基于深度学习的从机械形变反演心脏兴奋波模式的机电反问题重建

心脏电生理中的反机电问题是指试图从心脏响应电兴奋而产生的机械形变中重建电兴奋或动作电位波模式。由于心肌细胞在电兴奋时因兴奋-收缩耦联机制而收缩，由此产生的心脏形变应反映宏观动作电位波现象。然而，宏观电现象与机械现象之间的关系是否明确，且是否唯一到足以用于一种反演成像技术（其中机械激活标测被用作电标测的替代）尚待确定。在此，我们提供数值概念验证：深度学习可用于解决收缩心壁或弹性可激介质中现象学二维与三维计算机模拟里的反机电问题，其中含有肌纤维各向异性。我们训练了一个卷积自编码器神经网络，以学习局灶性或折返混沌波活动期间电兴奋、主动应力与组织形变之间的复杂关系，并随后将该网络用于从薄片与块状体组织中的机械形变成功估计或重建电兴奋波模式，即使在噪声存在与低空间分辨率下亦如此。我们证明，即便复杂的三维电兴奋波现象（如卷曲波及其涡丝）也可使用自编码器神经网络从机械形变以约 95% 的极高重建精度算出，并提供与先前基于物理或知识的方法所得结果的比较。