論文の概要: Learning cardiac activation and repolarization times with operator learning

• arxiv url: http://arxiv.org/abs/2505.08631v1
• Date: Tue, 13 May 2025 14:50:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.624583
• Title: Learning cardiac activation and repolarization times with operator learning
• Title（参考訳）: オペレータ学習による心活性化と再分極時間学習
• Authors: Edoardo Centofanti, Giovanni Ziarelli, Nicola Parolini, Simone Scacchi, Marco Verani, Luca Franco Pavarino,
• Abstract要約: 我々は最近提案された2つの演算子学習手法、すなわちフーリエニューラル演算子(FNO)とカーネル演算子学習(KOL)を利用する。 我々は、物理領域の応用刺激を活性化時間分布と再分極時間分布にマッピングする演算子を学習する。 これらのデータ駆動法は、合成2Dドメインと3Dドメイン、および生理学的にリアルな左心室形状に基づいて評価される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Solving partial or ordinary differential equation models in cardiac electrophysiology is a computationally demanding task, particularly when high-resolution meshes are required to capture the complex dynamics of the heart. Moreover, in clinical applications, it is essential to employ computational tools that provide only relevant information, ensuring clarity and ease of interpretation. In this work, we exploit two recently proposed operator learning approaches, namely Fourier Neural Operators (FNO) and Kernel Operator Learning (KOL), to learn the operator mapping the applied stimulus in the physical domain into the activation and repolarization time distributions. These data-driven methods are evaluated on synthetic 2D and 3D domains, as well as on a physiologically realistic left ventricle geometry. Notably, while the learned map between the applied current and activation time has its modelling counterpart in the Eikonal model, no equivalent partial differential equation (PDE) model is known for the map between the applied current and repolarization time. Our results demonstrate that both FNO and KOL approaches are robust to hyperparameter choices and computationally efficient compared to traditional PDE-based Monodomain models. These findings highlight the potential use of these surrogate operators to accelerate cardiac simulations and facilitate their clinical integration.
• Abstract（参考訳）: 心臓電気生理学における偏微分方程式モデルや常微分方程式モデルを解くことは、特に心臓の複雑な力学を捉えるために高分解能メッシュを必要とする場合、計算的に要求される課題である。 さらに、臨床応用においては、関連する情報のみを提供し、明瞭さと解釈の容易さを保証する計算ツールを採用することが不可欠である。 本研究では、FNO(Fourier Neural Operators)とKOL(Kernel Operator Learning)という、最近提案された2つの演算子学習手法を利用して、物理領域の応用刺激を活性化時間分布と再分極時間分布にマッピングする演算子を学習する。 これらのデータ駆動法は、合成2Dドメインと3Dドメイン、および生理学的にリアルな左心室形状に基づいて評価される。 特に、印加電流とアクティベーション時間の間の学習された写像は、アイコナルモデルにおいてそのモデル化に匹敵するが、印加電流と再分極時間の間の写像について等価偏微分方程式(PDE)モデルは知られていない。 その結果、FNOとKOLの両方のアプローチは、従来のPDEベースのモノドメインモデルと比較して、ハイパーパラメータの選択に頑健であり、計算効率が良いことを示した。 これらの結果は、これらのサロゲートオペレーターが心臓シミュレーションを加速し、臨床統合を促進する可能性を強調している。

関連論文リスト

• No Equations Needed: Learning System Dynamics Without Relying on Closed-Form ODEs [56.78271181959529]
  本稿では,従来の2段階モデリングプロセスから離れることで,低次元力学系をモデル化する概念シフトを提案する。 最初に閉形式方程式を発見して解析する代わりに、我々のアプローチ、直接意味モデリングは力学系の意味表現を予測する。 私たちのアプローチは、モデリングパイプラインを単純化するだけでなく、結果のモデルの透明性と柔軟性も向上します。
  論文  参考訳（メタデータ） (2025-01-30T18:36:48Z)
• PICL: Physics Informed Contrastive Learning for Partial Differential Equations [7.136205674624813]
  我々は,複数の支配方程式にまたがるニューラル演算子一般化を同時に改善する,新しいコントラスト事前学習フレームワークを開発する。 物理インフォームドシステムの進化と潜在空間モデル出力の組み合わせは、入力データに固定され、我々の距離関数で使用される。 物理インフォームドコントラストプレトレーニングにより,1次元および2次元熱,バーガーズ,線形対流方程式に対する固定フューチャーおよび自己回帰ロールアウトタスクにおけるフーリエニューラル演算子の精度が向上することがわかった。
  論文  参考訳（メタデータ） (2024-01-29T17:32:22Z)
• Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
  我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。 粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-19T21:50:32Z)
• Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
  教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。 我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。 対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
  論文  参考訳（メタデータ） (2023-02-10T08:05:19Z)
• Semi-supervised Learning of Partial Differential Operators and Dynamical Flows [68.77595310155365]
  本稿では,超ネットワーク解法とフーリエニューラル演算子アーキテクチャを組み合わせた新しい手法を提案する。 本手法は, 1次元, 2次元, 3次元の非線形流体を含む様々な時間発展PDEを用いて実験を行った。 その結果、新しい手法は、監督点の時点における学習精度を向上し、任意の中間時間にその解を補間できることを示した。
  論文  参考訳（メタデータ） (2022-07-28T19:59:14Z)
• 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)

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。