論文の概要: Non-Invasive Reconstruction of Cardiac Activation Dynamics Using Physics-Informed Neural Networks
- arxiv url: http://arxiv.org/abs/2603.03832v1
- Date: Wed, 04 Mar 2026 08:33:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-05 21:29:15.235955
- Title: Non-Invasive Reconstruction of Cardiac Activation Dynamics Using Physics-Informed Neural Networks
- Title（参考訳）: 物理インフォームドニューラルネットワークを用いた心臓活動動態の非侵襲的再構成
- Authors: Nathan Dermul, Hans Dierckx,
- Abstract要約: 心活性化パターンを回復するための物理インフォームドニューラルネットワークフレームワークを提案する。
提案手法は, 非線形異方性モデリング, 不均一繊維配向, 支配力学の弱い定式化, 有限要素損失関数を統合して, 物理的制約を直接トレーニングに埋め込む。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cardiac arrhythmogenesis is governed by complex electromechanical interactions that are not directly observable in vivo, motivating the development of non-invasive computational approaches for reconstructing three-dimensional activation dynamics. We present a physics-informed neural network framework for recovering cardiac activation patterns, active tension propagation, deformation fields, and hydrostatic pressure from measurable deformation data in simplified left ventricular geometries. Our approach integrates nonlinear anisotropic constitutive modeling, heterogeneous fiber orientation, weak formulations of the governing mechanics, and finite-element-based loss functions to embed physical constraints directly into training. We demonstrate that the proposed framework accurately reconstructs spatiotemporal activation dynamics under varying levels of measurement noise and reduced spatial resolution, while preserving global propagation patterns and activation timing. By coupling mechanistic modeling with data-driven inference, this method establishes a pathway toward patient-specific, non-invasive reconstruction of cardiac activation, with potential applications in digital phenotyping and computational support for arrhythmia assessment.
- Abstract（参考訳）: 心臓不整脈は、生体内で直接観察できない複雑な電気機械的相互作用によって制御され、3次元の活性化ダイナミクスを再構築するための非侵襲的な計算手法の開発を動機付けている。
簡易左室ジオメトリにおける測定可能な変形データから, 心臓の活性化パターン, 能動的張力伝播, 変形場, 静水圧を回復する物理インフォームドニューラルネットワークフレームワークを提案する。
提案手法は, 非線形異方性構成モデリング, 不均一繊維配向, 支配力学の弱い定式化, 有限要素型損失関数を統合して, 物理的制約を直接トレーニングに埋め込む。
提案手法は,グローバルな伝搬パターンとアクティベーションタイミングを保ちながら,計測ノイズや空間分解能の低下の下で時空間の運動動態を正確に再構成することを示した。
データ駆動推論とメカニスティックモデリングを結合することにより、患者固有の非侵襲的心臓活性化再構成への道が確立され、デジタルフェノタイピングや不整脈評価のための計算支援に応用される可能性がある。
関連論文リスト
- Learned Finite Element-based Regularization of the Inverse Problem in Electrocardiographic Imaging [33.8053325455413]
時間的正規化を学習分野のFoE(Fields-of-Experts)と組み合わせた時空間正規化フレームワークを提案する。
心臓表面メッシュ上に有限の離散要素を導出し,Mosco収束性を証明し,FoE項を扱えるスケーラブルな最適化アルゴリズムを開発した。
論文 参考訳（メタデータ） (2026-02-07T09:44:55Z) - Latent Interpolation Learning Using Diffusion Models for Cardiac Volume Reconstruction [26.7771170972558]
既存の手法では、事前定義されたスキームへの依存、計算の非効率性、追加のセマンティック入力への依存など、課題に直面している。
スパーススライス間の複雑で非時間的関係を捉えることができる,データ駆動型潜在性補間拡散(CaLID)フレームワークを提案する。
第2に,潜伏空間で動作し,24倍の3次元ハートアップサンプリングを高速化し,計算時間を短縮する計算効率のよい手法を設計する。
第3に,提案手法を2D+Tデータに拡張し,時間的コヒーレンスを効果的にモデル化する。
論文 参考訳（メタデータ） (2025-08-19T13:36:16Z) - Nonperiodic dynamic CT reconstruction using backward-warping INR with regularization of diffeomorphism (BIRD) [9.894794660436693]
本稿では,非周期的動的CT再構成のための新しい INR ベースのフレームワーク BIRD を提案する。
これらの課題に対処するためには、後方回転変形、運動補償型解析再構成、効率的な4次元座標符号化のための次元還元設計の4つの重要な貢献がある。
このフレームワークは、一拍動心再建、機能画像のための撮影画像シーケンス、従来のCTスキャンにおける運動アーティファクトの縮小など、潜在的な臨床応用でより正確な動的CT再構成を可能にする。
論文 参考訳（メタデータ） (2025-05-06T12:01:40Z) - Physics-informed neural network estimation of active material properties in time-dependent cardiac biomechanical models [2.8763745263714005]
本研究では、時間依存型心臓生体力学モデルにおいて、アクティブな収縮性パラメーターを推定するための物理インフォームドニューラルネットワーク(PINN)の適用について検討する。
我々は騒音や空間分解能の高い環境下で様々な活動的応力場を再構築することができる。
このアプローチは、心臓線維症の診断、治療計画、心臓状態の管理を大幅に改善する新たな経路を開く。
論文 参考訳（メタデータ） (2025-05-06T10:01:16Z) - Generative System Dynamics in Recurrent Neural Networks [56.958984970518564]
リカレントニューラルネットワーク(RNN)の連続時間ダイナミクスについて検討する。
線形および非線形構成の両方において安定な極限サイクルを実現するためには,スキュー対称性の重み行列が基本であることを示す。
数値シミュレーションは、非線形活性化関数が極限周期を維持するだけでなく、システム統合プロセスの数値安定性を高めることを示す。
論文 参考訳（メタデータ） (2025-04-16T10:39:43Z) - Leveraging Cardiovascular Simulations for In-Vivo Prediction of Cardiac Biomarkers [43.17768785084301]
我々は、新たに構築された心臓シミュレーションの大規模なデータセットに基づいて、無傷神経後部推定器を訓練する。
シミュレーションデータと実世界の測定値との整合性を改善するために,要素モデリング効果を取り入れた。
提案するフレームワークは,実世界のデータに対する予測能力を向上するために,インバイブなデータソースをさらに統合することができる。
論文 参考訳（メタデータ） (2024-12-23T13:05:17Z) - 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) - 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) - Gradient Starvation: A Learning Proclivity in Neural Networks [97.02382916372594]
グラディエント・スターベーションは、タスクに関連する機能のサブセットのみをキャプチャすることで、クロスエントロピー損失を最小化するときに発生する。
この研究は、ニューラルネットワークにおけるそのような特徴不均衡の出現に関する理論的説明を提供する。
論文 参考訳（メタデータ） (2020-11-18T18:52:08Z) - Limited-angle tomographic reconstruction of dense layered objects by
dynamical machine learning [68.9515120904028]
強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。
このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。
我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
論文 参考訳（メタデータ） (2020-07-21T11:48:22Z) - 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。