基于深度学习的电极动作电位映射（DEAP Mapping）：来自无标注单极心电图
信号处理
2024-08-08 v1 图像与视频处理
摘要
导管消融对非阵发性心房颤动（AF）的治疗疗效有限，而使用映射导管的电生理研究已被应用于评估AF基质。然而，这些方法中的许多依赖于从心电图中检测激发时序，这可能会损害其在复杂AF场景中的有效性。在此，我们引入了基于深度学习的电极动作电位映射（DEAP Mapping），这是一种深度学习模型，旨在从无标注的单极心电图信号中重建膜电位图像。我们使用猪心脏（N=6）进行了体外实验，通过同时进行膜电位的荧光测量和心外膜单极心电图的测量来评估DEAP Mapping的准确性。通过DEAP Mapping估算的膜电位与通过光学映射测量的膜电位进行了比较。我们通过将DEAP Mapping从临床测量的导管电极信号中获得的估算结果与已建立的电极映射技术进行比较，评估了DEAP Mapping的临床适用性。DEAP Mapping在体外实验中准确估算了传导延迟和阻滞。相位方差分析，一种AF基质评估方法，揭示出从光学映射中识别的基质与从DEAP Mapping估算中识别的基质非常相似（结构相似性指数>0.8）。在临床评估中，DEAP Mapping的估算观察到一些现有方法未观察到的传导延迟和阻滞，表明DEAP Mapping可以以更高的时空分辨率估算激发模式。DEAP Mapping有潜力从术中导管电极信号中推导出膜电位的详细变化，从而从估算的膜电位中提供对AF基质的增强可视化。
引用
@article{arxiv.2408.03589,
title = {Deep-learning-based electrode action potential mapping (DEAP Mapping) from annotation-free unipolar electrogram},
author = {Hiroshi Seno and Toshiya Kojima and Masatoshi Yamazaki and Ichiro Sakuma and Katsuhito Fujiu and Naoki Tomii},
journal= {arXiv preprint arXiv:2408.03589},
year = {2024}
}
备注
17 pages, 7 figures, 6 supplemental movies