Jun, 2023

使用潜变量神经常微分方程进行实时全心脏电机模拟

PDF
TL;DR本文提出了一种基于 LNODEs 的心脏数字孪生代理模型，并且使用全局敏感度分析和鲁棒参数估计，实现了未知时间系列的模拟和参数校准。
cardiac digital twinlatent neural ordinary differential equationssurrogate modelglobal sensitivity analysisparameter calibration
发现论文，激发创造
  • HyPer-EP: 个性化混合模型的元学习在心脏电生理方面的应用

    通过物理基础模型和深度学习方法的结合，本文提出了一种新的混合建模框架来描述个性化的心脏数字孪生，在两个实例和合成实验的证明下，展示了这种混合建模框架的可行性和广泛适用性。

    Mar, 2024

  • 潜时间神经常微分方程

    本文提出了一种独特的方法，通过考虑 ODE 求解器的结束时间 T 的分布来模拟 NODE 中的不确定性，从而提高了 NODE 模型的鲁棒性和不确定性建模能力，并提出了自适应的潜在时间 NODE (ALT-NODE)。

    Dec, 2021

  • 神经常微分方程的鲁棒性和不确定性建模改进

    本文提出一种新的方法，通过考虑 ODE 求解器的终止时间 T 上的分布来模型化神经 ODE 中的不确定性，采用贝叶斯学习从数据中获得 T 的后验分布，从而实现模型选择的自动化，并用 ALT-NODE 模型来使每个数据点有自己独特的 T 的后验分布，多个后验样本的 NODE 表示可以有效预测，通过实验在合成数据和现实世界图像分类数据取得了较好的效果。

    Dec, 2021

  • 探索扩散模型在数字孪生解剖编辑方面的限制与能力

    使用数字孪生技术结合潜在扩散模型（LDMs）编辑数字孪生，创建解剖学变体，从而实现对心血管设备模拟部署的解剖学差异的研究和虚拟群体的增强。

    Dec, 2023

  • LaTiM: 在连续时间模型中进行纵向表示学习用于预测疾病进展

    该研究提出了一种使用时间感知神经常微分方程（NODE）分析疾病进展的新框架。我们引入了一个在自监督学习（SSL）中训练的 “时间感知头”，以利用潜在空间中的时间信息来进行数据增强。与缺乏显式时间集成的传统方法相比，该方法有效地将 NODE 和 SSL 结合，提供显著的性能改进。我们利用 OPHDIAT 数据库展示了我们的策略在糖尿病视网膜病变进展预测中的有效性。与基准线相比，所有的 NODE 架构在 ROC 曲线下面积（AUC）和 Kappa 指标上都取得了统计显著的改进，突显了使用 SSL 启发式方法进行预训练的效果。此外，我们的框架促进了 NODE 的稳定训练，在时间感知建模中经常遇到的挑战中取得了突破。

    Apr, 2024

  • 连续时间数字孪生与模拟记忆电阻神经常微分方程求解器

    通过引入一个差分方程解为数字孪生体，本研究实现了捕捉连续时间动态并利用无限深度模型对复杂系统建模的能力，并通过模拟实验证明了其在速度和能效方面相对于传统数字方法的显著性能提升，从而加快了数字孪生体的发展速度，为工业 4.0 的需求提供了高效快速的解决方案。

    Jun, 2024

  • LinFlo-Net: 心脏模拟准备网格生成的两阶段深度学习方法

    我们提出了一种深度学习模型，可以根据患者的影像数据自动生成人类心脏的计算机模型，特别强调其生成薄壁心脏结构的能力。

    Oct, 2023

  • 基于深度学习的心脏运动预测电性心律失常电路：一项模拟研究

    利用深度学习和神经网络可以计算和预测心脏肌肉的室性心律失常，靶向识别电触发或驱动器，可以利用影像数据计算肌肉的内壁动作电位波形。

    May, 2023

  • 数字孪生心脏分析中心肌速度图的混合深度学习合成

    研究提出了一个用于模拟合成心肌速度映像（3Dir MVM）数据的混合深度学习网络，从而可以通过克服解剖和生物化学现象建模的复杂性，生成更加真实的医学信号，此算法可以用于现实的医学研究中。

    Mar, 2022

  • 通过自由形变学习进行基于图像的计算模拟的全心网格生成

    通过深度学习重建心脏组织模型可以用于计算心脏病理生理学，从而指导诊断和个性化治疗，该模型可以高效地用于计算流体力学模拟。

    Jul, 2021