論文の概要: Geometry-Free Conditional Diffusion Modeling for Solving the Inverse Electrocardiography Problem

• arxiv url: http://arxiv.org/abs/2601.18615v1
• Date: Mon, 26 Jan 2026 15:53:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.912072
• Title: Geometry-Free Conditional Diffusion Modeling for Solving the Inverse Electrocardiography Problem
• Title（参考訳）: 逆心電図問題の解法における幾何自由条件拡散モデル
• Authors: Ramiro Valdes Jara, Adam Meyers,
• Abstract要約: 本研究では,ノイズのある体表面信号から心臓表面電位への確率的マッピングを学習する条件拡散フレームワークを提案する。 提案手法は拡散モデルの生成的性質を利用して,ECGI逆問題の非特異性および過小決定性を取得する。 提案手法を実際のECGIデータセット上で評価し,畳み込みニューラルネットワーク,長期記憶ネットワーク,トランスフォーマーベースモデルなど,強い決定論的ベースラインと比較する。
• 参考スコア（独自算出の注目度）: 0.5729426778193398
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a data-driven model for solving the inverse problem of electrocardiography, the mathematical problem that forms the basis of electrocardiographic imaging (ECGI). We present a conditional diffusion framework that learns a probabilistic mapping from noisy body surface signals to heart surface electric potentials. The proposed approach leverages the generative nature of diffusion models to capture the non-unique and underdetermined nature of the ECGI inverse problem, enabling probabilistic sampling of multiple reconstructions rather than a single deterministic estimate. Unlike traditional methods, the proposed framework is geometry-free and purely data-driven, alleviating the need for patient-specific mesh construction. We evaluate the method on a real ECGI dataset and compare it against strong deterministic baselines, including a convolutional neural network, long short-term memory network, and transformer-based model. The results demonstrate that the proposed diffusion approach achieves improved reconstruction accuracy, highlighting the potential of diffusion models as a robust tool for noninvasive cardiac electrophysiology imaging.
• Abstract（参考訳）: 本稿では,心電図(ECGI)の基礎となる数学的問題である心電図の逆問題を解決するためのデータ駆動モデルを提案する。 本研究では,ノイズのある体表面信号から心臓表面電位への確率的マッピングを学習する条件拡散フレームワークを提案する。 提案手法は拡散モデルの生成的性質を利用してECGI逆問題の不均一性や過小決定の性質を捉え、単一の決定論的推定ではなく複数の再構成の確率的サンプリングを可能にする。 従来の手法とは異なり、提案するフレームワークは幾何学的自由で純粋にデータ駆動であり、患者固有のメッシュ構築の必要性を軽減する。 提案手法を実際のECGIデータセット上で評価し,畳み込みニューラルネットワーク,長期記憶ネットワーク,トランスフォーマーベースモデルなど,強い決定論的ベースラインと比較する。 以上の結果から,非侵襲的心電気生理学的イメージングのための堅牢なツールとして,拡散モデルの有用性を浮き彫りにした。

関連論文リスト

• Physics-Guided Conditional Diffusion Networks for Microwave Image Reconstruction [0.6117371161379209]
  電磁逆散乱問題を解くための条件付き潜伏拡散に基づく枠組みを導入する。 提案モデルでは, 散乱場データに基づいて複数の可塑性誘電率マップを生成する。 物理に基づく評価機構として、前方電磁分解器を再構成パイプラインに統合する。
  論文  参考訳（メタデータ） (2025-10-29T17:34:10Z)
• Direct Dual-Energy CT Material Decomposition using Model-based Denoising Diffusion Model [105.95160543743984]
  本稿では,Dual-Energy Decomposition Model-based Diffusion (DEcomp-MoD) と呼ばれる深層学習手法を提案する。 Decomp-MoDは、教師なしスコアベースモデルと教師なしディープラーニングネットワークより優れていることを示す。
  論文  参考訳（メタデータ） (2025-07-24T01:00:06Z)
• InVAErt networks for amortized inference and identifiability analysis of lumped parameter hemodynamic models [0.0]
  本研究では、ニューラルネットワークをベースとしたデータ駆動型フレームワークであるinVAErtネットワークを用いて、剛体力学系のディジタル双対解析を強化する。 InVAErtネットワークの柔軟性と有効性について,合成データから欠落成分を含む実データへの6成分ループ型パラメータ血行動態モデルの生理的逆転の文脈で示す。
  論文  参考訳（メタデータ） (2024-08-15T17:07:40Z)
• Data-driven reduced-order modelling for blood flow simulations with geometry-informed snapshots [0.0]
  類似しているが異なる領域における血流シミュレーションの効率的な予測法として,データ駆動サロゲートモデルを提案する。 幾何パラメータに対する非侵入的還元次数モデルが適切な分解を用いて構築される。 ラジアル基底関数補間器は、縮小順序モデルの縮小係数を予測するために訓練される。
  論文  参考訳（メタデータ） (2023-02-21T21:18:17Z)
• Deep Learning Aided Laplace Based Bayesian Inference for Epidemiological Systems [2.596903831934905]
  本稿では,Laplace をベースとしたベイズ推定と ANN アーキテクチャを併用して ODE 軌道の近似を求めるハイブリッド手法を提案する。 本手法の有効性を,非分析的ソリューションを用いた疫学システム,Susceptible-Infectious-Demoved (SIR) モデルを用いて実証した。
  論文  参考訳（メタデータ） (2022-10-17T09:02:41Z)
• An Energy-Based Prior for Generative Saliency [62.79775297611203]
  本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。 生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。 実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
  論文  参考訳（メタデータ） (2022-04-19T10:51:00Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
  PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。 本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。 このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
  論文  参考訳（メタデータ） (2020-09-29T12:50:33Z)
• 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。