基于非局部的FISTA网络用于非侵入性心脏跨膜潜在成像
Ao Ran1, Linsheng Cheng1, Shuting Xie1
1State Key Laboratory of Extreme Photonics and Instrumentation, College of Optical Science and Engineering, Zhejiang University, People's Republic of China.
Physics in medicine and biology
|February 28, 2024
概括
这项研究使用深度学习和优化重建了心肌跨膜潜力 (TMP). 这种新方法准确地估计了TMP分布,以改善心脏病诊断.
科学领域:
- 生物医学工程 生物医学工程
- 计算心脏病学 计算心脏病学
- 医疗成像医学成像
背景情况:
- 准确的心脏病诊断依赖于了解心肌膜潜力 (TMP).
- 目前用于TMP重建的方法在动态和精确估计方面面临挑战.
- 身体表面电位映射提供了一种非侵入性的方法来推断心脏电活动.
研究的目的:
- 开发和验证一种新的方法来重建心肌跨膜潜能 (TMP) 的动态分布.
- 通过改进TMP估计,提高心脏病的诊断能力.
- 将先进的计算技术与心脏电生理学生理学建模相结合.
主要方法:
- 利用一种新的方法,将卷积神经网络与传统的优化算法集成在一起.
- 使用特定主体的转移矩阵将动态TMP分布与身体表面心电图 (ECG) 观测联系起来.
- 介绍了LNFISTA-Net,一个可学习的非本地规范化的代收缩值网络,用于TMP分布估计.
- 代合估计过程,直到实现了趋同.
主要成果:
- 证明了拟议策略在准确估计TMP分布方面的有效性.
- 验证了该方法在为心脏病诊断提供可靠方法的能力.
- 实验结果强调了基于深度学习的重建的好处和准确性.
结论:
- 开发的方法为重建动态TMP提供了一个有希望和准确的方法.
- 这种技术在改善心脏病的诊断和治疗方面具有显著的潜力.
- 深度学习和优化的整合推进了非侵入性心脏电生理学评估.
