利用物理信息神经网络从力学形变中重建激励波

对电激动模式的非侵入式评估可显著促进心律失常的诊断与治疗，因其能实现更快、更安全的诊断，改进手术规划并简化随访。一条有前景的路径是通过超声心动图测量机械收缩，并将其作为间接测量原始激动模式的手段。为解决这一高难度的反演任务，我们利用物理信息神经网络（physics-informed neural networks），这是一种用于求解由偏微分方程支配的正演和反演物理问题的新兴方法。在本研究中，我们创建了合成数据集，包含耦合到各向同性且线性形变弹性介质的二维激励波。我们证明，对于局灶性和螺旋形模式，底层的激励波均可被精确重建。我们测试了该方法对高斯噪声、降低的空间分辨率和投影三平面数据的鲁棒性。在数据质量严重降低的情况下，我们展示了如何通过对波速施加额外正则化来改进重建。文中还讨论了超参数优化的结果。我们的发现表明，物理信息神经网络具有解决稀疏且含噪的生物力学反演问题的潜力，并可能为某些心律失常的非侵入式评估提供一条途径。