A deep learning-based hybrid computational approach to cardiac electrophysiology
Kalp elektrofizyolojisine derin öğrenme tabanlı hibrid bir hesaplamalı yaklaşım
- Tez No: 841136
- Danışmanlar: DOÇ. DR. SERDAR GÖKTEPE
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Sonlu elemanlar yöntemi, Finite element method
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapı Malzemeleri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kalp elektrofizyolojisinin modellenmesinde, mecvut hesaplama gücündeki artışla ö\-nem\-li ilerlemeler sağlanmıştır. Gerçekçi elektrofizyoloji modelleri genellikle yüksek derecede karmaşık olan diferansiyel denklem sistemlerini çözmeyi gerektirmektedir. Kalp hücresinin elektrodinamik aktivitesinin karmaşık doğası, basit sayısal tekniklerin uygulanabilirliğini sınırlamakta ve daha karmaşık sayısal tekniklerin kullanımını zorunlu hale getirmektedir. Derin öğrenme, son yıllarda biyolojik sistemlerin diferansiyel denklem temelli problemlerinde başarıyla kullanılmış, doğrusal olmayan problemleri tahmin etmek için umut vaat eden bir araç olarak ortaya çıkmıştır. Bu çalışmada, kalbin elektrofizyoloji probleminin doğru ve hızlı bir şekilde çözülmesi için derin öğrenme tabanlı bir algoritma önerilmektedir. Derin öğrenme modeli, transmembran voltajını hücre ölçeğinde tahmin etmek için geliştirilmiştir. Modelin öğrenimi için, biyofiziksel ayrıntıları içeren ten Tusscher-Panfilov modeli kullanılmış ve performans ölçümleri bu modelin sonuçları üzerinden yapılmıştır. Öğretme verileri, ten Tusscher-Panfilov modelinin adi diferansiyel denklem sistemi olarak çözülmesiyle elde edilmiştir. Elde edilen model, dışarıdan gelen uyarıları ve geçmiş potansiyel değerleri, beklenen potansiyelin değerini tahmin etmek amacıyla kullanmaktadır. Bu çalışmanın önemli bir yeniliği, adi diferansiyel denklemler kullanılarak geliştirilmiş olan bir modelin, dışarıdan gelen uyarıları iletkenlik terimiyle ilişkilendirerek kısmi diferansiyel denklemleri çözebilecek bir şekilde genişletilmesidir. Bu yaklaşım, daha konvansiyonel kısmi diferansiyel denklem çözme yollarının kullanımına da olanak sağlamaktadır. Böylece, kısmi diferansiyel denklemlerinin çözülmesinde kullanılan klasik metotlar ile derin öğrenme yaklaşımının beraber çalışması sağlanmıştır. Bu hibrit yaklaşım, birden fazla problemi başarıyla çözmüş ve farklı şartlar altında değerlendirilmiştir.
Özet (Çeviri)
Electrophysiological modeling of the heart has witnessed significant progress with the increase of available computational power. Realistic electrophysiology models often require the solution of highly nonlinear differential equation systems. The complex nature of the electrodynamic activity of a cell limits the applicability of simplistic numerical techniques and necessitates the utilization of more advanced and demanding techniques. Deep learning has emerged as a promising tool for predicting the solution of highly nonlinear problems and has shown tremendous success in differential equation-based phenomena of biological systems over recent years. In this work, a deep learning-based algorithm is proposed for the accurate and time-efficient solution of the electrophysiology problem of the heart. A deep learning-based model is developed for forecasting transmembrane voltage at the cellular level. For this purpose, the biophysically detailed ten Tusscher-Panfilov model is used for the generation of the training data and performance measurements. Training data are acquired by solving ten Tusscher-Panfilov model as an ordinary differential equation system. The resulting deep learning-based model incorporates the external stimulus information and past potential values while making predictions. An important novelty of this work is extending a model trained with ordinary differential equations to the realm of partial differential equations by associating the external stimuli with the conductivity term of the partial differential equation. This approach facilitates the application of more conventional partial differential equation solvers. Therefore, the classical way of solving partial differential equations is combined with deep learning in the proposed approach. This hybrid approach has successfully been applied to solve multiple problems and has been evaluated in different settings.
Benzer Tezler
- Dengesiz görüntü veri kümelerinde nesne tanıma için görsel transformatör tabanlı öznitelik çıkarma ve makine öğrenmesi sınıflandırıcılarını dayalı hibrit bir yaklaşım
A hybrid approach based on visual transformer-based feature extraction and machine learning classifiers for object recognition in unbalanced image datasets
ALI KHUDHAIR ABBAS ALI
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErzincan Binali Yıldırım ÜniversitesiYapay Zeka ve Robotik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YILDIZ AYDIN
- Neutro-Swin-GNN: maymun çiçeği tanısı için nötrosofik tabanlı hibrit swin dönüştürücü ve grafik sinir ağı modeli
Neutro Swin-GNN: a neutrosophic set-based hybrid swin transformer and graph neural network model for monkeypox diagnosis
MİYASE ÇOBAN
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMalatya Turgut Özal ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ESER SERT
- Sağlık hizmetlerinde MR tabanlı beyin tümörü teşhisi için derin öğrenme destekli bir klinik karar destek sistemi
A deep learning-enhanced clinical decision support system for MRI-based brain tumor diagnosis in healthcare
ÖMER ÇELİK
Doktora
Türkçe
2025
Sağlık YönetimiSüleyman Demirel ÜniversitesiSağlık Yönetimi Ana Bilim Dalı
PROF. DR. NEZİHE TÜFEKCİ
DOÇ. DR. İSHAK PAÇAL
- Bulut tabanlı otonom sürüş sıstemlerınde görüntü işleme ıçın tam homomorfık şıfreleme yaklaşımı
A fully homomorphic encryption approach to image processing in cloud based autonomous driving systems
KAMRAN SAEED
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED FATİH ADAK
- Beyin tümörü segmentasyonu için yeni bir üç boyutlu U-Net tabanlı derin öğrenme mimarisi
A novel three-dimensional U-Net based deep learning architecture for brain tumor segmentation
AYŞE BAŞTUĞ KOÇ
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM AKGÜN