混合神经状态空间建模用于监督和无监督心电图像成像
IEEE transactions on medical imaging
|March 13, 2024
概括
本研究介绍了用于心电成像 (ECGI) 的混合状态空间建模 (SSM) 框架. 这种新的方法使用更少的数据改善了心脏电活动重建,并增强了心室激活局部化.
科学领域:
- 医疗成像医学成像
- 计算电生理学 计算电生理学
- 生物医学信号处理
背景情况:
- 状态空间建模 (SSM) 是用于图像重建的多功能框架.
- 生理学知识中的不准确性可能会损害SSM解决方案.
- 深度学习方法具有潜力,但缺乏可解释性,需要大量的标记数据.
研究的目的:
- 开发一种新的混合SSM框架用于心电成像 (ECGI).
- 将数据驱动的学习与状态空间配方集成在一起,以改善心脏电活动重建.
- 解决ECGI传统方法和深度学习的局限性.
主要方法:
- 开发了一个混合SSM框架,将基于物理的前运算符与神经建模结合起来.
- 介绍了过渡函数的神经建模和贝叶斯选策略.
- 应用框架从身体表面的电位重建心脏表面的电活动.
主要成果:
- 与固定的SSM相比,使用有限的ECG观测在无监督环境中证明了更好的ECGI性能.
- 通过混合监督/无监督培训,在定位心室激活来源方面取得了显著的改进 (40.6%和45.6%).
- 在真实数据上表现优于传统和监督数据驱动的ECGI基线.
结论:
- 混合SSM框架有效地从身体表面潜力重建心脏电活动.
- 这种方法提高了ECGI的性能,特别是在数据有限和无监督的场景中.
- 该框架为可解释和数据效率高的ECGI提供了一个有希望的方向.
