論文の概要: Learning geometry-dependent lead-field operators for forward ECG modeling

• arxiv url: http://arxiv.org/abs/2602.22367v1
• Date: Wed, 25 Feb 2026 20:01:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.390582
• Title: Learning geometry-dependent lead-field operators for forward ECG modeling
• Title（参考訳）: フォワードECGモデリングのための幾何学依存リード場演算子の学習
• Authors: Arsenii Dokuchaev, Francesca Bonizzoni, Stefano Pagani, Francesco Regazzoni, Simone Pezzuto,
• Abstract要約: 本稿では、ECGシミュレーションにおける全次モデルのドロップイン置換として機能するリードフィールド演算子の形状インフォームシュロゲートモデルを提案する。 提案手法は, 胴体内および心臓内の両方の鉛電場を高精度に近似し, 高精度な心電図シミュレーションを実現する。
• 参考スコア（独自算出の注目度）: 3.2203648406499816
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern forward electrocardiogram (ECG) computational models rely on an accurate representation of the torso domain. The lead-field method enables fast ECG simulations while preserving full geometric fidelity. Achieving high anatomical accuracy in torso representation is, however, challenging in clinical practice, as imaging protocols are typically focused on the heart and often do not include the entire torso. In addition, the computational cost of the lead-field method scales linearly with the number of electrodes, limiting its applicability in high-density recording settings. To date, no existing approach simultaneously achieves high anatomical fidelity, low data requirements and computational efficiency. In this work, we propose a shape-informed surrogate model of the lead-field operator that serves as a drop-in replacement for the full-order model in forward ECG simulations. The proposed framework consists of two components: a geometry-encoding module that maps anatomical shapes into a low-dimensional latent space, and a geometry-conditioned neural surrogate that predicts lead-field gradients from spatial coordinates, electrode positions and latent codes. The proposed method achieves high accuracy in approximating lead fields both within the torso (mean angular error 5°) and inside the heart, resulting in highly accurate ECG simulations (relative mean squared error <2.5%. The surrogate consistently outperforms the widely used pseudo lead-field approximation while preserving negligible inference cost. Owing to its compact latent representation, the method does not require a fully detailed torso segmentation and can therefore be deployed in data-limited settings while preserving high-fidelity ECG simulations.
• Abstract（参考訳）: 現代の心電図(ECG)計算モデルは、胴体領域の正確な表現に依存している。 リードフィールド法は、完全な幾何学的忠実さを維持しながら高速なECGシミュレーションを可能にする。 しかしながら、胴体表現において高い解剖学的精度を達成することは、画像プロトコルが通常心臓に集中し、しばしば胴体全体を含まないため、臨床実践において困難である。 さらに、リードフィールド法の計算コストは、電極数とともに線形にスケールし、高密度記録設定における適用性を制限する。 これまで、既存のアプローチは、高い解剖学的忠実度、低いデータ要求、計算効率を同時に達成することはなかった。 本研究では、前向きECGシミュレーションにおいて、全次モデルのドロップイン置換として機能するリードフィールド演算子の形状インフォームシュロゲートモデルを提案する。 提案するフレームワークは, 解剖学的形状を低次元潜在空間にマッピングする幾何符号化モジュールと, 空間座標, 電極位置, 潜時符号から鉛場勾配を予測する幾何条件のニューラルサロゲートからなる。 提案手法は, トーソ(平均角誤差5°)内および心臓内の両方の鉛フィールドを高精度に近似し, 高い精度のECGシミュレーション(相対平均二乗誤差<2.5%)を実現する。 このサロゲートは、無視可能な推論コストを保ちながら、広く使われている擬似リードフィールド近似を一貫して上回る。 コンパクトな潜伏表現のため、この方法は完全詳細な胴体セグメンテーションを必要としないため、高忠実度ECGシミュレーションを保ちながらデータ制限設定に展開することができる。

関連論文リスト

• Shape-informed cardiac mechanics surrogates in data-scarce regimes via geometric encoding and generative augmentation [3.03918153717041]
  代理モデルはシミュレーションを加速することができるが、多様な解剖学における一般化は困難である。 物理応答の学習から幾何学的表現を分離する2段階の枠組みを提案する。 提案手法は, 正確な予測と非可視測地への一般化を可能にする。
  論文  参考訳（メタデータ） (2026-02-23T19:40:55Z)
• ECG-IMN: Interpretable Mesomorphic Neural Networks for 12-Lead Electrocardiogram Interpretation [1.7152890789230053]
  深層学習は心電図(ECG)の診断において専門家レベルのパフォーマンスを達成したが、これらのモデルの「黒い箱」の性質は臨床展開を妨げている。 本稿では,高分解能12リードECG分類に適した解釈可能なメソモルフィックニューラルネットワークECG-IMNを提案する。
  論文  参考訳（メタデータ） (2026-02-10T09:17:29Z)
• Simulator and Experience Enhanced Diffusion Model for Comprehensive ECG Generation [52.19347532840774]
  本稿では,心電図生成のための新しい生理シミュレータSE-Diffを提案する。 SE-Diffは、軽量常微分方程式(ODE)ベースのECGシミュレータをビートデコーダを介して拡散過程に統合する。 実世界のECGデータセットに対する大規模な実験により、SE-Diffは信号の忠実度とテキスト-ECGセマンティックアライメントの両方を改善している。
  論文  参考訳（メタデータ） (2025-11-13T02:57:10Z)
• 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)
• Multi-view Hybrid Graph Convolutional Network for Volume-to-mesh Reconstruction in Cardiovascular MRI [43.47826598981827]
  画像間直接抽出のための新しいアーキテクチャであるHybridVNetを紹介する。 グラフ構造として符号化することで,表面および体積メッシュを効率的に処理できることを示す。 我々のモデルは、従来の畳み込みネットワークと変分グラフ生成モデル、深い監督とメッシュ固有の正規化を組み合わせたものです。
  論文  参考訳（メタデータ） (2023-11-22T21:51:29Z)
• 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)
• 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。