利用算子学习学习心脏激动和去极化时间
数值分析
2025-05-14 v1 数值分析
机器学习
摘要
求解心脏电生理学中的偏微分方程或常微分方程模型是一项计算密集型任务，尤其需要高分辨率网格才能捕捉心脏复杂动力学。此外，在临床应用中，必须采用仅提供相关信息的计算工具，以确保清晰和易于解释。本文利用两种最近提出的算子学习方法，即傅里叶神经算子（FNO）和核算子学习（KOL），学习将施加的刺激在物理域中的映射到激动时间和去极化时间分布。这些数据驱动的方法在合成2D和3D域以及生理学上真实的左心室几何上进行评估。值得注意的是，虽然已将施加电流与激动时间之间的学习映射在Eikonal模型中得到其建模对应，但不存在将施加电流与去极化时间之间的映射的等效偏微分方程（PDE）模型。我们的结果表明，FNO和KOL方法对超参数选择鲁棒，且相对于传统基于Monodomain模型的PDE方法具有更高的计算效率。这些发现凸显了这些代理算子加速心脏模拟并促进其临床集成的潜力。
引用
@article{arxiv.2505.08631,
title = {Learning cardiac activation and repolarization times with operator learning},
author = {Edoardo Centofanti and Giovanni Ziarelli and Nicola Parolini and Simone Scacchi and Marco Verani and Luca Franco Pavarino},
journal= {arXiv preprint arXiv:2505.08631},
year = {2025}
}
备注
31 pages, 17 figures