完全畳み込みニューラルネットワークの4つの異なるアーキテクチャをテストした。 ニューラルネットワークのアプローチを半監視方式と比較すると、DiceとMatthewsの係数は92.28 pm 9.65%以上となり、最大98.42 pm 0.03 %$に達した。
  論文  参考訳（メタデータ） (2021-01-13T00:58:29Z)
• 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)

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。