論文の概要: Towards Deep Learning Surrogate for the Forward Problem in Electrocardiology: A Scalable Alternative to Physics-Based Models

• arxiv url: http://arxiv.org/abs/2512.13765v1
• Date: Mon, 15 Dec 2025 15:09:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.43541
• Title: Towards Deep Learning Surrogate for the Forward Problem in Electrocardiology: A Scalable Alternative to Physics-Based Models
• Title（参考訳）: 心電図における前向き問題に対する深層学習サロゲート--物理モデルに対するスケーラブルな代替手段
• Authors: Shaheim Ogbomo-Harmitt, Cesare Magnetti, Chiara Spota, Jakub Grzelak, Oleg Aslanidi,
• Abstract要約: 心電学における前向き問題、心臓電気活動による体表面電位の計算は、伝統的に物理学に基づくモデルを用いて解決される。 本稿では,フォワードソルバの効率的なサロゲートとして,概念深層学習(DL)フレームワークを提案する。 2次元組織シミュレーションを用いて, 健全性, 線維性, ギャップ結合を再現し, 高精度なモデルを構築した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The forward problem in electrocardiology, computing body surface potentials from cardiac electrical activity, is traditionally solved using physics-based models such as the bidomain or monodomain equations. While accurate, these approaches are computationally expensive, limiting their use in real-time and large-scale clinical applications. We propose a proof-of-concept deep learning (DL) framework as an efficient surrogate for forward solvers. The model adopts a time-dependent, attention-based sequence-to-sequence architecture to predict electrocardiogram (ECG) signals from cardiac voltage propagation maps. A hybrid loss combining Huber loss with a spectral entropy term was introduced to preserve both temporal and frequency-domain fidelity. Using 2D tissue simulations incorporating healthy, fibrotic, and gap junction-remodelled conditions, the model achieved high accuracy (mean $R^2 = 0.99 \pm 0.01$). Ablation studies confirmed the contributions of convolutional encoders, time-aware attention, and spectral entropy loss. These findings highlight DL as a scalable, cost-effective alternative to physics-based solvers, with potential for clinical and digital twin applications.
• Abstract（参考訳）: 心電学における前方問題、心臓の電気活動による体表面電位の計算は、伝統的にバイドメインや単ドメイン方程式のような物理モデルを用いて解決される。 正確性はあるものの、これらのアプローチは計算コストが高く、リアルタイムおよび大規模臨床応用での使用を制限する。 本稿では,フォワードソルバの効率的なサロゲートとして,概念深層学習(DL)フレームワークを提案する。 このモデルは、心電圧伝播マップから心電図(ECG)信号を予測するために、時間依存の注意に基づくシーケンス・ツー・シーケンスアーキテクチャを採用する。 ハマー損失とスペクトルエントロピー項を組み合わせたハイブリッド損失を導入した。 2次元組織シミュレーションを用いて, 健全, 繊維的, ギャップ接合改造条件を取り入れ, 精度を高くした(平均$R^2 = 0.99 \pm 0.01$)。 アブレーション研究により、畳み込みエンコーダ、時間認識の注意、スペクトルエントロピー損失の寄与が確認された。 これらの結果から,DLは物理ベースの解法に代わるスケーラブルで費用対効果の高い代替手段であり,臨床およびデジタル双対応用の可能性が示唆された。

関連論文リスト

• HeartUnloadNet: A Weakly-Supervised Cycle-Consistent Graph Network for Predicting Unloaded Cardiac Geometry from Diastolic States [0.0]
  エンドダイアストリック(ED)メッシュから直接、非負荷左室形状を予測するディープラーニングフレームワークであるHeartUnloadNetを導入する。 HeartUnloadNet は、平均 DSC 0.986 と HD 0.083 cm のサブミリ秒精度を実現し、推論時間を1ケースあたり 0.02 秒に短縮する。
  論文  参考訳（メタデータ） (2025-07-24T14:31:35Z)
• X$^{2}$-Gaussian: 4D Radiative Gaussian Splatting for Continuous-time Tomographic Reconstruction [64.2059940799033]
  現在の方法では、時間分解能を呼吸ゲーティング装置で固定相に識別する。 新規なフレームワークであるX$2$-Gaussianは、動的放射スプラッティングと自己監督型呼吸運動学習を統合することで、連続的な4DCT再構成を可能にする。
  論文  参考訳（メタデータ） (2025-03-27T17:59:57Z)
• Synthetic Time Series Data Generation for Healthcare Applications: A PCG Case Study [43.28613210217385]
  我々は、PCGデータを生成するために、最先端の3つの生成モデルを採用し、比較する。 その結果,生成したPCGデータは元のデータセットによく似ていることがわかった。 今後の研究では、この手法をデータ拡張パイプラインに組み込んで、異常なPCG信号を心臓の大腿骨で合成する予定である。
  論文  参考訳（メタデータ） (2024-12-17T18:07:40Z)
• Digital twinning of cardiac electrophysiology models from the surface ECG: a geodesic backpropagation approach [39.36827689390718]
  逆等角問題の解法としてGeodesic-BPを提案する。 その結果,Geodesic-BPは人工心臓の活性化を高精度に再現できることが示唆された。 パーソナライズド医療への将来のシフトを考えると、Geodesic-BPは将来の心臓モデルの機能化に役立つ可能性がある。
  論文  参考訳（メタデータ） (2023-08-16T14:57:12Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• 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)
• 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)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。