Geri Dön

Improvement of electrocardiographic imaging reconstructions: A physics-guided ai approach and an efficient method for training data reduction

Elektrokardiyografik görüntüleme geriçatımlarının iyileştirilmesi: Fizik tabanlı yapay zeka yaklaşımı ve eğitim verisinin indirgenmesi için etkin bir yöntem

PDF İndir

  1. Tez No: 824772
  2. Yazar: KUTAY UĞURLU
  3. Danışmanlar: DOÇ. DR. YEŞİM SERİNAĞAOĞLU DOĞRUSÖZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Biyomühendislik, Matematik, Electrical and Electronics Engineering, Bioengineering, Mathematics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Girişimsiz Elektrokardiyografik görüntüleme (EKGG), vücut yüzey potansiyellerini (VYP) kullanarak kalp yüzeyindeki potansiyel dağılımlarını yeniden oluşturan bir araçtır. İnsan toraksının doğası gereği, kalp potansiyelleri yumuşar ve küçülür. Bu nedenle, VYPlerden kalp potansiyellerin kestirimi kötü konumlanmış bir problemdir. Bu nedenle, klinik olarak anlamlı kalp sinyalleri oluşturmak için düzenlileştirilme gerekir. Yeni düzenlileştirme teknikleri, önsel dağılımın kestirimi için eğitim verisine ihtiyaç duyar ve yaygın yaklaşım veri kümesinin tamamını kullanmaktır. Bu tezdeki ilk çalışma, Bayes Maksimum A Posteriori (MAP) çözümünde küçük bir veri kümesiyle, tüm veri kümesinin performansıyla karşılaştırılabilir performans elde etmenin mümkün olduğunu göstermektedir. Çalışma, eğitim verilerinin nasıl seçileceği ve veri eklemenin durdurulacağı zaman hakkında yöntemler önermektedir. Kovaryans matrisinin koşul sayısının iyileşmeyi durdurduğu verinin, tüm eğitim setinin performansını yeterince temsil ettiği gösterilmiştir. Veri kümesinin %26.9u, istatistiksel olarak benzer performans metrik dağılımlarına yol açmıştır (p=0.59). Çalışma, Gauss dağılımlı MAP bağlamında, önerilen metriğin, eğitim verisi içeriği hakkında bilgi sağladığını göstermiştir. İkinci çalışma, yapay sinir ağlarını (YSA) kullanarak örtük önsel dağılımı öğrenmeyi amaçlar. Bu yöntemde, Tikhonov eniyileme ifadesi, analitik çözüm ile YSA temelli gürültü azaltma adımlarıyla çözülür. Çözüm, uzamsal ve zamansal yönlere ayrılmış YSA bloklarından oluşur. Bu, MAP çözümünü geride bırakmakta ve performans metriklerinin daha yoğun dağılmasına yol açmaktadır. Yerseme hatası, 17 test verisi ve sıfırıncı derece Tikhonov çözümü için ortanca (çeyrekler arası dağılım) şeklinde, mm cinsinden 14.70 (15.80), aynı eğitim verisini kullanan MAP çözümü için 17.31 (10.54) ve önerilen çözüm için 10.65 (6.52) olarak hesaplandı ve MAPe kıyasla atım odağını bulmada %38.5 iyileşme sağladı.

Özet (Çeviri)

Non-invasive Electrocardiographic imaging (ECGI) holds promise as a tool that employs distant measurements of body surface potential (BSP) to reconstruct potential distributions on the heart's surface. Due to the nature of the human thorax, the cardiac potentials get smoothed and attenuated. Thus, estimating the epicardial potentials from the BSPs is an ill-posed problem. Hence, regularization is needed. Novel regularization techniques require training data to estimate prior distribution and the common approach is using the whole dataset. The first study in this thesis shows that it is possible to achieve comparable performance to that of all dataset by carefully selecting a small subset of data in the Bayesian Maximum A Posteriori (MAP) solution of the inverse problem. The study proposes two methods on beat selection order and training set expansion termination. The point where the condition number of the covariance stops improving can represent the whole training set's performance. 26.9% of the dataset resulted in significantly similar metric distributions (p=0.59). The study showed that condition number provides insight about the sufficiency of the training data. The second study uses neural networks (NNs) to learn the implicit prior by solving the problem iteratively with analytical solutions and NN-based denoiser. The method employs decoupled spatiotemporal NN blocks. This outperforms MAP, resulting in more consistent performance. The localization error of the 17 test beats in median (IQR) representation was 14.70(16.60) mm for the zero-order-Tikhonov, 17.00(10.54) mm for the MAP using the same data, and 5.80(8.60) mm for the proposed method, resulting in 38.5% improvement.

Geri Dön