基于深度学习的从心脏运动预测电心律失常环路：一项计算机模拟研究
医学物理
2023-05-16 v1 计算机视觉与模式识别
生物物理
摘要
心脏的收缩由传播通过心肌的电兴奋引起。最近研究表明，利用深度学习可从模拟心肌组织块的收缩运动计算出电兴奋。在心脏电生理学中，一个主要诊断目标是识别心律失调的电触发灶或驱动子。然而，使用电标测技术目前无法对整个心肌中的电波三维形态进行标测，尤其在室性心律失常期间。因此，从心脏运动计算或预测电兴奋的方法可能成为一种有前景的替代诊断途径。在此，我们通过计算机模拟证明，利用深度学习从心室形变力学预测三维电波动力学是可行的。我们在心室几何中进行了数千次机电激活动力学模拟，并利用这些数据训练神经网络，该网络随后可预测引起形变的三维电波模式。我们证明，除了局灶性波模式外，即便网络从未见过特定心律失常，甚至复杂的电波三维模式也能被重建。我们表明，该深度学习模型具备泛化能力：用光滑粒子流体动力学（SPH）方法生成的数据训练后，可应用于有限元方法（FEM）生成的数据。预测可在存在瘢痕和显著异质性的情况下进行。我们的结果表明，深度神经网络可用于从心肌运动成像数据计算壁内动作电位波模式。
引用
@article{arxiv.2305.07822,
title = {Deep Learning-based Prediction of Electrical Arrhythmia Circuits from Cardiac Motion: An In-Silico Study},
author = {Jan Lebert and Daniel Deng and Lei Fan and Lik Chuan Lee and Jan Christoph},
journal= {arXiv preprint arXiv:2305.07822},
year = {2023}
}