論文の概要: A unified framework for geometry-independent operator learning in cardiac electrophysiology simulations

• arxiv url: http://arxiv.org/abs/2512.01702v1
• Date: Mon, 01 Dec 2025 14:07:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.886509
• Title: A unified framework for geometry-independent operator learning in cardiac electrophysiology simulations
• Title（参考訳）: 心電気生理学的シミュレーションにおける幾何学非依存型演算子学習のための統一的枠組み
• Authors: Bei Zhou, Cesare Corrado, Shuang Qian, Maximilian Balmus, Angela W. C. Lee, Cristobal Rodero, Marco J. W. Gotte, Luuk H. G. A. Hopman, Mengyun Qiao, Steven Niederer,
• Abstract要約: 本稿では,局所的な活性化時間場を予測する幾何学に依存しない演算子学習フレームワークを提案する。 我々は,GPU加速型電気生理学的解法を用いて,308,700個のシミュレーションデータセットを作成した。 本フレームワークは, 可変解剖学的領域にまたがる, ドメイン不変な生体物理マッピングを学習するための一般的な戦略を確立する。
• 参考スコア（独自算出の注目度）: 1.9369390063413154
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate maps of atrial electrical activation are essential for personalised treatment of arrhythmias, yet biophysically detailed simulations remain computationally intensive for real-time clinical use or population-scale analyses. Here we introduce a geometry-independent operator-learning framework that predicts local activation time (LAT) fields across diverse left atrial anatomies with near-instantaneous inference. We generated a dataset of 308,700 simulations using a GPU-accelerated electrophysiology solver, systematically varying multiple pacing sites and physiologically varied conduction properties across 147 patient-specific geometries derived from two independent clinical cohorts. All anatomical and functional data are expressed in a Universal Atrium Coordinate system, providing a consistent representation that decouples electrophysiological patterns from mesh topology. Within this coordinate space, we designed a neural operator with a vision-transformer backbone to learn the mapping from structural and electrophysiological inputs to LAT fields. With a mean prediction error of 5.1 ms over a 455 ms maximum simulation time, the model outperforms established operator-learning approaches and performs inference in 0.12 ms per sample. Our framework establishes a general strategy for learning domain-invariant biophysical mappings across variable anatomical domains and enables integration of computational electrophysiology into real-time and large-scale clinical workflows.
• Abstract（参考訳）: 心房電気活性化の正確な地図は不整脈のパーソナライズされた治療には不可欠であるが、生化学的に詳細なシミュレーションは、リアルタイム臨床使用や集団規模の分析に計算的に集中している。 本稿では,左心房解剖学における局所活性化時間(LAT)の場をほぼ瞬時推論で予測する幾何学非依存型演算子学習フレームワークを提案する。 我々は,2つの独立した臨床コホート由来の患者特異的な147個のジオメトリに対して,GPU加速型電気生理学的解法を用いて308,700個のシミュレーションデータセットを作成し,複数のペーシング部位と生理学的に異なる伝導特性について検討した。 すべての解剖学的および機能的データは、メッシュトポロジーから電気生理学的パターンを分離する一貫した表現を提供するユニバーサル・アトリウム座標系で表現される。 この座標空間内では、構造的および電気生理学的入力からLAT場へのマッピングを学ぶために、視覚変換器のバックボーンを持つニューラル演算子を設計した。 平均予測誤差は455msの最大シミュレーション時間で5.1msであり、このモデルは確立した演算子学習手法より優れ、サンプルあたり0.12msで推論を行う。 本フレームワークは, 種々の解剖学的領域にまたがるドメイン不変な生体物理マッピングを学習するための一般的な戦略を確立し, リアルタイムおよび大規模臨床ワークフローへの計算電気生理学的統合を可能にする。

関連論文リスト

• Spatiotemporal graph neural process for reconstruction, extrapolation, and classification of cardiac trajectories [1.7123388415209657]
  この研究は、心臓の動きを解析するための柔軟なアプローチを導入している。 構造化バイオメディカル時系列データにおけるグラフベースの学習の基礎を提供する。
  論文  参考訳（メタデータ） (2025-09-16T10:57:51Z)
• Full-field surrogate modeling of cardiac function encoding geometric variability [1.3643562541556224]
  本研究では,心臓解剖学をフルフィールドサロゲートモデルに組み込む新しい計算パイプラインを提案する。 我々は,物理シミュレーションから抽出した活性化マップをニューラルネットワークに符号化するために,分岐潜時ニューラルネットワーク(BLNMs)を有効な科学的機械学習手法として用いた。 我々のサロゲートモデルは、複雑な患者コホートにまたがるロバスト性と大きな一般化を示し、平均2乗誤差0.0034を達成する。
  論文  参考訳（メタデータ） (2025-04-29T07:22:06Z)
• Thermodynamics-informed graph neural networks for real-time simulation of digital human twins [2.6811507121199325]
  本稿では,軟組織シミュレーション研究の進展をめざした新しい手法を提案する。 提案手法は, グラフニューラルネットワークの幾何学的バイアスと, 垂直構造の配置から導かれる物理的バイアスを統合する。 そこで本研究では,ヒト肝臓のトラクションおよび圧縮負荷に対する応答を7.3ミリ秒以内で予測するモデルを提案する。
  論文  参考訳（メタデータ） (2024-12-16T18:01:40Z)
• Connectivity structure and dynamics of nonlinear recurrent neural networks [41.038855001225826]
  ニューラルネットワークにおける接続構造が高次元集合活動をどのように形成するかを解析する理論を開発する。 単一ニューロンの活動では接続構造は見えず,集団活動は劇的に形成されている。
  論文  参考訳（メタデータ） (2024-09-03T15:08:37Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• 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)
• Branched Latent Neural Maps [0.0]
  分岐潜在ニューラルネットワーク(BLNMs)は、複雑な物理過程をコードする有限次元の入出力マップを学習する。 BLNMは、小さなトレーニングデータセットと1つのプロセッサでの短いトレーニング時間で優れた一般化特性を示す。 オンラインフェーズでは、BLNMは単一のコアコンピュータ上での心臓電気生理学のリアルタイムシミュレーションを5000倍高速に行うことができる。
  論文  参考訳（メタデータ） (2023-08-04T04:04:58Z)
• S3M: Scalable Statistical Shape Modeling through Unsupervised Correspondences [91.48841778012782]
  本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。 我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。 我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
  論文  参考訳（メタデータ） (2023-04-15T09:39:52Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Deep Computational Model for the Inference of Ventricular Activation Properties [10.886815576856574]
  患者固有の心臓計算モデルは、精密医療の効率的な実現と、デジタル双生児を用いた in-silico 臨床試験に不可欠である。 深層学習に基づく患者固有の計算モデルを提案し,心室活性化特性の推測のために解剖学的および電気生理学的情報を融合することができる。 我々はEikonalモデルを用いて、特定の患者情報も考慮されている推論モデルをトレーニングするために、地上の真理特性を持つ模擬心電図を生成する。
  論文  参考訳（メタデータ） (2022-08-08T10:23:43Z)

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。