Нейросетевые методы анализа динамических сцен и математические модели электрофизиологии сердца для изучения аритмий тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Мангилева Дарья Владимировна

• Мангилева Дарья Владимировна
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Мангилева Дарья Владимировна

Введение

Глава 1. Литературный обзор

1.1 Спиральные волны как источник аритмии

1.2 Численные методы для вычисления полей смещения

1.2.1 Цифровой кросс-корреляционный анализ изображений

1.2.2 Нейронные сети для анализа видеоряда изображений

1.2.3 Анализ динамических сцен с помощью многослойных персептронов

1.3 Изучение спиральных волн с помощью математического моделирования

Глава 2. Разработка DisplacementMLP+

2.1 Генерация исходных и деформированных изображений с заданными смещениями

2.2 Подбор оптимальных параметров модели на основе MLP

для восстановления полей смещения

2.3 Тестирование модели

2.4 Разработка модели DisplacementMLP+ для восстановления смещений с новым подходом к обучению генератора изображений (фрагментирование изображения)

2.5 Выводы

Глава 3. Обработка видеозаписей неизолированного сердца

3.1 Описание видеозаписей эксперимента

3.2 Алгоритм обработки видеозаписей неизолированного сердца 66 3.2.1 Преодоление артефактов движения

3.2.2 Расчет параметров векторного поля для

построения временных графиков в течении

времени. Применение критерия вихревого

растяжения для детекции аритмогенных процессов

3.3 Визуализация механических спиральных волн

3.4 Выводы

Глава 4. Изучение динамики спиральных волн изменения электрического потенциала вокруг постинфарктного рубца с помощью математического моделирования

4.1 Моделирование двумерной сердечной ткани

4.2 Моделирование трехмерной анатомической модели

4.3 Режимы вращения спиральных волн изменения

электрического потенциала

4.3.1 Зависимости периода вращения спиральной волны от размера постинфарктного рубца и серой зоны в двумерном случаи

4.3.2 Поведение спиральной волны в трехмерной анатомической модели

4.3.3 Описание режимов

4.4 Изучение влиянии анизотропии

4.5 Выводы

Заключение

Список сокращений и условных обозначений

Список литературы

Введение диссертации (часть автореферата) на тему «Нейросетевые методы анализа динамических сцен и математические модели электрофизиологии сердца для изучения аритмий»

Введение

Актуальность и степень разработанности темы исследования Сердечные аритмии являются одними из наиболее частых жизне-угрожающих заболеваний в мире [8]. Они характеризуются нарушениями последовательности электрического возбуждения сердца, приводящими к снижению его сократительной и насосной функции. Одной из причин сердечных аритмий является возникновение дополнительных патологических источников электрических импульсов в миокарде, которые могут инициировать аномальные спиральные автоволны электрической активности миокарда, навязывающие патологический ритм сердца [8]. Возникновение спиральных волн (СВ) часто связано с патологическими изменениями в электрофизиологии кардиомиоцитов, когда нарушения динамики ионных токов вызывают изменения мембранного потенциала (МП) и ухудшают проведение электрического возбуждения от клетки к клетке. Такие функциональные изменения влияют на электрофизиологические свойства сердца, что может быть причиной СВ в поврежденной сердечной ткани. Изучение этих явлений играет ключевую роль для понимания механизмов аритмий и разработки новых диагностических и терапевтических подходов, применяемых в клинической практике [8].

Одним из важных этапов экспериментальных исследований динамики СВ в реальной активной среде является их детекция и визуализация. Существуют исследования, в которых проводилась визуализация электрической СВ в миокарде с помощью оптических потенциал-чувствительных красителей [9; 10]. Еще более сложной является задача экспериментальной визуализации механического следа, который оставляет СВ электрического потенциала в миокарде вследствие электромеханического сопряжения. Так, видеорегистрация сокращений поверхности открытого сердца позволяет восстановить и визуализировать поле смещений миокарда для детекции и анализа аритмий наряду с прямыми измерениями электрической активности миокарда. Такой способ визуализации автоволновых процессов является на сегодняшний день актуальным, по-

скольку с помощью него возможно обнаружить СВ без применения красителей, влияющих на электрофизиологическую функцию сердца. Кроме того, анализ механической активности миокарда может дать дополнительные сведения о природе аритмий и возможность оценить их последствия.

В исследовании [11] J.Christoph с соавторами успешно детектировали механический след электрической СВ, что стало значительным прорывом в области обработки изображений сердца. Стоит отметить, что в этой работе были использованы изображения, полученные на изолированных сердцах животных [10; 11]. Однако физиологические процессы, происходящие в изолированном сердце, не совпадают с теми, которые имеют место в живом организме. В интактном сердце присутствуют сложные взаимодействия между различными типами клеток, а также его функция зависит от работы других систем (нервной, эндокринной), которые регулируют деятельность сердца [8]. В связи с этим исследования in-situ на неизолированных сердцах, функционирующих в организме, также важны для получения более реалистичной картины. В то же время, анализ видеоряда изображений, полученных в таких экспериментах, требует более тонких методов для получения информации о динамике электрических и механических процессов в миокарде.

В последнее время глубокие нейронные сети хорошо зарекомендовали себя в анализе динамических сцен, представляющих собой различные временные изменения изображений в видеоряде. Одним из таких изменений является смещение пикселей между кадрами, которое описывается как поле смещения [12; 13]. Параллельно с этим возросла популярность схем нейронных сетей на основе многослойных персептронов (MLP) [14; 15], в том числе и для задач определения поля смещения. Это связано с разработкой двух новых подходов [16; 17], которые позволили решить проблему недообучения MLP при генерации графической информации по причине частотного сдвига [18], приводящего к сложности воспроизведения мелких деталей (другими словами, краткосрочных колебаний) на изображениях. Использование нейронных сетей на основе MLP для улучшения качества видеозаписей сокращений неизолированного сердца

и получения информации о движении его стенки in-situ представляется перспективным, так как отсутствует необходимость в их обучении с применением большого набора данных, что важно в медико-биологической области [19].

Помимо визуализации СВ, важно также измерение их характеристик. Одним из ключевых аспектов аритмии является ее частота, которая при наличии СВ определяется скоростью их вращения. В ранней работе А.М. Перцова в 1984 году с помощью упрощенной математической модели ФитцХью - Нагумо [20] было показано, что скорость вращения СВ обратно пропорциональна радиусу препятствия, вокруг которого вращается волна. Изучение данного явления в натурных экспериментах очень затруднительно. В то же время, исследование динамики СВ активно проводится с использованием современных детализированных математических моделей, которые имитируют основные электрофизиологические процессы в миокарде [21]. Наряду с идеализированными моделями миокардиальной ткани (2D и 3D моделями возбудимой среды) можно использовать более реалистичные модели сердца, учитывающие анатомическую структуру и анизотропию миокардиальной ткани [22]. Однако несмотря на актуальность, исследования свойств СВ при наличии структурно-функциональных нарушений ткани остаются единичными [20; 23], и их результаты до сих пор не были систематизированы.

Целью данной работы является разработка неконтролируемой модели нейронной сети на основе MLP для определения полей смещения изображений видеоряда и её применение для визуализации вихревой активности миокарда, а также теоретическое изучение динамики спиральных волн электрического потенциала в неоднородном миокарде со структурно-функциональными нарушениями с помощью математического моделирования.

Поставлены следующие задачи:

1. Разработать модель нейронной сети на основе MLP для получения полей смещения пикселей в последовательности 2D изображений видеоряда и сравнить ее с современным аналогами;

2. Разработать алгоритм обработки экспериментальных видеозаписей сокращений открытой поверхности (эпикарда) неизолированного сердца, включающий кросс-корреляционный анализ, для выявления различий механической активности миокарда в норме и при аритмии;

3. Применить разработанную нейронную сеть к видеозаписям эксперимента на неизолированном сердце для расчета поля смещений миокарда в процессе сокращения и визуализации механической спиральной волны;

4. При помощи компьютерных моделей электрической активности миокарда (2Э и 3Э) изучить влияние размеров непроводящей зоны (постинфарктного рубца) и полупроводящей (серой) зоны в миокардиальной ткани на динамику спиральных волн электрического потенциала в миокарде.

Научная новизна В области математического моделирования:

1. Разработана новая неконтролируемая модель нейронной сети В1зр1асешеП;МЬР+ для вычисления полей смещения с двух изображений видеоряда, обладающая преимуществами по сравнению с современными передовыми аналогами. В частности, разработанная модель показала более высокое качество определения полей смещения по сравнению с передовой нейронной сетью ЭЮКе^согг [24] на выборке видеоряда изображений неизолированного бьющегося сердца.

2. С помощью математического моделирования впервые выявлены четыре основных режима вращения спиральной волны электрического потенциала в миокарде вокруг невозбудимого препятствия (рубца): вращение вокруг рубца, функциональное вращение, вращение вокруг серой зоны, особый тип вращения вокруг рубца - 2. Установлено, что период вращения спиральных волн линейно зависит от размера рубца и ширины серой зоны в определённых диапазонах их изменения. При малых размерах рубца, а также при больших размерах серой зоны, окружающей пре-

пятствие, частота вращения спиральной волны практически не зависит от их размеров. Эти закономерности наблюдаются как в двумерной модели миокардиальной ткани, так и в реалистичной 3D геометрии сердца с миокардиальными волокнами, обусловливающими анизотропию проводимости миокарда.

В области численных методов:

1. Разработан специальный протокол для синтезирования последовательных кадров (исходного и трансформированного) с помощью заданного поля смещения с целью разработки новой модели нейронной сети, а также ее сравнения с другими численными методами.

2. Разработан алгоритм обработки видеозаписей поверхности открытого неизолированного сердца лабораторной свиньи во время сокращений сердца для определения полей смещения миокарда. На основе разработанного алгоритма предложены оценки механической активности миокарда, позволяющие разделить его нормальное функционирование от аномального при фибрилляции.

3. Впервые применен критерий вихревого растяжения для детекции аномальной механической активности миокарда во время аритмии.

В области создания комплексов программ:

1. Разработан программный комплекс для синтеза последовательных изображений с заданным полем смещения, на которых обучалась и тестировалась новая модель.

2. Разработан программный комплекс для реализации новой неконтролируемой модели нейронной сети DisplacementMLP+.

3. Разработан программный комплекс для обработки видеозаписей открытого неизолированного сердца свиньи, который был использован для визуализации механических спиральных волн.

Теоретическая и практическая значимость

Теоретическая значимость данной работы заключается в разработке нейронной сети на основе MLP для определения полей смещения по

двум последовательным изображениям видеоряда. Построенная нейро-сетевая модель превосходит современные аналоги [24; 25] на изображениях с градиентно-меняющимися значениями пикселей в пространстве. Разработанная модель В1эр1асешеп1МЬР+ обеспечивает более высокую точность восстановления смещений по сравнению с единственной на сегодняшний день аналогичной неконтролируемой нейронной сетью — ЭЮКе^согг [24] на изображениях неизолированного сердца.

При помощи математического моделирования электрофизиологической активности миокарда со структурно-функциональными повреждениями установлена зависимость периода вращения СВ электрического потенциала в миокарде от размера непроводящего рубца в миокардиаль-ной ткани, а также ширины окружающей его полупроводящей серой зоны. Эти результаты имеют важное значение при прогнозировании возникновения и тяжести аритмий вследствие постинфарктных изменений в миокарде.

Практическая значимость работы заключается в том, что впервые предложен алгоритм и реализован программный продукт для обработки видеозаписей сокращения миокарда на поверхности неизолированного сердца внутри живого организма. Разработанный алгоритм может быть использован для оценки динамической деформации миокарда во время сокращения сердца и вычисления ее характеристик в нормальном сердце и при аритмиях.

Разработанная в данной работе модель неконтролируемой нейронной сети позволяет детектировать механический след СВ возбуждения миокарда. Разработанные подходы для обработки экспериментальных видеозаписей могут использоваться при решении задач диагностирования и лечения аритмии в исследовательской и медицинской практике, а также в других технических и естественно-научных областях.

Методология и методы исследования

В данной работе разработан и реализован метод генерации синтетических изображений и их смещений, использованных для решения задачи восстановления смещений в последовательности изображений видеоряда. В частности, базовая текстура изображения представляет собой

структурированное случайное поле, сгенерированное по гауссовой варио-грамме при помощи открытого программного кода GSTools [26]. Ширина спектра значений пикселей изображения варьировалась с помощью двух подходов: добавление случайного шума и умножение каждого пикселя на определённый коэффициент. Поля смещения получались с помощью шума Перлина с разными значениями октав в алгоритме (от 3 до 7 с шагом 1), так что плотность поля была различна. Инверсия функции смещения выполнялась в рамках открытого программного кода muDIC [27], в основе которого лежит численный метод Ньютона и B-сплайны, использовавшиеся для интерполяции значений шкалы серого изображения.

В рамках разработки новой модели нейронной сети тестировались два подхода для преодоления недообучения MLP. Первый подход состоял в преобразовании входных координат с помощью гауссовой случайной функции Фурье в генератор изображений [16]. Второй подход состоял в использовании синусоидальных слоев с периодической функцией активации [17].

При анализе видеозаписей открытого сердца свиньи использовалась быстрая нормализованная кросс-корреляция изображений [28] для исключения дыхательных артефактов и эффектов общего движения сердца. Для каждой пары кадров вычислялось дискретное поле смещений изображения, применяя кросс-корреляционный анализ в рамках пакета PIVLab (MATLAB) [29]. Для визуализации механической СВ (следа СВ электрического потенциала в миокарде) применялась разработанная модель нейронной сети. Поля смещения, полученные с помощью неё, дополнялись для наглядности стримлайновыми линиями. Для детекции вихревых явлений в процессе сокращения миокарда в анализе динамики полей смещения изображений впервые применён критерий вихревого растяжения [30]. Его расчёт был реализован в рамках пакета VortexFitting [30].

Динамика СВ изменения электрического потенциала в активном миокарде с непроводящим препятствием и зоной сниженной проводимости изучалась с использованием монодоменной модели электрической ак-

тивности миокарда, представленной уравнением реакции-диффузии для клеточного мембранного потенциала в активной среде [20]. Рубцовое поражение исключалось из геометрической области активного миокарда (моделировалось как непроводящая область), а свойства среды в полупроводящей зоне вокруг отверстия изменялись за счет понижения суммы ионных токов в модели на определенный процент, как описано в работе [31]. СВ инициировалась протоколом повторной активации возбуждения (81-82) [32]. В 2Э моделях миокардиальной ткани использовалась изотропная среда с постоянным тензором диффузии. Реалистичная 3Э геометрия желудочков сердца была взята из открытого набора данных и включала в себя информацию о направлении хода миокардиальных волокон [22], с помощью которых вычислялся тензор электродиффузии Э [20] с более высоким коэффициентом проводимости вдоль волокон по сравнению с поперечными направлениями.

Положения, выносимые на защиту

1. Разработана модель неконтролируемой нейронной сети В1эр1асешеп1МЬР+, которая позволяет восстановить поля смещения в последовательных 2Э цифровых изображениях. Данная модель работает на уровне новейшей нейронной сети ЭЮКе^согг [24] на выборках различных медико-биологических изображений, а также выдает лучшие результаты по максимуму пространственного критерия среднеквадратичной ошибки на изображениях неизолированного сердца.

2. Разработан и реализован алгоритм для обработки экспериментальных видеозаписей сокращений открытого неизолированного сердца, который позволяет установить различия в механической активности миокарда во время нормальных сокращений и при фибрилляции левого желудочка.

3. Разработанная нейросетевая модель анализа изображений позволяет детектировать и визуализировать вихревую механическую активность миокарда в неизолированном сердце.

4. Результаты математического моделирования электрической активности миокарда предсказывают линейную зависимость пери-

ода вращения СВ от размера непроводящего препятствия и ширины серой зоны в определенном диапазоне величин. При малых размерах препятствия период СВ не зависит от его размера. В случае, когда ширина серой зоны значительно превосходит размер препятствия, период СВ определяется только размером препятствия. Закономерности, выявленные в 2D моделях, наблюдаются также в реалистичной 3D модели сердца, позволяя предположить справедливость найденных закономерностей в реальном сердце.

Апробация результатов исследования

Основные результаты работы докладывались на международных конференциях: IV Международный конгресс, посвященный А.Ф. Самойлову «Фундаментальная и клиническая электрофизиология. Актуальные вопросы аритмологии» (г.Казань, Россия, 2021), Mathematical modelling in biomedicine (г.Москва, Россия, 2021), 31-я Международная конференция по компьютерной графике и машинному зрению "Графикон 2021"(г. Нижний Новгород, Россия, 2021 г.), 2022 IEEE International Multi Conference on Engineering, Computer and Information Sciences (SIBIRCON) (г.Екатеринбург, Россия, 2022), Intelligent Data Processing: Theory and Applications, IDP (г. Москва, Россия, 2022 г.), Международный научный форум FIT-M (г.Мосвка, Россия, 2022), Международная (55-я Всероссийская) молодежная школа-конференция "Современные проблемы математики"(г.Екатеринбург, Россия, 2024), 2nd Asia Conference on Computer Vision, Image Processing and Pattern Recognition (CVIPPR 2024) (г.Сямынь, Китай, 2024), 2024 IEEE Ural-Siberian Conference on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT) (г.Екатеринбург, Россия, 2024), 2025 IEEE Ural-Siberian Conference on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT) (г.Екатеринбург, Россия, 2025).

Все результаты, представленные в диссертации, опубликованы. Автор лично участвовала в обсуждении постановок задач, получении результатов, подготовке и редактировании материалов для публикаций и докладов на научных конференциях. Результаты, описанные в главах 2-4

представлены в работах [1—7]. В этих исследованиях диссертантом лично разработан и реализован протокол для тестирования, разработки и сравнения численных методов, вычисляющих поля смещения в последовательных кадрах видеозаписи [3]; разработаны и представлены модели на основе MLP для анализа динамических сцен [1]; предложено использование критерия вихревого растяжения и показана его эффективность для детекции механических СВ в видеозаписи активности миокарда [7]; разработан алгоритм обработки видеозаписей неизолированного бьющегося сердца [2]; проведена визуализация механических СВ [2—4]. Во всех проведенных исследованиях автор лично разработала программные реализации предложенных методов и провела все вычислительные эксперименты. Численные эксперименты и анализ результатов изучения динамики СВ проведены совместно с соавторами [5; 6]. Исходный программный код был предоставлен А.Д. Докучаевым, модификации кода для решения поставленных задач и вычислительные эксперименты проведены лично диссертантом. Видеозаписи физиологических экспериментов, использованные в работе, получены и предоставлены соавторами из Института физиологии Коми НЦ.

Публикации. Результаты по теме диссертации изложены в 7 работах [1—7], опубликованных в рецензируемых научных изданиях, рекомендованных ВАК РФ и Аттестационным советом УрФУ, а также входящих в международные базы данных WoS и Scopus.

Благодарности Автор выражает благодарности научному руководителю, профессору, доктору физико-математических наук Ольге Эдуардовне Соловьёвой за руководство исследованием, а также Кацнельсо-ну Леониду Борисовичу, Коновалову Павлу Владимировичу, Курсанову Александру Геннадьевичу, Панфилову Александру Викторовичу, Чумар-ной Татьяне Владиславовне, Докучаеву Арсению Дмитриевичу и Хамзи-ну Святославу Юрьевичу за совместные исследования и консультации в предметной области. Автор выражает благодарность группе из Института физиологии Коми научного центра УрО РАН под руководством Азарова Яна Эрнестовича за предоставление экспериментальных данных и обсуждение результатов исследования. Расчёты программ были

выполнены на суперкомпьютере "Уран" ИММ УрО РАН. Работа выполнялась в рамках гранта РНФ 21-14-00226 (рук. Кацнельсон Л.Б.) и РНФ 18-29-13008 (рук. А.В. Панфилов)

Содержание работы

Во введении описывается актуальность исследований, проводимых в рамках диссертационной работы, ставится цель и задачи, обозначается научная новизна, а также теоретическая и практическая значимость выполненной работы.

В первой главе приводятся основные теоретические сведения и обзор результатов исследований по теме диссертации. В частности, описывается проблема обработки видеозаписей неизолированного движущегося сердца и актуальность решения данной задачи. Приводится описание работы MLP, а также проблемы частотного сдвига и методы её преодоления. В конце приводится описание основ математического моделирования в медико-биологической практике, в частности, для изучения динамики СВ возбуждения в миокарде и обсуждается потенциал их использования.

Во второй главе описываются этапы разработки новой неконтролируемой нейронной сети на основе MLP - DisplacementMLP+. В начале главы рассматривается перспектива применения MLP для определения поля смещений на двух последовательных 2D изображениях. Приводится описание выбора основных параметров модели и оценка её работы на основании специально созданного протокола. После промежуточных результатов приводится усовершенствованная модель нейронной сети с новой схемой обучения. В конце главы приводятся результаты испытаний разработанной модели и сравнение с другими нейросетевыми моделями на выборке различных медико-биологических и синтетических изображений.

В третьей главе описывается разработанный алгоритм для анализа видеозаписей открытого бьющегося неизолированного сердца лабораторной свиньи, а также описание результатов, полученных в ходе данного анализа.

В четвертой главе приведено описание результатов вычислительных экспериментов на математических моделях электрической активности миокарда с целью изучения зависимости периода СВ возбуждения от размеров электрически-непроницаемого препятствия и его пограничной зоны.

В заключении определены итоги диссертационного исследования, а также рекомендации и перспективы по дальнейшей разработке темы.

Объем и структура работы. Диссертация состоит из введения, четырёх глав, заключения и двух приложений.

Полный объём диссертации составляет 112 страниц с 45 рисунками и 9 таблицами. Список литературы содержит 109 наименований.

Глава 1. Литературный обзор 1.1 Спиральные волны как источник аритмии

Спиральные волны (СВ) — это явление, широко распространённое в природе, наблюдаемое в различных биологических и физических системах [9]. Миокард — мышечная ткань сердца — является активной возбудимой средой, потому СВ могут наблюдаться в миокарде при различных условиях.

В контексте сердечно-сосудистой патологии спиральные волны имеют особое значение, поскольку они связаны с сердечными аритмиями, в том числе тахиаритмиями, т.е. значительным увеличением частоты сердечных сокращений, и фибрилляцией, т.е. хаотической активацией желудочков сердца [8]. Они возникают по причине того, что электрофизиологические свойства сердечных клеток могут быть нарушены вследствие патологических изменений клеточных ионных токов, обусловливающих релаксационные изменения мембранного потенциала (МП) и передачу электрического сигнала от клетки к клетке. Вследствие этого скорость проведения электрических импульсов в определенных областях может быть уменьшена или приближена к нулю. В результате электрический импульс обходит препятствие и закручивается вокруг него, образуя устойчивую СВ. Эти волны представляют собой электрические вихри, возникающие в периоды сердечной аритмии, нарушающие нормальный ритм, задаваемый главным водителем ритма — синусовым узлом (СУ) [33]. Данное состояние является опасным для организма, так как при состоянии аритмии нарушается последовательность электрического возбуждения различных отделов сердца, что приводит к снижению его сократительной и насосной функции. [34].

Поэтому изучение аритмогенных процессов имеет жизненно важное значение для разработки эффективных методов диагностики и лечения сердечно-сосудистых заболеваний. Важно исследовать как структур-

ные, так и функциональные аспекты СВ. Изучение СВ в эксперименте предполагает ее визуализацию и определение ряда характеристик, таких как положение источника, период волны, дрейф. Существуют исследования, в которых проводилось обнаружение электрических СВ с помощью потенциометрических красителей [10; 35; 36]. Другим способом обнаружения таких вихревых структур является детекция механического следа электрической СВ. Этот метод основывается на наблюдении специфической деформации миокарда в зонах, где активность СВ приводит к изменениям в механических свойствах ткани, что происходит благодаря механизму электромеханического сопряжения [37]. В рамках этого подхода производится измерение полей смещения, которые представляют собой карту изменений положения точек миокарда между последовательными кадрами. Поля смещения позволяют детализировать динамику деформации ткани, возникающую под воздействием электрической спиральной волны. Этот способ визуализации является актуальным на сегодняшний

Рисунок 1.1 — (a) - Картирование мембранного потенциала на поверхности изолированного сердца из исследования J.Christoph и др.[11]. Значения потенциала было преобразовано и представлено с помощью преобразования Гильберта в фазовые значения [36]. Картирование деформации на поверхности изолированного сердца [11]; (б) - данные представленные в виде "растяжение-сжатие" , (в) -данные, представленные в фазовых значениях [36].

Список литературы диссертационного исследования кандидат наук Мангилева Дарья Владимировна, 2025 год

Список литературы

8. Белялов Ф. И. Аритмии сердца. — 2020.

9. Alonso S. [и др.]. Nonlinear physics of electrical wave propagation in the heart: a review // Reports on Progress in Physics. — 2016. — Т. 79, № 9. — С. 096601.

10. High-resolution optical measurement of cardiac restitution, contraction, and fibrillation dynamics in beating vs. blebbistatin-uncoupled isolated rabbit hearts / V. Kappadan [и др.] // Frontiers in Physiology. — 2020. — Т. 11. — С. 464.

11. Electromechanical vortex filaments during cardiac fibrillation / J. Christoph [и др.] // Nature. — 2018. — Т. 555, № 7698. — С. 667—672.

12. When deep learning meets digital image correlation / S. Boukhtache [и др.] // Optics and Lasers in Engineering. — 2021. — Т. 136. — С. 106308.

13. Deep DIC: Deep learning-based digital image correlation for end-to-end displacement and strain measurement / R. Yang [и др.] // Journal of Materials Processing Technology. — 2022. — Т. 302. — С. 117474.

14. Neural fields in visual computing and beyond / Y. Xie [и др.] // Computer Graphics Forum. Т. 41. — Wiley Online Library. 2022. — С. 641—676.

15. Nam S. [и др.]. Neural image representations for multi-image fusion and layer separation // European conference on computer vision. — Springer. 2022. — С. 216—232.

16. Fourier features let networks learn high frequency functions in low dimensional domains / M. Tancik [и др.] // Advances in Neural Information Processing Systems. — 2020. — Т. 33. — С. 7537—7547.

17. Implicit neural representations with periodic activation functions / V. Sitzmann [и др.] // Advances in neural information processing systems. — 2020. — Т. 33. — С. 7462—7473.

18. Frequency bias in neural networks for input of non-uniform density / R. Basri [h gp.] // International Conference on Machine Learning. — PMLR. 2020. — C. 685—694.

19. Unsupervised Deep Learning Methods for Biological Image Reconstruction and Enhancement: An overview from a signal processing perspective / M. Akcakaya [h gp.] // IEEE Signal Processing Magazine. — 2022. — T. 39, № 2. — C. 28—44.

20. Cardiac Cellular Electrophysiological Modeling / K. Tran [h gp.] // Cardiac Electrophysiology Methods and Models: A Practical Handbook for Scientists, Engineers, and Clinicians / nog peg. P. A. Iaizzo [h gp.]. — Cham : Springer Nature Switzerland, 2024. — C. 365— 394.

21. Computational modeling of cardiac electrophysiology and arrhythmogenesis: toward clinical translation / N. A. Trayanova [h gp.] // Physiological reviews. — 2024. — T. 104, № 3. — C. 1265— 1333.

22. A publicly available virtual cohort of four-chamber heart meshes for cardiac electro-mechanics simulations / M. Strocchi [h gp.] // PloS one. — 2020. — T. 15, № 6. — e0235145.

23. Dynamics of spiral waves rotating around an obstacle and the existence of a minimal obstacle / X. Gao [h gp.] // Physical Review E. — 2017. — T. 95, № 5. — C. 052218.

24. Wang Y, Zhou C. Unsupervised CNN-based DIC method for 2D displacement measurement // Optics and Lasers in Engineering. — 2024. — T. 174. — C. 107981.

25. Yang J., Bhattacharya K. Augmented Lagrangian digital image correlation // Experimental Mechanics. — 2019. — T. 59. — C. 187— 205.

26. GSTools v1. 3: a toolbox for geostatistical modelling in Python / S. Muller [h gp.] // Geoscientific Model Development. — 2022. — T. 15, № 7. — C. 3161—3182.

27. Olufsen S. N. [h gp.]. ^DIC: An open-source toolkit for digital image correlation // SoftwareX. — 2020. — T. 11. — C. 100391.

28. Lewis J. Fast normalized cross-correlation // Vision Interface. — 1995.

29. Thielicke W., Sonntag R. Particle Image Velocimetry for MATLAB: Accuracy and enhanced algorithms in PIVlab. — 2021.

30. Lindner G. [h gp.]. VortexFitting: A post-processing fluid mechanics tool for vortex identification // SoftwareX. — 2020. — T. 12. — C. 100604.

31. Ten Tusscher K. H., Panfilov A. V. Alternans and spiral breakup in a human ventricular tissue model // American Journal of Physiology-Heart and Circulatory Physiology. — 2006. — T. 291, № 3. — H1088— H1100.

32. A computational study of mother rotor VF in the human ventricles / R. H. Keldermann [h gp.] // American Journal of Physiology-Heart and Circulatory Physiology. — 2009. — T. 296, № 2. — H370—H379.

33. Lother A., Kohl P. The heterocellular heart: identities, interactions, and implications for cardiology // Basic Research in Cardiology. — 2023. — T. 118, № 1. — C. 30.

34. Cardiology and lifestyle medicine / A. Rozanski [h gp.] // Progress in Cardiovascular Diseases. — 2023. — T. 77. — C. 4—13.

35. Gray R. A. [h gp.]. Spatial and temporal organization during cardiac fibrillation // Nature. — 1998. — T. 392, № 6671. — C. 75—78.

36. Spatiotemporal evolution of ventricular fibrillation / F. X. Witkowski [h gp.] // Nature. — 1998. — T. 392, № 6671. — C. 78—82.

37. Quinn T. A., Kohl P. Cardiac mechano-electric coupling: acute effects of mechanical stimulation on heart rate and rhythm // Physiological reviews. — 2021. — T. 101, № 1. — C. 37—92.

38. Comparative cardiac anatomy / A. J. Hill [h gp.] // Handbook of cardiac anatomy, physiology, and devices. — Springer, 2024. — C. 261— 286.

39. Palanca M. [h gp.]. The use of digital image correlation in the biomechanical area: a review // International biomechanics. — 2016. — T. 3, № 1. — C. 1—21.

40. Qin M. Visual Analysis of Bacterial Collective Motion // 2024 7th International Conference on Robotics, Control and Automation Engineering (RCAE). — IEEE. 2024. — C. 190—194.

41. Mylo M. D., Poppinga S. Digital image correlation techniques for motion analysis and biomechanical characterization of plants // Frontiers in Plant Science. — 2024. — T. 14. — C. 1335445.

42. High resolution three-dimensional strain mapping of bioprosthetic heart valves using digital image correlation / M. Abbasi [h gp.] // Journal of biomechanics. — 2018. — T. 76. — C. 27—34.

43. Digital image correlation study of the deformation and functioning of the human heart during open-heart surgery / A. Soltani [h gp.] // Mechanics of Biological Systems, Materials and other topics in Experimental and Applied Mechanics, Volume 4: Proceedings of the 2017 Annual Conference on Experimental and Applied Mechanics. — Springer. 2018. — C. 19—27.

44. Nobach H, Honkanen M. Two-dimensional Gaussian regression for sub-pixel displacement estimation in particle image velocimetry or particle position estimation in particle tracking velocimetry // Experiments in fluids. — 2005. — T. 38, № 4. — C. 511—515.

45. Nobach H, Bodenschatz E. Limitations of accuracy in PIV due to individual variations of particle image intensities // Experiments in fluids. — 2009. — T. 47, № 1. — C. 27—38.

46. Cameron S. M. Theoretical description of PIV measurement errors // Acta Geophysica. — 2022. — T. 70, № 5. — C. 2379—2387.

47. Comparison of subset-based local and finite element-based global digital image correlation / B. Pan [h gp.] // Experimental Mechanics. — 2015. — T. 55. — C. 887—901.

48. Review of research progress and development trend of digital image correlation / X. He [h gp.] // Multidiscipline Modeling in Materials and Structures. — 2024. — T. 20, № 1. — C. 81—114.

49. Distributed optimization and statistical learning via the alternating direction method of multipliers / S. Boyd [h gp.] // Foundations and Trends® in Machine learning. — 2011. — T. 3, № 1. — C. 1—122.

50. Deep learning in optical metrology: a review / C. Zuo [h gp.] // Light: Science & Applications. — 2022. — T. 11, № 1. — C. 1—54.

51. Flownet: Learning optical flow with convolutional networks / A. Dosovitskiy [h gp.] // Proceedings of the IEEE international conference on computer vision. — 2015. — C. 2758—2766.

52. Flownet 2.0: Evolution of optical flow estimation with deep networks / E. Ilg [h gp.] // Proceedings of the IEEE conference on computer vision and pattern recognition. — 2017. — C. 2462—2470.

53. LightPIVNet: An effective convolutional neural network for particle image velocimetry / C. Yu [h gp.] // IEEE Transactions on Instrumentation and Measurement. — 2021. — T. 70. — C. 1—15.

54. Strain measurement during tensile testing using deep learning-based digital image correlation / H.-G. Min [h gp.] // Measurement Science and Technology. — 2019. — T. 31, № 1. — C. 015014.

55. Ronneberger O. [h gp.]. U-net: Convolutional networks for biomedical image segmentation // Medical image computing and computerassisted intervention-MICCAI 2015: 18th international conference, Munich, Germany, October 5-9, 2015, proceedings, part III 18. — Springer. 2015. — C. 234—241.

56. Automatic differentiation in pytorch / A. Paszke [h gp.]. — 2017.

57. Stevens E. [h gp.]. Deep learning with PyTorch. — Manning Publications, 2020.

58. Hu J. [h gp.]. Squeeze-and-excitation networks // Proceedings of the IEEE conference on computer vision and pattern recognition. — 2018. — C. 7132—7141.

59. Wang Y, Zhao J. DIC-Net: Upgrade the performance of traditional DIC with Hermite dataset and convolution neural network // Optics and Lasers in Engineering. — 2023. — T. 160. — C. 107278.

60. Almeida L. B. Multilayer perceptrons // Handbook of Neural Computation. — CRC Press, 2020. — C. C1—2.

61. Wainwright M. J. Reproducing Kernel Hilbert Spaces. — 2019.

62. Jacot A. [h gp.]. Neural tangent kernel: Convergence and generalization in neural networks // Advances in neural information processing systems. — 2018. — T. 31.

63. Fine-grained analysis of optimization and generalization for overparameterized two-layer neural networks / S. Arora [h gp.] // International Conference on Machine Learning. — PMLR. 2019. — C. 322—332.

64. Wide neural networks of any depth evolve as linear models under gradient descent / J. Lee [h gp.] // Advances in neural information processing systems. — 2019. — T. 32.

65. The convergence rate of neural networks for learned functions of different frequencies / B. Ronen [h gp.] // Advances in Neural Information Processing Systems. — 2019. — T. 32.

66. Bietti A., Mairal J. On the inductive bias of neural tangent kernels // Advances in Neural Information Processing Systems. — 2019. — T. 32.

67. Heckel R., Soltanolkotabi M. Compressive sensing with un-trained neural networks: Gradient descent finds a smooth approximation // International Conference on Machine Learning. — PMLR. 2020. — C. 4149—4158.

68. Nerf: Representing scenes as neural radiance fields for view synthesis / B. Mildenhall [h gp.] // Communications of the ACM. — 2021. — T. 65, № 1. — C. 99—106.

69. Neural knitworks: Patched neural implicit representation networks / M. Czerkawski [h gp.] // arXiv preprint arXiv:2109.14406. — 2021.

70. Image generators with conditionally-independent pixel synthesis / I. Anokhin [и др.] // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. — 2021. — С. 14278— 14287.

71. X-fields: Implicit neural view-, light-and time-image interpolation / M. Bemana [и др.] // ACM Transactions on Graphics (TOG). — 2020. — Т. 39, № 6. — С. 1—15.

72. Unsupervised non-rigid image distortion removal via grid deformation / N. Li [и др.] // Proceedings of the IEEE/CVF International Conference on Computer Vision. — 2021. — С. 2522— 2532.

73. Dynamic structured illumination microscopy with a neural space-time model / R. Cao [и др.] // 2022 IEEE International Conference on Computational Photography (ICCP). — IEEE. 2022. — С. 1—12.

74. Convolutional neural networks for medical image analysis: state-of-the-art, comparisons, improvement and perspectives / H. Yu [и др.] // Neurocomputing. — 2021. — Т. 444. — С. 92—110.

75. Wiener N., Rosenblueth A. The mathematical formulation of the problem of conduction of impulses in a network of connected excitable elements, specifically in cardiac muscle // Archives of the Institute of Cardiology of Mexico. — 1946. — Июль. — Т. 16, № 3. — С. 205—265.

76. Нейман Д. фон. Теория самовоспроизводящихся автоматов. — 1971.

77. Hudson J., Mankin J. Chaos in the Belousov-Zhabotinskii reaction // The Journal of Chemical Physics. — 1981. — Т. 74, № 11. — С. 6171— 6177.

78. Dueñas-Diez M, Pérez-Mercader J. Native chemical computation. A generic application of oscillating chemistry illustrated with the Belousov-Zhabotinsky reaction. A review // Frontiers in Chemistry. — 2021. — Т. 9. — С. 611120.

79. Prigogine I., Lefever R. Symmetry breaking instabilities in dissipative systems. II // The Journal of Chemical Physics. — 1968. — T. 48, № 4. — C. 1695—1700.

80. FitzHugh R. Mathematical models of excitation and propagation in nerve // Biological engineering. — 1969. — T. 9. — C. 1—85.

81. Six decades of the FitzHugh-Nagumo model: A guide through its spatio-temporal dynamics and influence across disciplines / D. Cebrian-Lacasa [h gp.] // Physics Reports. — 2024. — T. 1096. — C. 1—39.

82. Allessie M. A. [h gp.]. Circus movement in rabbit atrial muscle as a mechanism of tachycardia // Circulation research. — 1973. — T. 33, № 1. — C. 54—62.

83. Pertsov A. M. [h gp.]. Rotating spiral waves in a modified Fitz-Hugh-Nagumo model // Physica D: Nonlinear Phenomena. — 1984. — T. 14, № 1. — C. 117—124.

84. Winfree A. T. Varieties of spiral wave behavior: An experimentalist's approach to the theory of excitable media // Chaos: An Interdisciplinary Journal of Nonlinear Science. — 1991. — T. 1, № 3. — C. 303—334.

85. Van Capelle F., Durrer D. Computer simulation of arrhythmias in a network of coupled excitable elements. // Circulation research. — 1980. — T. 47, № 3. — C. 454—466.

86. Tusscher K. ten, Panfilov A. V. Alternans and spiral breakup in a human ventricular tissue model // American Journal of Physiology-Heart and Circulatory Physiology. — 2006. — CeHT. — T. 291, № 3. — H1088—H1100.

87. Streeter Jr D. Sec. 2. Vol. I. The Heart // Handbook of physiology. — Bethesda, Maryland: Am. Physiol. Soc, 1979. — En. Gross morphology and fiber geometry of the heart. C. 61—112.

88. Inhomogeneous transmural conduction during early ischaemia in patients with coronary artery disease / P. Taggart [h gp.] // Journal of molecular and cellular cardiology. — 2000. — T. 32, № 4. — C. 621— 630.

89. Tueni N. [h gp.]. On the structural origin of the anisotropy in the myocardium: Multiscale modeling and analysis // Journal of the mechanical behavior of biomedical materials. — 2023. — T. 138. — C. 105600.

90. Role of infarct scar dimensions, border zone repolarization properties and anisotropy in the origin and maintenance of cardiac reentry / P. Colli-Franzone [h gp.] // Mathematical biosciences. — 2019. — T. 315. — C. 108228.

91. Webster R., Oliver M. A. Geostatistics for environmental scientists. — John Wiley & Sons, 2007.

92. Blatz M, Korn O. A very short history of dynamic and procedural content generation // Game Dynamics: Best Practices in Procedural and Dynamic Game Content Generation. — Springer, 2017. — C. 1— 13.

93. Adding gradient noise improves learning for very deep networks / A. Neelakantan [h gp.] // arXiv preprint arXiv:1511.06807. — 2015.

94. Automated measurement of fetal head circumference using 2D ultrasound images / T. L. van den Heuvel [h gp.] // PloS one. — 2018. — T. 13, № 8. — e0200412.

95. Lucchi A. [h gp.]. Learning for structured prediction using approximate subgradient descent with working sets // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. — 2013. — C. 1987—1994.

96. Kiefer R. Glaucoma Dataset: EyePACS AIROGS - Light. — 2023.

97. Dataset of breast ultrasound images / W. Al-Dhabyani [h gp.] // Data in brief. — 2020. — T. 28. — C. 104863.

98. Nickparvar M. Brain Tumor MRI Dataset. — 2021.

99. Pan S. J. Transfer learning // Learning. — 2020. — T. 21. — C. 1—2.

100. A survey on ensemble learning / X. Dong [h gp.] // Frontiers of Computer Science. — 2020. — T. 14. — C. 241—258.

101. Fagerland M. W. t-tests, non-parametric tests, and large studies—a paradox of statistical practice? // BMC medical research methodology. — 2012. — T. 12. — C. 1—7.

102. Vargha A., Delaney H. D. A critique and improvement of the CL common language effect size statistics of McGraw and Wong // Journal of Educational and Behavioral Statistics. — 2000. — T. 25, № 2. — C. 101—132.

103. KATP channel inhibition blunts electromechanical decline during hypoxia in left ventricular working rabbit hearts / K. Garrott [h gp.] // The Journal of physiology. — 2017. — T. 595, № 12. — C. 3799—3813.

104. Prolongation of the activation time in ischemic myocardium is associated with J-wave generation in ECG and ventricular fibrillation / J. E. Azarov [h gp.] // Scientific Reports. — 2019. — T. 9, № 1. — C. 1— 8.

105. Briechle K., Hanebeck U. D. Template matching using fast normalized cross correlation // Optical pattern recognition XII. T. 4387. — SPIE. 2001. — C. 95—102.

106. Crow F. C. Summed-area tables for texture mapping // Proceedings of the 11th annual conference on Computer graphics and interactive techniques. — 1984. — C. 207—212.

107. scikit-image: image processing in Python / S. Van der Walt [h gp.] // PeerJ. — 2014. — T. 2. — e453.

108. Optical mapping of membrane potential and epicardial deformation in beating hearts / H. Zhang [h gp.] // Biophysical journal. — 2016. — T. 111, № 2. — C. 438—451.

109. Mathematical Modelling of Leptin-Induced Effects on Electrophysiological Properties of Rat Cardiomyocytes and Cardiac Arrhythmias / T. Nesterova [и др.] // Mathematics. — 2023. — Т. 11, № 4. — С. 874.

110. Panfilov A. V., Keener J. P. Twisted scroll waves in heterogeneous excitable media // International Journal of Bifurcation and Chaos. — 1993. — Т. 3, № 02. — С. 445—450.

111. De Coster T. The role of adipose tissue in arrhythmogenesis: an in silico study : дис. ... канд. / De Coster Tim. — Ghent University, 2019.

112. Rush S., Larsen H. A practical algorithm for solving dynamic membrane equations // IEEE Transactions on Biomedical Engineering. — 1978. — Т. 4, № 4. — С. 389—392.

113. Decker K. F., Rudy Y. Ionic mechanisms of electrophysiological heterogeneity and conduction block in the infarct border zone // American Journal of Physiology-Heart and Circulatory Physiology. — 2010. — Т. 299, № 5. — H1588—H1597.

114. Universal ventricular coordinates: A generic framework for describing position within the heart and transferring data / J. Bayer [и др.] // Medical image analysis. — 2018. — Т. 45. — С. 83—93.

115. Ten Tusscher K. H. W. J., Panfilov A. V. Modelling of the ventricular conduction system // Progress in biophysics and molecular biology. — 2008. — Т. 96, № 1—3. — С. 152—170.

116. Kirk D. B., Wen-Mei W. H. Programming massively parallel processors: a hands-on approach. — Morgan kaufmann, 2016.