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: Belirtilmemiş.
- 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: 126
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
- Radyolojı̇k görüntülerde derı̇n öğrenme kullanılarak kanser alt tı̇plerı̇nı̇n ve genotı̇plerı̇nı̇n sınıflandırılmasının gelı̇ştı̇rı̇lmesı̇
Enhancing classification of cancer subtypes and genotypes using deep learning on radiological images
NESLİHAN GÖKMEN İNAN
Doktora
Türkçe
2024
İstatistikMimar Sinan Güzel Sanatlar Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. OZAN KOCADAĞLI
PROF. DR. CHUNLEİ LIU
- 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 Kurumları YönetimiSüleyman Demirel ÜniversitesiSağlık Yönetimi Ana Bilim Dalı
PROF. DR. NEZİHE TÜFEKCİ
DOÇ. DR. İSHAK PAÇAL
- Ağ trafiği tahmininde makine öğrenmesi algoritmalarının karşılaştırmalı analizi
A comparative analysis of machine learning algorithms on network traffic forecasting
BUSE DİLAN USLAN
Yüksek Lisans
Türkçe
2025
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. FERHAN ÇEBİ
- Towards modeling and mitigating misinformation propagation in online social networks
Çevrimiçi sosyal ağlarda yanlış bilgi yayılımının modellenmesi ve azaltılması üzerine
TOLGA YILMAZ
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZGÜR ULUSOY
- Machine learning based network anomaly detection
Makine öğrenmesi tabanlı ağ anomali tespiti
HİLAL HACILAR
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAbdullah Gül ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BURCU GÜNGÖR
PROF. DR. VEHBİ ÇAĞRI GÜNGÖR