發(fā)布時間：2025-02-09 10:16

　　心臟電生理活動的無創(chuàng)重建對臨床疾病預防和外科治療具有重要意義。獲取三維心肌跨膜電位(Transmembrane Potential,TMP)的分布有助于診斷心肌缺血、異位起搏等心臟疾病。然而,TMP的求解問題是不適定的,需要添加適當的約束條件。心肌TMP分布具有非局部自相似性,據此,我們提出兩種新的方法來重建動態(tài)心肌TMP的分布。第一種方法基于傳統(tǒng)的優(yōu)化方法�，F(xiàn)有的方法全變分最小化(Total Variation,TV)約束僅利用了空間中的局部相似性,存在過平滑的問題,并且沒有考慮動態(tài)TMP序列中幀與幀之間的關系。在本課題研究中,我們引入了一種新的正則化方法,稱為基于圖的總變分最小化,以彌補上述缺點。圖結構以每個心臟節(jié)點上的動態(tài)TMP序列的值之間的相似性作為建立節(jié)點間相似關系的準則。通過兩組模擬實驗(梗死疤痕重建和激活波前重建),驗證了該方法相對于現(xiàn)有的正則化方法的優(yōu)越性。此外,對1 0例真實的室性早搏(Premature Ventricular Contractions,PVCs)患者數據進行了實驗,以證明我們的方法在臨床應用中的準確性。第二種方法結合了深度學習技術。將優(yōu)化方法提供的物...

【文章頁數】：83 頁

【學位級別】：碩士

【文章目錄】：
致謝
摘要
Abstract
1 緒論
    1.1 課題背景
    1.2 科學問題
    1.3 心臟電生理基礎
        1.3.1 12導聯(lián)心電圖與高分辨率體表電位記錄
        1.3.2 心肌跨膜電位的特性
    1.4 論文貢獻與組織結構
2 研究背景與研究現(xiàn)狀
    2.1 典型心臟疾病的電生理
        2.1.1 心肌梗死與缺血
        2.1.2 異位起搏與電興奮的傳播
    2.2 電生理反演的相關研究
        2.2.1 基于約束優(yōu)化的方法
            2.2.1.1 Tikhonov正則化
            2.2.1.2 最大后驗概率法
            2.2.1.3 時域邊約束法
        2.2.2 基于深度學習的方法
            2.2.2.1 端到端的深度學習方法
            2.2.2.2 結合模型約束與深度學習的方法
3 基于圖的全變分正則化心肌跨膜電位重建
    3.1 心肌跨膜電位重建模型
    3.2 基于圖的全變分約束
        3.2.1 全變分約束
        3.2.2 圖結構的構建
        3.2.3 優(yōu)化目標
        3.2.4 優(yōu)化求解
        3.2.5 算法總結
    3.3 模擬實驗
        3.3.1 梗死疤痕重建
        3.3.2 激活波前重建
        3.3.3 討論
            3.3.3.1 參數選擇
            3.3.3.2 計算時間
    3.4 臨床真實病人實驗
        3.4.1 室性早搏定位實驗
            3.4.1.1 數據采集與預處理
            3.4.1.2 實驗結果
4 基于迭代收縮閾值算法的非局部神經網絡心肌跨膜電位重建
    4.1 迭代收縮閾值算法(ISTA)與ISTA-Net
    4.2 基于迭代收縮閾值算法的非局部神經網絡(ISTAN-Net)
        4.2.1 非局部特征提取模塊
        4.2.2 網絡結構
    4.3 實驗驗證
        4.3.1 數據集與訓練環(huán)境
        4.3.2 心肌跨膜電位序列重建
            4.3.2.1 TMP序列的空間分布
            4.3.2.2 TMP序列的時間分布
            4.3.2.3 重建激活時序圖
        4.3.3 討論
5 總結與展望
    5.1 本文總結
    5.2 未來工作展望
6 參考文獻
作者簡歷



本文編號：4032066