Разработка методов детекции источников автоволновых колебаний на примере фибрилляции предсердий тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Золотарев Александр Маркович

• Золотарев Александр Маркович
• кандидат наук
• 2022

Оглавление диссертации кандидат наук Золотарев Александр Маркович

Введение

1. Модели автоволновых колебаний

1.1 Автоволновые колебания в сердечной ткани

1.2 Фибрилляция предсердий

1.3 Методы картирования электрической активности сердца

1.4 Выборки

1.4.1 Клинические электрограммы

1.4.2 Записи эпизодов фибрилляции предсердий эксплантированных сердец

2. Модели искусственного интеллекта

2.1 Методы машинного обучения

2.2 Нейронные сети

2.3 Генеративные состязательные сети

3. Задача детекции источников автоволновых колебаний: фазовый анализ

3.1 Обзор существующих методов фазового анализа

3.1.1 Сверточный метод

3.1.2 Метод вариабельности фазы

3.1.3 Локальный метод

3.2 Эксперименты

3.3 Заключение

4. Задача детекции источников автоволновых колебаний: спектральный анализ

4.1 Бинарная классификация электрограмм эксплантированных

предсердий

4.1.1 Схема эксперимента

4.1.2 Предобработка данных

4.1.3 Оценка

4.1.4 Результаты

4.1.5 Заключение

4.2 Локализация драйверов фибрилляции предсердий по

клиническим электрограммам

4.2.1 Улучшение временной стабильности драйверов фибрилляции предсердий фармакологическими методами

4.2.2 Предобработка данных для моделей машинного обучения

4.2.3 Результаты

4.2.4 Заключение

5. Image-to-image трансляция для улучшения визуализации

фронта автоволновых колебаний

5.1 Применение генеративных состязательных сетей

5.2 Применение архитектур и с блоком СопуЬБТМ

Заключение

Список сокращений и условных обозначений

Словарь терминов

Список литературы

Список иллюстраций

Список таблиц

Приложение А. Приложение

Введение диссертации (часть автореферата) на тему «Разработка методов детекции источников автоволновых колебаний на примере фибрилляции предсердий»

Введение

Автоволновые колебания в сердечной ткани имеют сложный трехмерный волновой фронт, а измеряются лишь на двумерной поверхности. Такие измерения шумны и недостаточны для решения задачи детектирования источников волн классическими методами на основе математического моделирования. При этом автоволновые колебания могут быть причиной серьезных нарушений проведения электрического сигнала и нарушения ритма сердца. В частности, фибрилляция предсердий (ФП) является наиболее частым нарушением ритма сердца, а также ведущим источником ишемического инсульта.

Многочисленные исследования свидетельствуют о том, что источником фибрилляции являются драйверы, или источники повторяющегося электрического возбуждения, находящиеся в сердечной ткани. Лечение фибрилляции может заключаться в физическом разрушении драйверов, или аблации. Классические методы математического моделирования не позволяют точно предсказать расположение драйвера ФП без измерения уникального расположения анатомических структур предсердия, для чего необходимо точно восстанавливать трехмерную структуру сердца, например, с помощью МРТ высокого разрешения.

Был исследован альтернативный метод детекции драйверов ФП с помощью электродного картирования сердца. В рамках этой технологии, широко распространенной в клинической практике, записывается сигнал с электродов в разных частях предсердия, а затем составляется карта распространения сигнала. Для валидации электродного картирования использовались данные оптического картирования, технологии, также позволяющей уточнить трехмерную структуру сердца, избежав при этом применения МРТ. В диссертационной работе предложен ряд моделей машинного обучения для детекции источников автоволновых колебаний при электродном картировании, а также метод улучшения визуализации фронта автоволновых колебаний, что представляется актуальной задачей с большим потенциалом для практического применения.

Цель данной работы состоит в разработке различных методов детекции источников автоволновых колебаний в сердечной ткани с использованием дан-

ных картирования электрической активности сердца во время эпизодов фибрилляции предсердий.

Для достижения поставленной цели необходимо было решить следующие задачи:

1. Детекция источников автоволновых колебаний в сердечной ткани с помощью фазового и спектрального анализа;

2. Детекция источников автоволновых колебаний в сердечной ткани с помощью алгоритмов машинного обучения, обученных на спектральных признаках электрограмм;

3. Улучшение визуализации фронта автоволновых колебаний в сердечной ткани с помощью алгоритмов 1ша§е4о-1ша§е трансляции между картами электродного и оптического картирования.

Основные положения, выносимые на защиту:

1. Показана возможность детекции драйверов ФП с помощью карт доминантной частоты и плотности фазовых сингулярностей, рассчитанных с помощью различных алгоритмов, на примере эксплантированных предсердий человека, а также их ограничения.

2. Создана и запатентована модель бинарной классификации электрограмм ФП методами машинного обучения, обученных на спектральных признаках.

3. Предложены новые метрики оценки локализации драйверов ФП по тепловым картам - контраст и распознаваемость драйвера ФП, показана их эффективность на экспериментальных данных.

4. Разработаны модели локализации драйверов ФП алгоритмами машинного обучения на ех-юто и т-юто данных по спектральным данным электродного картирования.

5. Разработан алгоритм улучшения визуализации фронта ФП по картам электродного картирования с помощью алгоритмов 1ша§е4о-1ша§е трансляции между картами электродного и оптического картирования.

6. Предложена новая парадигма обучения для физиологических данных (ех-ютоЛо-т-юто обучение) - модель обучается на данных с эксплан-тированных органов и применяется к клиническим электрограммам, показана ее эффективность в задачах детекции источников ФП и улучшения визуализации фронта возбуждения ФП.

Научная новизна диссертационного исследования состоит в том, что в ней впервые получены следующие результаты:

1. Разработана модель бинарной классификации электрограмм по их спектральным признакам моделями машинного обучения;

2. Разработана модель локализации драйверов ФП моделями машинного обучения, а также их ансамблями, по спектральным данным электродного картирования эпизодов ФП;

3. Разработана модель улучшения визуализации фронта ФП по картам электродного картирования с помощью алгоритмов image-to-image трансляции между картами электродного и оптического картирования.

Полученные автором новые научные результаты имеют научно-практическую ценность для хирургического лечения фибрилляции предсердий в клинике, разработанный алгоритм бинарной классификации электрограмм алгоритмами машинного обучения запатентован.

Степень достоверности полученных результатов обеспечивается публикациями и выступлениями на конференциях. Результаты находятся в соответствии с результатами, полученными другими авторами.

Апробация работы. Основные результаты работы докладывались на следующих конференциях:

1. Medical Imaging with Deep Learning, July 2021, Lubeck, Germany "Ex-vivo to In-vivo Learning in Cardiology"

Alexander M. Zolotarev, Oleg Y. Rogov, Aleksei V. Mikhailov, John D. Hummel, Vadim V Fedorov, Dmitry V. Dylov

2. Heart Rhythm Society Annual Sessions 2019, May 2019, San Francisco, USA

"Machine Learning Trained with Optical Mapping Enhances Detection of Atrial Fibrillation Drivers for Clinical Multi-Electrode Mapping" Alexander Zolotarev; Ekaterina Ivanova; Brian J. Hansen; Katelynn M. Helfrich; Dmitry D. Dylov; Vadim V. Fedorov

3. American Heart Association's Scientific Sessions, November 2019, Philadelphia, USA

"Unmasking Hidden Hubs of Reentry Driving Persistent Atrial Fibrillation Through Challenge of Driver Physiology"

Brian J Hansen; Katelynn M Helfrich; Jichao Zhao; Ning Li; Nicholas Salgia; Mustafa M Hoummsse; Alexander Iancau; Alexander Zolotarev; Dmitry Dylov; Stanislav Zakharkin; Anuradha Kalyanasundaram; Esthela Artiga; Omar Kahaly; Paul M Janssen; Peter J Mohler; Nahush Mokadam; Bryan Witson; Muhammad R Afzal; Orlando Simonetti; John Hummel; Vadim V Fedorov

4. Heart Rhythm Society Annual Sessions 2018, May 2018, Boston, USA "Integration Of Electrophysiologic And Structural Features Of Human Reentrant Atrial Fibrillation Driver Regions To Guide Catheter Ablation" Brian Hansen; Jichao Zhao; Ning Li; Brian Pederson; Alexander Zolotarev; Suhaib Abudulwahed; Katelynn Helfrich; Sean Collins; Anna Bratasz; Kimerly Powell; Bryan Whitson; Peter Mohler;Paul Janssen; Raul Weiss; John Hummel; Vadim V. Fedorov

Личный вклад в работах с соавторами заключался в: [1] - реализации численных алгоритмов, статистической обработке результатов; [2] - разработке дизайна исследования, формировании выборки, предобработке данных, проведении экспериментов, написании статьи; [3] - предобработке данных, проведении вычислительных экспериментов.

Публикации. Основные результаты по теме диссертации изложены в 8 печатных изданиях, 3 из которых изданы в журналах, входящих в базы Web of Science, Scopus [1—3], 4 — в тезисах докладов конференций, 1 — является патентом [4].

Объем и структура работы. Диссертация состоит из введения, пяти глав, заключения и приложения. Полный объём диссертации составляет 107 страниц с 26 рисунками и 16 таблицами. Список литературы содержит 141 наименование.

1. Модели автоволновых колебаний

1.1 Автоволновые колебания в сердечной ткани

Автоволновые колебания широко распространены в химических [5] и биологических (в нейронах [6] и сердечной ткани [7]) системах. Процессы, происходящие в результате колебаний в сердечной ткани, особенно интересны и актуальны для здравоохранения, так как они могут вызывать сердечные аритмии, серьезные и жизнеугрожающие нарушения нормального сердечного ритма.

Первая попытка количественно описать динамику прохождения электрических сигналов по биологической ткани была предпринята в 1952 году Ходжки-ном и Хаксли[8], которые получили Нобелевскую премию по медицине и физиологии за описание прохождение волн возбуждения в аксоне гигантского кальмара. Первая же модель, связанная с сердечной тканью, была предложена Noble [9] в 1960 году. С тех пор появилось значительное количество моделей (более 100 различных вариаций[10—13]), описывающих различные аспекты волн возбуждения в сердце.

В качестве примера можно привести тип моделей, описывающих сердечную ткань как совокупность клеток и внеклеточного пространства, разделенных клеточной мембраной и связанных электрически [14; 15]. Тогда для каждого компартмента (клеточного и внеклеточного пространства) можно записать закон Ома в общем виде, а также формулу расчета трансмембранного тока в виде системы дифференциальных уравнений:

где Ут - трансмембранный потенциал, - отношение между площадью поверхности и объемом клетки, Ст - электрическая емкость мембраны клетки, ¿¿0П -ионный ток через мембрану клетки, фе - электрический потенциал внеклеточного пространства, О^ и Ое - тензоры электрической проводимости внутри- и внеклеточного пространства соответственно.

(1.1)

V • ((G, + Ge) V0e) = -v • (G,VVm)

Тензоры электрической проводимости в уравнении определяются анизотропией сердечной ткани, которая в свою очередь зависит от пространственной ориентации клеток [16].

Если предположить, что электрические проводимости во внутри- и внеклеточном пространстве связаны и пропорциональны, то можно получить формулу для описания динамики возбуждения в сердечной ткани в рамках монодоменной модели [14; 17; 18]:

ж = - ё (12)

где I) - тензор диффузии.

Ключевым параметром в уравнении является тензор диффузии О [14]. Для математического моделирования распространения волн возбуждения в сердечной ткани можно аппроксимировать этот тензор с помощью обобщенных структур с идеализированной геометрией [19], либо получить точное значение тензора с помощью гистологии [20], конфокальной микроскопии или МРТ высокого разрешения [16; 21—23]. Точное значение тензора позволяет построить персонифицированную модель и точно предсказать расположение источника автоволновых колебаний [24], но его получение требует больших временных и денежных затрат [25].

В диссертации был исследован альтернативный метод моделирования автоволновых волн в сердечной ткани без включения в модель точной пациент-специфичной трехмерной структуры предсердия. Вместо этого анализировалась двухмерная аппроксимация структуры сердца, полученная с помощью инфракрасного оптического картирования в сочетании с современными моделями машинного обучения (Рисунок 1.1).

1.2 Фибрилляция предсердий

Фибрилляция предсердий - наиболее частое нарушение ритма сердца в мире и ведущая причина ишемического инсульта [26—28]. Более чем 40 миллионов людей, страдающих фибрилляцией предсердий по всему миру в настоящее время, имеют повышенный в 5 раз риск развития ишемического инсульта, чем

Расположение драйвера ФП

Л

✓

У

У

Рис. 1.1 — Идея диссертационной работы - применение моделей машинного

обучения, обученных на данных оптического (ОК) и электродного (ЭК) картирования эпизодов фибрилляции предсердий (ФП) эксплантированных сердец (вх-юто), для определения локализации драйвера ФП у пациентов (т-юто) вместо пациент-специфичного математического моделирования.

в среднем по популяции [29]. Фибрилляцию предсердий можно разделить на несколько типов - впервые выявленную, пароксизмальную (возникающую эпизодами - пароксизмами длительностью до 48 часов и прекращающуюся самостоятельно), персистирующую (длительностью более 7 дней или не способную прекратиться самостоятельно), длительно персистирующую (длительностью более одного года) и постоянную [30]. Классическая работа 1998 года [31] показала, что источником фибрилляции предсердий могут выступать участки миокарда или триггеры, расположенные в устьях легочных вен (более чем 90% случаев). Физическое устранение этих триггеров, или аблация, является на сегодняшний день наиболее простым и достаточно успешным хирургическим лечением фибрилляции предсердий.

К сожалению, аблация легочных вен не всегда приводит к избавлению от фибрилляции, так как источники могут находится в других областях предсерд-ной ткани. Механизмы источников фибрилляции остаются не до конца выясненными [32]. Существуют две альтернативные концепции - теория множественных волн микрореентри и теория спиральных волн.

Теория множественных волн микрореентри, предложенная в 1959 году Мое [33] , рассматривала процесс фибрилляции как взаимодействие множества волн микрореентри, причем если их общее количество было выше определенного порога, то аритмия могла поддерживаться длительное время. Правомочность

этой гипотезы была показана экспериментальными исследованиями, например, Allessie [34] наблюдал от 4 до 8 независимых волн микрореентри при фибрилляции в предсердиях собаки. Однако прямого доказательства этой гипотезы так и не появилось, и в последнее время наибольшую поддержку получила альтер-нитивная гипотеза спиральных волн. [32] Уже в 1970 годы Allessie [35] показал, что спиральная волна, возбуждающая фибрилляцию в сердце кролика, не требует никакого анатомического каркаса. А уже в этом году появилось первое исследование, описывающее непосредственное наблюдение спиральных волн на эпикардиальной поверхности миокарда [36].

Множество экспериментальных [37; 38] и клинических [39—41] исследований подтверждают, что фибрилляция предсердий может вызываться и поддерживаться локализованными источниками вне легочных вен, или так называемыми драйверами. Аблация драйвера может замедлить частоту фибрилляции (уменьшить длительность цикла реентри > 10% ), перевести ее в предсердную тахикардию или восстановить нормальный синусовый ритм [42].

1.3 Методы картирования электрической активности сердца

Для визуализации распространения фронта электрического возбуждения в предсердиях были использованы две широко распространенные методики картирования - электродное и оптическое картирование.

Электродное картирование сердечных тканей заключается в том, что на поверхность сердца накладывается электродная сетка, состоящая из 64 электродов. При прохождении электрического сигнала через область, имеющую контакт с электродом, этот электрод записывает электрограмму, а в дальнейшем, зная пространственное расположение электродной сетки на ткани, можно построить карту распространения фронта возбуждения в этой области. Для клинического электродного картирования использовались катетеры типа корзина (basket, Abbott EP) [41], представляющие собой 8 проволочек, образующие глобус, с общим началом и концом, и восемью электродами, последовательно размещенными на каждой проволочке.

Для электродного картирования эксплантированных сердец использовались два типа 64-электродных катетеров - высокого и низкого разрешения, предоставленные Abbott EP. Катетер низкого разрешения был переделан в плоский из катетера типа корзина (basket) при сохранении основных клинических параметров - межэлектродного расстояния 9 мм и размера электрода 1 на 2 мм2. У катетера высокого разрешения межэлектродное расстояние составляло 3 мм, диаметр электрода 1 мм и площадь покрытия 22 на 22 мм2. Длина записи эпизодов фибрилляции предсердий варьировала от 8 до 16 секунд. Катетеры располагались на сердечной ткани таким образом, чтобы полностью покрывать область драйвера.

Драйверы фибрилляции предсердий могут быть визуализированы на ак-тивационной карте электродного картирования как полное реентри (угол вращения реентри > 270°), частичное реентри (угол вращения > 180°) или фокус (рисунок 1.2). С помощью цветов на тепловой карте обозначены изохроны максимума сигнала, нулю миллисекунд (началу распространения волны возбуждения) соответствует синяя область, а концу цикла возбуждения - красная. Соответственно, сигнал распространялся от синих областей к красным, направление фронта возбуждения для наглядности показано стрелкой, области одинакового цвета возбуждались в одно и то же время.

К сожалению, клиническое электродное картирование может детектировать электрическую активность лишь с поверхности сердечной ткани и обладает низкой разрешающей способностью, что значительно ухудшает возможности этой методики [43].

С другой стороны, оптическое картирование субмиллиметрового разрешения позволяет изучать динамику проведения электрических сигналов по сердечной ткани на клеточном уровне и способно фиксировать оптические потенциалы действия на значительном расстоянии от поверхности ткани (0.5 - 1 мм в глубину для краски видимого спектра и 1 - 4 мм для краски ближнего ИК-спектра [44]). Ключевой особенностью оптического картирования является зависимость цвета окрашенной клетки от ее потенциала действия во время прохождения электрического сигнала, таким образом, по изменению цвета ткани на снимках высокоскоростных камер можно ретроспективно оценить форму, направление и источник волны возбуждения. В экспериментах использовалась потенциал-зависимая краска ближнего ИК-спектра di-4-ANBDQBS [45] в дозе 10 - 40 мкМ, а

Реентри (>270°) Частичное реентри (>180°)

12345678 12345678

Фокус Хаос

l_|l__| _■

12345678 12345678

Пациент №6

Рис. 1.2 — Различные варианты визуализации драйвера фибрилляции

предсердий.

также 3 или 4 высокоскоростные CMOS камеры (MiCAM Ultima-L, SciMedia Ltd, CA). Также следует отметить высокое разрешение получаемых снимков -100 на 100 пикселей [39].

1.4 Выборки

1.4.1 Клинические электрограммы

В рамках клинического исследования, проходящего с ноября 2016 года по декабрь 2018 года в Клиническом центре им. Векснера Университета штата Огайо, 10 пациентов проходили радиочастотную аблацию фибрилляции предсердий. 3 операции было проведено впервые, а 7 - повторно. Вначале каждому пациенту была проведена первичная или повторная изоляция легочных вен, затем проводилась электродное картирование участков предсердий для поиска драйверов ФП. Одноминутные однополярные электрограммы были получены с помощью 64-электродных катетеров типа корзина (basket) FIRMap (Abbott EP) и анализировались во время операции с помощью программы RhythmView, после чего производилась аблация драйвера. Если в результате аблации восстанавливался синусовый ритм, то проводилась попытка индукции фибрилляции с помощью высокочастотной электрической стимуляции для проверки эффективности аблации. Все 15 эпизодов фибрилляции закончились успешной аблацией. Спустя 3 месяца после аблации все пациенты проходили контрольное обследование на возникновение фибрилляции предсердий, после чего принималось решение о фармакологической терапии. Полная информация по результатам аблации у каждого пациента приведена в Таблице 1. Постоперационный анализ 64-электродной одноминутной записи пациента включал в себя аннотацию типа драйвера (реентри, частичное реентри и фокус) и временной стабильности (от 0 до 100%) драйвера ФП для каждого из 15 4-секундных сегментов, осуществленную вручную двумя исследователями независимо друг от друга.

Таблица 1 — Результаты аблаций драйверов фибрилляции предсердий (ФП) у пациентов с персистирующей формой ФП. ПТ - предсердная тахикардия.

Пациент Аблация 1го др-ра Аблация 2го др-ра Аблация 3го др-ра

1 Окончание ФП

2 Окончание ФП

3 Окончание ФП

4 Перевод в ПТ

5 Окончание ФП Окончание ФП

6 Окончание ФП Окончание ФП

7 Замедление (17%) Замедление (11%) Перевод в ПТ

8 Окончание ФП

9 Окончание ФП Окончание ФП

10 Перевод в ПТ

1.4.2 Записи эпизодов фибрилляции предсердий эксплантированных сердец

Анонимизированные и кодированные эксплантированные сердца человека были получены от отдела трансплантологии сердца Университета штата Огайо и некоммерческой организации Lifeline of Ohio в соответствии с протоколом комитета Университета штата Огайо. Эти сердца после эксплантации и наложения зажима на аорту подвергались кардиоплегии и охлаждались до 4-7 °С в операционном блоке. В дальнейшем сердца содержались в холодном кардиопле-гическом растворе (4 °С) во время транспортировки в лабораторию, диссекции и канюляции. Сразу после экстракции в кардиоплегический раствор добавлялся активатор калиевых каналов диазоксид, чтобы замедлить повреждение клеток и эдему [46] .

Для участия в исследованиях отбирались сердца с длительными эпизодами ФП (> 10 минут) и с драйверами ФП, подтвержденными с помощью оптического картирования. Использовались следующие критерии исключения для эпизодов персистирующей ФП в эксплантированных сердцах человека:

1. Электродная сетка не полностью покрывала область драйвера ФП, определенную по данным оптического картирования.

2. Исключались эпизоды с 2 или 3 конкурирующими драйверами во течении 8 или 16-секундной записи.

3. Исключались эпизоды, в которых не получалось индуцировать фибрилляцию предсердий согласно протоколу. Итого были отобраны 11 сердец с одновременными записями эпизодов ФП методами оптического и электродного картирования, драйвер в этих эпизодах был единственным и локализованным. В 8 из 11 сердец локализация драйвера была подтверждена направленной радиочастотной аблацией, осуществленной после картирования. Полный список и характеристики сердец приведены в Таблице 2.

Таблица 2 — Характеристики эксплантированных предсердий, картированных с помощью катетеров высокого (ВР) и низкого (НР) разрешения с эндокардиальной (Эндо) или эпикардиальной (Эпи) сторон миокарда. Указывается, картировались ли оба предсердия или правое предсердие (ПП). ОК, ЭК - оптическое и электродное картирования соответственно.

Сердце Предсердия ЭК ОК Шифр

1 Оба НР Эпи НР 1

2 ПП НР Эпи/Эндо НР 2, НР 3

НР Эпи/Эндо НР 4, НР 5

3 ПП НР Эндо НР 6

НР Эпи/Эндо НР 7, НР 8

4 ПП НР Эндо НР _ 9

5 ПП НР Эпи/Эндо НР 10, НР 11

НР Эпи/Эндо НР 12, НР 13

НР Эпи/Эндо НР 14, НР 15

НР Эпи/Эндо НР _16, НР _17

6 ПП НР Эпи/Эндо НР 18, НР 19

НР Эпи/Эндо НР _ 20, НР _ 21

7 Оба НР/ВР Эндо ВР 1, НР 22

НР/ВР Эндо ВР _ 2, НР _ 23

8 Оба НР/ВР Эндо ВР 3, НР 24

9 Оба НР Эндо НР 25

10 Оба ВР Эпи ВР 4

11 Оба ВР Эпи ВР 5

ВР Эпи ВР 6

ВР Эпи ВР 7

Желудочки были отсечены от предсердий, так как целью исследований была фибрилляция предсердий, в то время как сигнал желудочков значительно зашумляет предсердные сигналы. Предсердия в ходе экспериментов перфу-

зировались через коронарные артерии и находились в специальном растворе. Этот раствор представлял собой оксигенированный раствор Рингера с температурой 36.5 ± 0.5° С, постоянным pH 7.35 ± 0.05 и под постоянным давлением 55 ± 5 мм рт.ст. При таких условиях эксперимента стабильные проводимость и реполяризация поддерживаются в течении 6-8 часов.

На каждом предсердии производился длинный разрез правой коронарной артерии вдоль трискупидального клапана, который затем был канюлирован гибкой пластиковой канюлей (диаметр 2 мм), сделанной вручную. Все артерии, кровоснабжающие желудочки, были перевязаны с помощью шелковой нити. Для оценки качества перфузии использовалось добавление специальной синей краски Methylene Blue dye (Sigma, St.Louis, MO) в кардиоплегическую ванну. Выявляемые скудно перфузируемые участки ткани были отсечены, чтобы в эксперименте участвовали только неишемизированные участки миокарда.

Электрограммы записывались одновременно с записями оптического картирования. Для предотвращения артефактов движения в сердечную ткань вводился ингибитор АТФ-азной активности миозина II блеббистатин, широко используемый для оптического картирования, в дозе 10 мкМ [47; 48]. Время активации определялось по максимуму производной оптического потенциала действия.

Вначале проводимость и реполяризация клеток миокарда оценивались при синусовом ритме или при навязанном ритме периодичностью 500 миллисекунд (соответствует частоте 2 Герца), если синусовый узел в образце отсутствовал. Если при такой длительности цикла фибрилляция предсердий не начиналась, то производились попытки индуцировать аритмию, увеличивая навязанную частоту цикла в отсутствие инъекций фармакологических препаратов. Если такая индукция была безуспешной или спонтанно останавливалась, то фибрилляция предсердий индуцировалась фармакологически добавлением в коронарные артерии изопротеренола в концентрациях от 1 до 10 нмоль/литр, причем индукция фибрилляции проверялась при каждой концентрации вещества (шаг 1 нмоль/л).

Это фармакологическое средство вызывает укорочение потенциала действия, что в нормальной физиологии вызывается влиянием нервной системы и стресса [39; 49; 50]. В последующих попытках индукции, чтобы не повышать титр изопротеренола 10 нмоль/л (при более высоких концентрациях возможно

восстановление сократительной функции сердца), использовался агонист АТФ-зависимых калиевых каналов пинацидил в концентрациях от 3 до 10 нмоль/л. Пинацидил в таких дозах достоверно вызывает фибрилляцию предсердий в эксплантированных человеческих предсердиях [50]. Титр пинацидила так же не превышал 10 ммоль/л, чтобы избежать чрезмерного укорочения потенциала действия. Таким образом, на протяжении всего эксперимента и любого формата индукции аритмии длительность потенциалов действия оставалась в рамках, характерных для пациентов с персистирующей ФП [51].

2. Модели искусственного интеллекта

В данной диссертационной работе изучалась возможность решения проблемы детекции источников автоволновых колебаний в сердечной ткани с помощью методов машинного обучения.

Уже было продемонстрировано, что методы машинного обучения могут успешно применяться в кардиологии для классификации записей ЭКГ на несколько классов - синусовый ритм, фибрилляция предсердий, а также другие типы аритмий [52; 53]. Отдельно хочется выделить статью, где пациенты с пароксизмальной формой фибрилляции предсердий успешно диагностируются по данным ЭКГ с синусовым ритмом [54]. Нейронные сети, а именно физико-информированные, используются для поиска решений уравнения монодоменной модели 1.2 и поиска различных электрофизиологических параметров, таких как тензор диффузии [55].

Список литературы диссертационного исследования кандидат наук Золотарев Александр Маркович, 2022 год

Список литературы

1. Human Atrial Fibrillation Drivers Resolved With Integrated Functional and Structural Imaging to Benefit Clinical Mapping / B. J. Hansen [и др.] // JACC: Clinical Electrophysiology. — 2018. — Т. 4, № 12. — С. 1501—1515. — DOI: https://doi.org/10.1016/j.jacep.2018.08.024.

2. Optical Mapping-Validated Machine Learning Improves Atrial Fibrillation Driver Detection by Multi-Electrode Mapping / A. M. Zolotarev [и др.] // Circulation: Arrhythmia and Electrophysiology. — 2020. — Т. 13, № 10. — e008249. — DOI: 10.1161/CIRCEP.119.008249.

3. Unmasking Arrhythmogenic Hubs of Reentry Driving Persistent Atrial Fibrillation for Patient-Specific Treatment / B. J. Hansen [и др.] // Journal of the American Heart Association. — 2020. — Т. 9, № 19. — e017789. — DOI: 10.1161/JAHA.120.017789.

4. ARTIFICIAL INTELLIGENCE TRAINED WITH OPTICAL MAPPING TO IMPROVE DETECTION OF CARDIAC ARRHYTHMIA SOURCES : patent no. WO/2020/226534 US / V. V. FEDOROV [et al.]. — 2020.

5. Zaikin A. N., Zhabotinsky A. M. Concentration Wave Propagation in Two-dimensional Liquid-phase Self-oscillating System //. — 1970. — Февр. — Т. 225, № 5232. — С. 535—537. — DOI: 10.1038/225535b0.

6. Shibata M, Bures J. Optimum topographical conditions for reverberating cortical spreading depression in rats // Journal of Neurobiology. — 1974. — Т. 5, № 2. — С. 107—118. — DOI: https://doi.org/10.1002/neu.480050203.

7. Mikhailov A., Krinsky V. Rotating spiral waves in excitable media: The analytical results // Physica D: Nonlinear Phenomena. — 1983. — Т. 9, № 3. — С. 346—371. — DOI: https://doi.org/10.1016/0167-2789(83)90277-4. — URL: https://www.sciencedirect.com/science/article/pii/0167278983902774.

8. Hodgkin A. L, Huxley A. F. A quantitative description of membrane current and its application to conduction and excitation in nerve // The Journal of Physiology. — 1952. — Т. 117, № 4. — С. 500—544. — DOI: https://doi. org/10.1113/jphysiol.1952.sp004764. — eprint: https://physoc.onlinelibrary.

wiley.com/doi/pdf/10.1113/jphysiol.1952.sp004764. — URL: https://physoc. onlinelibrary.wiley.com/doi/abs/10.1113/jphysiol.1952.sp004764.

9. Noble D. Cardiac Action and Pacemaker Potentials based on the Hodgkin-Huxley Equations // Nature. — 1960. — Т. 188. — С. 495—497.

10. The CellML Model Repository / C. M. Lloyd [и др.] // Bioinformatics. — 2008. — Июль. — Т. 24, № 18. — С. 2122—2123. — DOI: 10 . 1093 / bioinformatics/btn390. — eprint: https://academic.oup.com/bioinformatics/ article-pdf/24/18/2122/478206/btn390.pdf. — URL: https://doi.org/10. 1093/bioinformatics/btn390.

11. Noble D., Garny A., Noble P. J. How the Hodgkin-Huxley equations inspired the Cardiac Physiome Project // The Journal of Physiology. — 2012. — Т. 590, № 11. — С. 2613—2628. — DOI: https://doi.org/10.1113/jphysiol.2011. 224238. — eprint: https://physoc.onlinelibrary.wiley.com/doi/pdf/10.1113/ jphysiol.2011.224238. — URL: https://physoc.onlinelibrary.wiley.com/doi/ abs/10.1113/jphysiol.2011.224238.

12. FitzHugh R. Impulses and Physiological States in Theoretical Models of Nerve Membrane // Biophysical Journal. — 1961. — Т. 1, № 6. — С. 445—466. — DOI: https://doi.org/10.1016/S0006-3495(61) 86902-6. — URL: https: //www.sciencedirect.com/science/article/pii/S0006349561869026.

13. Aliev R. R., Panfilov A. V. A simple two-variable model of cardiac excitation // Chaos, Solitons Fractals. — 1996. — Т. 7, № 3. — С. 293— 301. — DOI: https://doi.org/10.1016/0960-0779(95)00089-5. — URL: https://www.sciencedirect.com/science/article/pii/0960077995000895.

14. Models of cardiac tissue electrophysiology: Progress, challenges and open questions / R. Clayton [и др.] // Progress in Biophysics and Molecular Biology. — 2011. — Т. 104, № 1. — С. 22—48. — DOI: https://doi.org/10. 1016/j.pbiomolbio.2010.05.008. — Cardiac Physiome project: Mathematical and Modelling Foundations.

15. Colli Franzone P., Pavarino L., Taccardi B. Simulating patterns of excitation, repolarization and action potential duration with cardiac Bidomain and Monodomain models // Mathematical Biosciences. — 2005. — Т. 197, № 1. — С. 35—66. — DOI: https://doi.org/10.1016/j.mbs.2005.04.003. — URL: https://www.sciencedirect.com/science/article/pii/S0025556405000738.

16. Ex vivo 3D diffusion tensor imaging and quantification of cardiac laminar structure / P. A. Helm [h gp.] // Magnetic Resonance in Medicine. — 2005. — T. 54, № 4. — C. 850—859. — DOI: https://doi.org/10.1002/mrm.20622. — eprint: https://onlinelibrary.wiley.com/doi/pdf/10.1002/mrm.20622. — URL: https://onlinelibrary.wiley.com/doi/abs/10.1002/mrm.20622.

17. 3D virtual human atria: A computational platform for studying clinical atrial fibrillation / O. V. Aslanidi [h gp.] // Progress in Biophysics and Molecular Biology. — 2011. — T. 107, № 1. — C. 156—168. — DOI: https://doi.org/ 10.1016/j.pbiomolbio.2011.06.011. — URL: https://www.sciencedirect.com/ science/article/pii/S0079610711000587 ; Experimental and Computational Model Interactions in Bio-Research: State of the Art.

18. Vigmond E., Aguel F., Trayanova N. Computational techniques for solving the bidomain equations in three dimensions // IEEE Transactions on Biomedical Engineering. — 2002. — T. 49, № 11. — C. 1260—1269. — DOI: 10.1109/TBME.2002.804597.

19. Dependence of local left ventricular wall mechanics on myocardial fiber orientation: A model study // Journal of Biomechanics. — 1992. — T. 25, № 10. — C. 1129—1140. — DOI: https://doi.org/10.1016/0021-9290(92)90069-D.

20. Legrice I. J., Hunter P. J., Smaill B. H. Laminar structure of the heart: a mathematical model // American Journal of Physiology-Heart and Circulatory Physiology. — 1997. — T. 272, № 5. — H2466—H2476. — DOI: 10.1152/ajpheart.1997.272.5.H2466. — PMID: 9176318.

21. Cherry E. M, Fenton F. H. Visualization of spiral and scroll waves in simulated and experimental cardiac tissue // New Journal of Physics. — 2008. — T. 10. — C. 125016.

22. Automatically Generated, Anatomically Accurate Meshes for Cardiac Electrophysiology Problems / A. J. Prassl [h gp.] // IEEE Transactions on Biomedical Engineering. — 2009. — T. 56, № 5. — C. 1318—1330. — DOI: 10.1109/TBME.2009.2014243.

23. Models of cardiac electromechanics based on individual hearts imaging data: Image-based electromechanical models of the heart // Biomechanics and Modeling in Mechanobiology. — 2011. — T. 10, № 3. — C. 295—306. — DOI: 10.1007/S10237-010-0235-5.

24. Trayanova N. A., Winslow R. Whole-Heart Modeling // Circulation Research. — 2011. — T. 108, № 1. — C. 113—128. — DOI: 10.1161 / CIRCRESAHA.110.223610.

25. Faster Diffusion Cardiac MRI with Deep Learning-based breath hold reduction / M. Tanzer [h gp.]. — 2022. — DOI: 10.48550/ARXIV.2206. 10543. — URL: https://arxiv.org/abs/2206.10543.

26. 2017HRS/EHRA/ECAS/APHRS/S0LAECE expert consensus statement on catheter and surgical ablation of atrial fibrillation: Executive summary / H. Calkins [h gp.] // EP Europace. — 2017. — CeHT. — T. 20, № 1. — C. 157— 208. — DOI: 10.1093/europace/eux275. — eprint: https://academic.oup. com/europace/article-pdf/20/1/157/24592933/eux275.pdf. — URL: https: //doi.org/10.1093/europace/eux275.

27. Effect of Catheter Ablation vs Antiarrhythmic Drug Therapy on Mortality, Stroke, Bleeding, and Cardiac Arrest Among Patients With Atrial Fibrillation: The CABANA Randomized Clinical Trial / D. L. Packer [h gp.] // JAMA. — 2019. — Anp. — T. 321, № 13. — C. 1261—1274. — URL: https: / / www. ncbi. nlm. nih. gov / pubmed / 30874766 % 20https: / / www. ncbi. nlm.nih.gov/pmc/articles/PMC6450284/.

28. Catheter Ablation Versus Medical Therapy for Atrial Fibrillation / Z. U. A. Asad [h gp.] // Circulation: Arrhythmia and Electrophysiology. — 2019. — T. 12, № 9. — e007414. — DOI: 10.1161/CIRCEP. 119.007414. — eprint: https: / / www. ahajournals. org/ doi / pdf /10. 1161 / CIRCEP. 119.007414. — URL: https://www.ahajournals.org/doi/abs/10.1161/CIRCEP.119.007414.

29. 2020 ESC Guidelines for the diagnosis and management of atrial fibrillation developed in collaboration with the European Association of Cardio-Thoracic Surgery (EACTS): The Task Force for the diagnosis and management of atrial fibrillation of the European Society of Cardiology (ESC) Developed with the special contribution of the European Heart Rhythm Association (EHRA) of the ESC / G. Hindricks [h gp.] // European Heart Journal. — 2020. — DOI: 10. 1093/eurheartj/ehaa612. — URL: https://doi.org/10.1093/eurheartj/ ehaa612.

30. Guidelines for the management of atrial fibrillation: The Task Force for the Management of Atrial Fibrillation of the European Society of Cardiology

(ESC) / D. with the special contribution of the European Heart Rhythm Association (EHRA) [h gp.] // European Heart Journal. — 2010. — Okt. — T. 31, № 19. — C. 2369—2429. — DOI: 10.1093/eurheartj/ehq278.

31. Spontaneous Initiation of Atrial Fibrillation by Ectopic Beats Originating in the Pulmonary Veins / M. Haissaguerre [h gp.] // New England Journal of Medicine. — 1998. — T. 339, № 10. — C. 659—666. — DOI: 10.1056/ NEJM199809033391003.

32. Paradigm shifts in electrophysiological mechanisms of atrial fibrillation / U. Schotten [h gp.] // EP Europace. — 2020. — ^eK. — T. 23, Supplement_2. — C. ii9—ii13. — DOI: 10.1093/europace/euaa384. — URL: https://doi.org/10. 1093/europace/euaa384.

33. Moe G. K., Abildskov J. A. Atrial fibrillation as a self-sustaining arrhythmia independent of focal discharge. // American heart journal. — 1959. — T. 58 1.

34. Allessie M. A. Experimental evaluation of Moe's multiple wavelet hypothesis of atrial fibrillation //. — 1985.

35. Allessie, Bonke, Schopman. Circus movement in rabbit atrial muscle as a mechanism of tachycardia. III. The "leading circle"concept: a new model of circus movement in cardiac tissue without the involvement of an anatomical obstacle. // Circulation Research. — 1977. — T. 41, № 1. — C. 9—18. — DOI: 10.1161/01.RES.41.1.9.

36. Direct observation of a stable spiral wave reentry in ventricles of a whole human heart using optical mapping for voltage and calcium / I. Uzelac [h gp.] // Heart rhythm. — 2022. — HroHb. — S1547—5271(22)02076—8. — DOI: 10.1016/j.hrthm.2022.06.015. — URL: https://doi.org/10.1016/j.hrthm.2022. 06.015.

37. Stable Microreentrant Sources as a Mechanism of Atrial Fibrillation in the Isolated Sheep Heart / R. Mandapati [h gp.] // Circulation. — 2000. — T. 101, № 2. — C. 194—199. — DOI: 10.1161/01.CIR.101.2.194.

38. Mapping of Atrial Activation During Sustained Atrial Fibrillation in Dogs with Rapid Ventricular Pacing Induced Heart Failure: Evidence for a Role of Driver Regions / K. RYU [h gp.] // Journal of Cardiovascular

Electrophysiology. — 2005. — T. 16, № 12. — C. 1348—1358. — DOI: https: //doi.org/10.1111/j.1540-8167.2005.00266.x. — eprint: https://onlinelibrary. wiley.com/doi/pdf/10.1111/j.1540-8167.2005.00266.x. — URL: https: //onlinelibrary.wiley.com/doi/abs/10.1111/j.1540-8167.2005.00266.x.

39. Atrial fibrillation driven by micro-anatomic intramural re-entry revealed by simultaneous sub-epicardial and sub-endocardial optical mapping in explanted human hearts / B. J. Hansen [h gp.] // European Heart Journal. — 2015. — T. 36, № 35. — C. 2390—2401.

40. Driver domains in persistent atrial fibrillation // Circulation. — 2014. — T. 130, № 7. — C. 530—538.

41. Treatment of Atrial Fibrillation by the Ablation of Localized Sources: CONFIRM (Conventional Ablation for Atrial Fibrillation With or Without Focal Impulse and Rotor Modulation) Trial / S. M. Narayan [h gp.] // Journal of the American College of Cardiology. — 2012. — Abr — T. 60, № 7. — C. 628—636. — DOI: 10.1016/J.JACC.2012.05.022. — URL: https://www. sciencedirect.com/science/article/pii/S0735109712021377.

42. Maintenance of Atrial Fibrillation: Are Reentrant Drivers with Spatial Stability the Key? / B. J. Hansen [h gp.] // Circulation: Arrhythmia and Electrophysiology. — 2016. — T. 9, № 10. — C. 1—12.

43. Spatial Resolution Requirements for Accurate Identification of Drivers of Atrial Fibrillation / C. H. Roney [h gp.] // Circulation: Arrhythmia and Electrophysiology. — 2017. — T. 10, № 5. — e004899. — DOI: 10.1161/ CIRCEP.116.004899.

44. Visualizing excitation waves inside cardiac muscle using transillumination. / W. T. Baxter [h gp.] // Biophysical journal. — 2001. — T. 80 1. — C. 516—30.

45. Near-infrared voltage-sensitive fluorescent dyes optimized for optical mapping in blood-perfused myocardium. / A. Matiukas [h gp.] // Heart rhythm. — 2007. — T. 4 11. — C. 1441—51.

46. Diazoxide Maintains Human Myocyte Volume Homeostasis During Stress / S. K. Maffit [h gp.] // Journal of the American Heart Association. — 2012. — T. 1, № 2. — e000778. — DOI: 10.1161/JAHA.112.000778.

47. Optical Mapping of the Isolated Coronary-Perfused Human Sinus Node / V. V. Fedorov [h gp.] // Journal of the American College of Cardiology. — 2010. — T. 56, № 17. — C. 1386—1394. — DOI: https://doi.org/10.1016/j. jacc.2010.03.098. — URL: https://www.sciencedirect.com/science/article/ pii/S0735109710034571.

48. Application of blebbistatin as an excitation-contraction uncoupler for electrophysiologic study of rat and rabbit hearts / V. V. Fedorov [h gp.] // Heart Rhythm. — 2007. — T. 4, № 5. — C. 619—626. — DOI: https://doi. org/10.1016/j.hrthm.2006.12.047. — URL: https://www.sciencedirect.com/ science/article/pii/S1547527106023629.

49. Adenosine-Induced Atrial Fibrillation / N. Li [h gp.] // Circulation. — 2016. — T. 134, № 6. — C. 486—498. — DOI: 10.1161/CIRCULATIONAHA. 115. 021165.

50. Effects of KATP channel openers diazoxide and pinacidil in coronary-perfused atria and ventricles from failing and non-failing human hearts / V. V. Fedorov [h gp.] // Journal of Molecular and Cellular Cardiology. — 2011. — T. 51, № 2. — C. 215—225. — DOI: https ://doi. org/10 . 1016/j.yjmcc . 2011. 04 . 016. — URL: https : / / www . sciencedirect. com / science / article / pii / S0022282811001763.

51. Repolarization and Activation Restitution Near Human Pulmonary Veins and Atrial Fibrillation Initiation: A Mechanism for the Initiation of Atrial Fibrillation by Premature Beats / S. M. Narayan [h gp.] // Journal of the American College of Cardiology. — 2008. — T. 52, № 15. — C. 1222—1230. — DOI: https://doi.org/10.1016/j.jacc.2008.07.012. — URL: https://www. sciencedirect.com/science/article/pii/S0735109708024340.

52. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network / A. Y. Hannun [h gp.] // Nature Medicine. — 2019. — T. 25. — C. 65—69.

53. ECG signal classification for the detection of cardiac arrhythmias using a convolutional recurrent neural network / Z. Xiong [h gp.] // Physiological Measurement. — 2018. — CeHT. — T. 39, № 9. — C. 094006. — DOI: 10.1088/ 1361-6579/aad9ed. — URL: https://doi.org/10.1088/1361-6579/aad9ed.

54. An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm: a retrospective analysis of outcome prediction / Z. I. Attia [h gp.] // The Lancet. — 2019. — T. 394. — C. 861—867.

55. EP-PINNs: Cardiac Electrophysiology Characterisation Using Physics-Informed Neural Networks / C. H. Martin [h gp.] // Frontiers in Cardiovascular Medicine. — 2021. — T. 8.

56. Machine learning methods for locating re-entrant drivers from electrograms in a model of atrial fibrillation / M. F. McGillivray [h gp.] // Royal Society Open Science. — 2018. — T. 5, № 4. — C. 172434. — DOI: 10.1098/rsos.172434. — URL: https://royalsocietypublishing.org/doi/abs/10.1098/rsos.172434.

57. F.R.S. K. P. LIII. On lines and planes of closest fit to systems of points in space // The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science. — 1901. — T. 2, № 11. — C. 559—572. — DOI: 10.1080/ 14786440109462720.

58. Unsupervised classification of dimension-reduced principal component scores from persistent atrial fibrillation electrograms / A. Nadim [h gp.] // 17th International Symposium on Medical Information Processing and Analysis. T. 12088 / nog peg. L. Rittner [h gp.]. — International Society for Optics, Photonics. SPIE, 2021. — C. 444—453. — DOI: 10.1117/12.2606172. — URL: https://doi.org/10.1117/12.2606172.

59. Automatic quality electrogram assessment improves phase-based reentrant activity identification in atrial fibrillation / A. Costoya-Sanchez [h gp.] // Computers in Biology and Medicine. — 2020. — T. 117. — C. 103593. — DOI: https://doi.org/10.1016/j.compbiomed.2019.103593. — URL: https: //www.sciencedirect.com/science/article/pii/S0010482519304433.

60. Feature subset selection and classification of intracardiac electrograms during atrial fibrillation / S. Duque [h gp.] // Biomedical Signal Processing and Control. — 2017. — CeHT. — T. 38. — C. 182—190. — DOI: 10.1016/j.bspc. 2017.06.005.

61. A Deep Learning Network for the Classification of Intracardiac Electrograms in Atrial Tachycardia / Z. Chen [h gp.]. — 2022. — DOI: 10.48550/ARXIV. 2206.07515. — URL: https://arxiv.org/abs/2206.07515.

62. Deep Learning Classification of Unipolar Electrograms in Human Atrial Fibrillation: Application in Focal Source Mapping / S. Liao [h gp.] // Frontiers in Physiology. — 2021. — T. 12. — DOI: 10.3389/fphys.2021.704122. — URL: https://www.frontiersin.org/articles/10.3389/fphys.2021.704122.

63. Rotor Localization and Phase Mapping of Cardiac Excitation Waves Using Deep Neural Networks / J. Lebert [h gp.] // Frontiers in Physiology. — 2021. — T. 12. — DOI: 10.3389/fphys.2021.782176. — URL: https://www. frontiersin.org/article/10.3389/fphys.2021.782176.

64. Machine Learning to Classify Intracardiac Electrical Patterns During Atrial Fibrillation / M. I. Alhusseini [h gp.] // Circulation: Arrhythmia and Electrophysiology. — 2020. — T. 13, № 8. — e008160. — DOI: 10.1161/ CIRCEP.119.008160.

65. Christoph J., Lebert J. Inverse mechano-electrical reconstruction of cardiac excitation wave patterns from mechanical deformation using deep learning // Chaos: An Interdisciplinary Journal of Nonlinear Science. — 2020. — T. 30, № 12. — C. 123134. — DOI: 10.1063/5.0023751.

66. The Clinical Application of the Deep Learning Technique for Predicting Trigger Origins in Patients With Paroxysmal Atrial Fibrillation With Catheter Ablation / C.-M. Liu [h gp.] // Circulation: Arrhythmia and Electrophysiology. — 2020. — T. 13, № 11. — e008518. — DOI: 10.1161/ CIRCEP.120.008518.

67. Mulimani M. K., Alageshan J. K., Pandit R. Deep-learning-assisted detection and termination of spiral and broken-spiral waves in mathematical models for cardiac tissue // Phys. Rev. Research. — 2020. — Mafi. — T. 2, Ban. 2. — C. 023155. — DOI: 10. 1103/PhysRevResearch. 2. 023155. — URL: https: //link.aps.org/doi/10.1103/PhysRevResearch.2.023155.

68. Development of a Deep Learning Method to Predict Optimal Ablation Patterns for Atrial Fibrillation / M. Muffoletto [h gp.] // 2019 IEEE Conference on Computational Intelligence in Bioinformatics and Computational Biology (CIBCB). — 2019. — C. 1—4. — DOI: 10.1109/ CIBCB.2019.8791475.

69. Toward Patient-Specific Prediction of Ablation Strategies for Atrial Fibrillation Using Deep Learning / M. Muffoletto [и др.] // Frontiers in Physiology. — 2021. — Т. 12.

70. Reinforcement Learning to Improve Image-Guidance of Ablation Therapy for Atrial Fibrillation / L. Muizniece [и др.] // Frontiers in Physiology. — 2021. — Т. 12. — DOI: 10.3389/fphys.2021.733139. — URL: https://www.frontiersin. org/article/10.3389/fphys.2021.733139.

71. Using Machine Learning to Characterize Atrial Fibrotic Substrate From Intracardiac Signals With a Hybrid in silico and in vivo Dataset / J. Sanchez [и др.] // Frontiers in Physiology. — 2021. — Т. 12. — DOI: 10.3389/fphys. 2021.699291. — URL: https://www.frontiersin.org/articles/10.3389/fphys. 2021.699291.

72. Rumelhart D. E., McClelland J. L. Learning Internal Representations by Error Propagation // Parallel Distributed Processing: Explorations in the Microstructure of Cognition: Foundations. — 1987. — С. 318—362.

73. Shannon C. E. A mathematical theory of communication // The Bell System Technical Journal. — 1948. — Т. 27, № 3. — С. 379—423. — DOI: 10.1002/j. 1538-7305.1948.tb01338.x.

74. Kingma D. P., Ba J. Adam: A Method for Stochastic Optimization // CoRR. — 2015. — Т. abs/1412.6980.

75. Berkson J. Application of the Logistic Function to Bio-Assay // Journal of the American Statistical Association. — 1944. — Т. 39, № 227. — С. 357— 365. — URL: http://www.jstor.org/stable/2280041 (дата обр. 30.06.2022).

76. Cunningham P., Delany S. J. K-Nearest Neighbour Classifiers - A Tutorial // ACM Comput. Surv. — New York, NY, USA, 2021. — Июль. — Т. 54, № 6. — DOI: 10.1145/3459665. — URL: https://doi.org/10.1145/3459665.

77. Cortes C, Vapnik V. Support Vector Networks // Machine Learning. — 1995. — Т. 20. — С. 273—297.

78. Ho T. K. Random decision forests // Proceedings of 3rd International Conference on Document Analysis and Recognition. Т. 1. — 1995. — 278—282 vol.1. — DOI: 10.1109/ICDAR.1995.598994.

79. Chen T, Guestnn C. XGBoost // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. — ACM, 08.2016. — DOI: 10.1145/2939672.2939785. — URL: https://doi.org/10. 1145%5C%2F2939672.2939785.

80. Rosenblatt F. The perceptron: a probabilistic model for information storage and organization in the brain. // Psychological review. — 1958. — T. 65 6. — C. 386—408.

81. Hochreiter S. The Vanishing Gradient Problem During Learning Recurrent Neural Nets and Problem Solutions. // International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems. — 1998. — T. 6, № 2. — C. 107— 116. — URL: http://dblp.uni-trier.de/db/journals/ijufks/ijufks6. html # Hochreiter98.

82. Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural Computation. — 1997. — Hohö. — T. 9, № 8. — C. 1735—1780. — DOI: 10.1162/neco.1997.9.8.1735. — URL: https://doi.org/10.1162/neco.1997.9.8. 1735.

83. Backpropagation Applied to Handwritten Zip Code Recognition / Y. LeCun [h gp.] // Neural Computation. — 1989. — T. 1, № 4. — C. 541—551. — DOI: 10.1162/neco.1989.1.4.541.

84. Deep Residual Learning for Image Recognition / K. He [h gp.]. — 2015. — DOI: 10.48550/ARXIV.1512.03385. — URL: https://arxiv.org/abs/1512.03385.

85. Ronneberger O, Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // Medical Image Computing and ComputerAssisted Intervention - MICCAI 2015. — Cham : Springer International Publishing, 2015. — C. 234—241. — ISBN 978-3-319-24574-4.

86. Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting / X. Shi [h gp.]. — 2015. — DOI: 10.48550/ARXIV. 1506.04214. — URL: https://arxiv.org/abs/1506.04214.

87. Generative Adversarial Networks / I. J. Goodfellow [h gp.]. — 2014. — arXiv: 1406.2661 [stat.ML].

88. Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network / C. Ledig [h gp.] // 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). — 2017. — C. 105—114.

89. Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks / J.-Y. Zhu [h gp.]. — 2017. — MapT. — arXiv: 1703.10593. — URL: http://arxiv.org/abs/1703.10593.

90. Unpaired Synthetic Image Generation in Radiology Using GANs / D. Prokopenko [h gp.] //. — 10.2019. — C. 94—101. — ISBN 978-3-030-32485-8. — DOI: 10.1007/978-3-030-32486-5_12.

91. Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks / J. Zhu [h gp.] // CoRR. — 2017. — T. abs/1703.10593. — arXiv: 1703.10593.

92. Processing and analysis of cardiac optical mapping data obtained with potentiometric dyes / J. I. Laughner [h gp.] // American Journal of Physiology-Heart and Circulatory Physiology. — 2012. — T. 303, № 7. — H753—H765. — DOI: 10.1152/ajpheart.00404.2012. — PMID: 22821993.

93. Rotors Detected by Phase Analysis of Filtered, Epicardial Atrial Fibrillation Electrograms Colocalize With Regions of Conduction Block / P. Podziemski [h gp.] // Circulation: Arrhythmia and Electrophysiology. — 2018. — T. 11, № 10. — e005858. — DOI: 10.1161/CIRCEP.117.005858.

94. Winfree A. Electrical instability in cardiac muscle: Phase singularities and rotors // Journal of Theoretical Biology. — 1989. — T. 138, № 3. — C. 353— 405. — DOI: https://doi.org/10.1016/S0022-5193(89)80200-0. — URL: https://www.sciencedirect.com/science/article/pii/S0022519389802000.

95. Gray R. A., Pertsov A. M, Jalife J. Spatial and temporal organization during cardiac fibrillation // Nature. — 1998. — T. 392. — C. 75—78.

96. Bray M.-A., Wikswo J. P. Considerations in phase plane analysis for nonstationary reentrant cardiac behavior // Phys. Rev. E. — 2002. — T. 65, Ban. 5. — C. 051902. — DOI: 10.1103/PhysRevE.65.051902. — URL: https://link.aps.org/doi/10.1103/PhysRevE.65.051902.

97. Hwang M. [h gp.]. Electrophysiological Rotor Ablation in In-Silico Modeling of Atrial Fibrillation: Comparisons with Dominant Frequency, Shannon Entropy, and Phase Singularity // PLOS ONE. — 2016. — OeBp. — T. 11, № 2. — C. 1—15. — DOI: 10.1371/journal.pone.0149695. — URL: https: //doi.org/10.1371/journal.pone.0149695.

98. Technical Considerations on Phase Mapping for Identification of Atrial Reentrant Activity in Direct- and Inverse-Computed Electrograms / M. Rodrigo [h gp.] // Circulation: Arrhythmia and Electrophysiology. — 2017. — T. 10, № 9. — e005008. — DOI: 10.1161/CIRCEP.117.005008. — eprint: https: //www.ahajournals.org/doi/pdf/10.1161/CIRCEP.117.005008. — URL: https://www.ahajournals.org/doi/abs/10.1161/CIRCEP.117.005008.

99. Reconstruction of Instantaneous Phase of Unipolar Atrial Contact Electrogram Using a Concept of Sinusoidal Recomposition and Hilbert Transform / P. Kuklik [h gp.] // IEEE Transactions on Biomedical Engineering. — 2015. — T. 62, № 1. — C. 296—302. — DOI: 10.1109/TBME. 2014.2350029.

Development of a computer algorithm for the detection of phase singularities and initial application to analyze simulations of atrial fibrillation / R. Zou [h gp.] // Chaos: An Interdisciplinary Journal of Nonlinear Science. — 2002. — T. 12, № 3. — C. 764—778. — DOI: 10.1063/1.1497505.

Rogers J. M. Combined phase singularity and wavefront analysis for optical maps of ventricular fibrillation // IEEE Transactions on Biomedical Engineering. — 2004. — T. 51. — C. 56—65.

Phase Mapping of Cardiac Fibrillation / K. Umapathy [h gp.] // Circulation: Arrhythmia and Electrophysiology. — 2010. — T. 3, № 1. — C. 105—114. — DOI: 10.1161/CIRCEP.110.853804. — eprint: https://www.ahajournals.org/ doi/pdf/10.1161 /CIRCEP. 110.853804. — URL: https://www.ahajournals. org/doi/abs/10.1161/CIRCEP.110.853804.

Identification of Repetitive Activation Patterns Using Novel Computational Analysis of Multielectrode Recordings During Atrial Fibrillation and Flutter in Humans / E. G. Daoud [h gp.] // JACC: Clinical Electrophysiology. — 2017. — T. 3, № 3. — C. 207—216. — DOI: https://doi.org/10.1016/j.jacep.

100.

101.

102.

2016.08.001. — URL: https://www.sciencedirect.com/science/article/pii/ S2405500X16302766.

104. Impact of Adenosine on Wavefront Propagation in Persistent Atrial Fibrillation: Insights From Global Noncontact Charge Density Mapping of the Left Atrium / M. T. B. Pope [h gp.] // Journal of the American Heart Association. — 2022. — T. 11, № 11. — e021166. — DOI: 10.1161/JAHA.121. 021166.

105. Experimental and Theoretical Analysis of Phase Singularity Dynamics in Cardiac Tissue / M.-A. Bray [h gp.] // Journal of Cardiovascular Electrophysiology. — 2001. — T. 12.

106. Propagation of meandering rotors surrounded by areas of high dominant frequency in persistent atrial fibrillation. / J. L. Salinet [h gp.] // Heart rhythm. — 2017. — T. 14 9. — C. 1269—1278.

107. Lee Y.-S. [h gp.]. A New Efficient Method for Detecting Phase Singularity in Cardiac Fibrillation // PLOS ONE. — 2016. — ^eK. — T. 11, № 12. — C. 1—14. — DOI: 10.1371/journal.pone.0167567. — URL: https://doi.org/10. 1371/journal.pone.0167567.

108. Detection Algorithm of Phase Singularity Using Phase Variance Analysis for Epicardial Optical Mapping Data / N. Tomii [h gp.] // IEEE Transactions on Biomedical Engineering. — 2016. — T. 63, № 9. — C. 1795—1803. — DOI: 10.1109/TBME.2015.2502726.

109. Standardizing Single-Frame Phase Singularity Identification Algorithms and Parameters in Phase Mapping During Human Atrial Fibrillation / X. Li [h gp.] // Frontiers in Physiology. — 2020. — T. 11. — C. 869. — DOI: 10 . 3389 / fphys . 2020 . 00869. — URL: https : / / app . dimensions . ai / details / publication / pub . 1129502027 ; https://www.frontiersin.org/articles/10.3389/fphys.2020.00869/pdf.

110. Detection of phase singularities in triangular meshes. / L. J. Rantner [h gp.] // Methods of information in medicine. — 2007. — T. 46 6. — C. 646—54.

111. Detecting phase singularities and rotor center trajectories based on the Hilbert transform of intraatrial electrograms in an atrial voxel model / L. A. Unger [h gp.] // Current Directions in Biomedical Engineering. — 2015. — T. 1,

№ 1. — C. 38—41. — DOI: doi: 10.1515/cdbme-2015-0010. — URL: https: //doi.org/10.1515/cdbme-2015-0010.

112. NG J., GOLDBERGER J. J. Understanding and Interpreting Dominant Frequency Analysis of AF Electrograms // Journal of Cardiovascular Electrophysiology. — 2007. — T. 18, № 6. — C. 680—685. — DOI: https: //doi.org/10.1111/j.1540-8167.2007.00832.x.

113. Spectral Analysis Identifies Sites of High-Frequency Activity Maintaining Atrial Fibrillation in Humans / P. Sanders [h gp.] // Circulation. — 2005. — T. 112, № 6. — C. 789—797. — DOI: 10.1161/CIRCULATIONAHA. 104. 517011. — URL: https : / / www . ahajournals . org / doi / abs / 10 . 1161 / CIRCULATIONAHA.104.517011.

114. Evaluating spatial disparities of rotor sites and high dominant frequency regions during catheter ablation for PersAF patients targeting high dominant frequency sites using non-contacting mapping / M. Ehnesh [h gp.] // Frontiers in Physiology. — 2022. — T. 13. — DOI: 10.3389/fphys.2022.946718. — URL: https://www.frontiersin.org/articles/10.3389/fphys.2022.946718.

115. Dynamics of Intraprocedural Dominant Frequency Identifies Ablation Outcome in Persistent Atrial Fibrillation / A. Pithon [h gp.] // Frontiers in Physiology. — 2021. — T. 12. — DOI: 10.3389/fphys.2021.731917. — URL: https://www.frontiersin.org/articles/10.3389/fphys.2021.731917.

116. Combined Dominant Frequency and Complex Fractionated Atrial Electrogram Ablation After Circumferential Pulmonary Vein Isolation of Atrial Fibrillation / K. KUMAGAI [h gp.] // Journal of Cardiovascular Electrophysiology. — 2013. — T. 24, № 9. — C. 975—983. — DOI: https: //doi.org/10.1111/jce.12166.

117. DENEKE T, SCHADE A., MUGGE A. Dominant Frequency and Complex Fractionated Atrial Electrogram Ablation in Atrial Fibrillation: Regularizing Chaos // Journal of Cardiovascular Electrophysiology. — 2013. — T. 24, № 9. — C. 984—986. — DOI: https://doi.org/10.1111/jce.12184.

118. Role of atrial tissue remodeling on rotor dynamics: an in vitro study / A. M. Climent [h gp.] // American Journal of Physiology-Heart and Circulatory Physiology. — 2015. — T. 309, № 11. — H1964—H1973. — DOI: 10.1152/ ajpheart.00055.2015. — PMID: 26408535.

119. Hansen B. J., Zhao J., Fedorov V. V. Fibrosis and Atrial Fibrillation: Computerized and Optical Mapping: A View Into the Human Atria at Submillimeter Resolution // JACC: Clinical Electrophysiology. — 2017. — T. 3, № 6. — C. 531—546. — DOI: https : / / doi. org/10 . 1016 / j. jacep . 2017. 05 . 002. — URL: https : / / www. sciencedirect. com / science / article / pii/S2405500X17303365.

120. Price W. N. Big data and black-box medical algorithms // Science Translational Medicine. — 2018. — T. 10, № 471. — eaao5333. — DOI: 10. 1126/scitranslmed.aao5333. — eprint: https://www.science.org/doi/pdf/10. 1126/scitranslmed.aao5333. — URL: https://www.science.org/doi/abs/10. 1126/scitranslmed.aao5333.

121. Butterworth S. On the Theory of Filter Amplifiers // Experimental Wireless & the Wireless Engineer. — 1930. — Okt. — T. 7. — C. 536—541.

122. A Quantitative Comparison of Overlapping and Non-Overlapping Sliding Windows for Human Activity Recognition Using Inertial Sensors / A. Dehghani [h gp.] // Sensors. — 2019. — T. 19, № 22. — DOI: 10.3390/ s19225026. — URL: https://www.mdpi.com/1424-8220/19/22/5026.

123. Array programming with NumPy / C. R. Harris [h gp.] // Nature. — 2020. — CeHT. — T. 585, № 7825. — C. 357—362. — DOI: 10.1038/s41586-020-2649-2. — URL: https://doi.org/10.1038/s41586-020-2649-2.

124. SciPy 1.0: Fundamental Algorithms for Scientific Computing in Python / P. Virtanen [h gp.] // Nature Methods. — 2020. — T. 17. — C. 261—272. — DOI: 10.1038/s41592-019-0686-2.

125. Scikit-learn: Machine Learning in Python / F. Pedregosa [h gp.] // Journal of Machine Learning Research. — 2011. — T. 12. — C. 2825—2830.

126. Three-dimensional Integrated Functional, Structural, and Computational Mapping to Define the Structural Fingerprints of Heart-Specific Atrial Fibrillation Drivers in Human Heart Ex Vivo / J. Zhao [h gp.] // Journal of the American Heart Association. — 2017. — T. 6, № 8. — e005922. — DOI: 10.1161/JAHA.117.005922.

127. First In Vivo Use of High-Resolution Near-Infrared Optical Mapping to Assess Atrial Activation During Sinus Rhythm and Atrial Fibrillation in a Large Animal Model / B. J. Hansen [h gp.] // Circulation: Arrhythmia and Electrophysiology. — 2018. — T. 11, № 12. — e006870. — DOI: 10.1161/ CIRCEP.118.006870.

128. In vivo ratiometric optical mapping enables high-resolution cardiac electrophysiology in pig models / P. Lee [h gp.] // Cardiovascular Research. — 2019. — OeBp. — T. 115, № 11. — C. 1659—1671. — DOI: 10.1093/cvr/cvz039.

129. BOTTERON G. W., SMITH J. M. Spatial and Temporal Inhomogeneity of Adenosine's Effect on Atrial Refractoriness in Humans // Journal of Cardiovascular Electrophysiology. — 1994. — T. 5, № 6. — C. 477—484. — DOI: https://doi.org/10.1111/j.1540-8167.1994.tb01288.x. — URL: https: //onlinelibrary.wiley.com/doi/abs/10.1111/j.1540-8167.1994.tb01288.x.

130. Courtemanche M, Ramirez R. J., Nattel S. Ionic mechanisms underlying human atrial action potential properties: insights from a mathematical model // American Journal of Physiology-Heart and Circulatory Physiology. — 1998. — T. 275, № 1. — H301—H321. — DOI: 10.1152/ ajpheart.1998.275.1.H301. — URL: https://doi.org/10.1152/ajpheart.1998. 275.1.H301 ; PMID: 9688927.

131. Eff-UNet: A Novel Architecture for Semantic Segmentation in Unstructured Environment / B. Baheti [h gp.] // 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). — 2020. — C. 1473— 1481. — DOI: 10.1109/CVPRW50498.2020.00187.

132. Tan M., Le Q. V. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. — 2019. — DOI: 10.48550/ARXIV. 1905.11946. — URL: https://arxiv.org/abs/1905.11946.

133. Yakubovskiy P. Segmentation Models Pytorch. — 2020. — https://github. com/qubvel/segmentation_models.pytorch.

134. ImageNet: A large-scale hierarchical image database / J. Deng [h gp.] // 2009 IEEE Conference on Computer Vision and Pattern Recognition. — 2009. — C. 248—255. — DOI: 10.1109/CVPR.2009.5206848.

135. The Effectiveness of Image Augmentation in Deep Learning Networks for Detecting COVID-19: A Geometric Transformation Perspective / M. Elgendi [h gp.] // Frontiers in Medicine. — 2021. — T. 8. — DOI: 10.3389/fmed.2021. 629134.

136. Permutation importance: a corrected feature importance measure / A. Altmann [h gp.] // Bioinformatics. — 2010. — Anp. — T. 26, № 10. — C. 1340— 1347. — DOI: 10.1093/bioinformatics/btq134.

137. Murtagh F., Legendre P. Ward's Hierarchical Clustering Method: Clustering Criterion and Agglomerative Algorithm // ArXiv. — 2011. — T. abs/1111.6285.

138. Image quality assessment: from error visibility to structural similarity / Zhou Wang [h gp.] // IEEE Transactions on Image Processing. — 2004. — T. 13, № 4. — C. 600—612.

139. Evaluating White Matter Lesion Segmentations with Refined S0rensen-Dice Analysis / A. Carass [h gp.] // Scientific Reports. — 2020. — T. 10.

140. Transferring from ex-vivo to in-vivo: Instrument Localization in 3D Cardiac Ultrasound Using Pyramid-UNet with Hybrid Loss / H. Yang [h gp.] // Medical Image Computing and Computer Assisted Intervention - MICCAI 2019. — Cham : Springer International Publishing, 2019. — C. 263—271. — ISBN 978-3-030-32254-0.

141. Otsu N. A Threshold Selection Method from Gray-Level Histograms // IEEE Transactions on Systems, Man, and Cybernetics. — 1979. — T. 9, № 1. — C. 62—66. — DOI: 10.1109/TSMC.1979.4310076.

Список иллюстраций

1.1 Идея диссертационной работы - применение моделей машинного обучения, обученных на данных оптического (ОК) и электродного (ЭК) картирования эпизодов фибрилляции предсердий (ФП) эксплантированных сердец (вх-юто), для определения локализации драйвера ФП у пациентов (ги-югюо) вместо пациент-специфичного математического моделирования. . 10

1.2 Различные варианты визуализации драйвера фибрилляции предсердий................................ 13

2.1 Архитектура сегментационной нейронной сети ........ 25

3.1 Детекция драйвера фибрилляции предсердий с помощью активационной карты. ОПД - оптический потенциал действия. . . 27

3.2 Определение фазовых сингулярностей методом вариабельности фазы. Красными точками показаны фазы окружающих точек. На левом рисунке стрелкой показана сумма фаз окружающих точек для фазовой сингулярности, на правом - для обычной

точки волнового фронта. Взято из [108]................ 31

3.3 Детекция драйвера фибрилляции предсердий с помощью фазовых карт с нанесенными фазовыми сингулярностями и

карты плотности фазовых сингулярностей.............. 33

3.4 Карты плотности фазовых сингулярностей для драйвера в

форме реентри и фокуса........................ 34

4.1 Карты доминантной частоты (ДЧ) при одновременном

оптическом (ОК) и электродном (ЭК) картированиях эпизодов фибрилляции предсердий в эксплантированных сердцах человека. Области драйверов обозначены фиолетовыми прямоугольниками............................ 38

4.2 Разметка и предобработка данных для бинарной классификации электрограмм эксплантированных сердец во время эпизода фибрилляции предсердий. Разметка электрограмм на два класса (драйвер и отрицательный класс) осуществлялась по активационным картам одновременного оптического картирования, затем вычислялись спектры Фурье электрограмм

и спектральные признаки........................ 40

4.3 Расчет спектральных признаков электрограммы на примере одного спектра Фурье (Панель А). Высота пика доминантной частоты показана сплошной фиолетовой линией как 100%, количество пиков выше порога на высоте 10% и 5% является признаком для обучения. На панели В показан расчет признаков

соседей для центральных и краевых электрограмм......... 43

4.4 Метрики для бинарной классификации электрограмм эксплантированных предсердий.................... 48

4.5 Метрики для электрограмм с катетеров низкого (НР) и

высокого (ВР) разрешения....................... 49

4.6 Наиболее значимые признаки бинарной классификации электрограмм эксплантированных предсердий. Относ. -относительный, отн. - отношение................... 50

4.7 Предсказание локализации драйвера ФП по 64-электродным катетерам высокого (ВР) и низкого (НР) разрешения. Цветом от синего до красного показана вероятность для каждой электрограммы быть драйвером ФП. Черной линией обозначены границы области драйвера ФП..................... 52

4.8 Моделирование эффекта аденозина на динамику эпизода фибрилляции предсердий. На панели А показан случай увеличения временной стабильности драйвера после инъекции аденозина, связанный с укорочением длины цикла (ДЦ), на

панели Б приведен обратный пример - распад цикла реентри. . . 56

4.9 Построение ансамбля моделей для бинарной классификации клинических электрограмм....................... 59

4.10 Тепловые карты предсказаний для 15 последовательных

сегментов клинического эпизода фибрилляции предсердий (ФП).

РД - распознаваемость драйвера.................... 61

4.11 Тепловые карты для 15 клинических записей ФП, предсказания сделаны для т-утв и ансамбля моделей. РД - распознаваемость драйвера................................. 63

5.1 Генерация синтетических псевдооптических карт высокого

разрешения из карт электродного картирования (ЭК) низкого разрешения с помощью архитектуры Суе1еСЛК. ОК -

оптическое картирование, ОПД - оптический потенциал действия. 69 5.2 Динамика распространения фронта возбуждения по

сгенерированным псевдооптическим картам. Видно циклическое движение волны возбуждения вокруг центра изображения, а

также тени от электродов катетера высокого разрешения. .... 70

5.3 Зависимость функции потерь в виде перекрестной энтропии от числа итераций нейронной сети с блоком СопуЬБТМ и типа входных данных (количество изображений в виде маски и период между ними)........................... 74

А.1 Сравнение между метриками бинарной классификации для усредненных по соседним пикселям и вычисленных спектральных признаков данных оптического картирования. ... 103 А.2 Наиболее важные спектральные признаки бинарной

классификации для данных оптического картирования. Относ. -

относительный, отн. - отношение...................104

А.3 Наиболее важные признаки бинарной классификации для выборки катетеров низкого разрешения. Относ. -

относительный, отн. - отношение...................104

А.4 Наиболее важные признаки бинарной классификации для выборки катетеров высокого разрешения. Относ. -

относительный, отн. - отношение...................105

А.5 Сравнение между тепловыми картами локализации драйвера ФП эксплантированных предсердий, предсказанными по всем и 10 наиболее значимым спектральным признакам..........106

Список таблиц

1 Результаты аблаций драйверов фибрилляции предсердий (ФП) у пациентов с персистирующей формой ФП. ПТ - предсердная тахикардия............................... 15

2 Характеристики эксплантированных предсердий, картированных с помощью катетеров высокого (ВР) и низкого (НР) разрешения с эндокардиальной (Эндо) или эпикардиальной (Эпи) сторон миокарда. Указывается, картировались ли оба предсердия или правое предсердие (ПП).

ОК, ЭК - оптическое и электродное картирования соответственно. 16

3 Максимальные и средние значения плотности фазовых сингулярностей (ПФС), вычисленные разными методами...... 34

4 Спектральные признаки электрограмм. Отн. - отношение, относ.

- относительный............................. 42

5 Количество образцов с катетеров разного разрешения для машинного обучения. Проценты показывают относительное количество образцов с драйверами и не-информативных образцов соответственно, ОК, ЭК - оптическое и электродное картирования соответственно...................... 46

6 И-меры для различных моделей и аннотаций электрограмм

(оценивались спектральные признаки отдельных электрограмм центра драйвера, спектральные признаки отдельных электрограмм центра и периферии драйвера, усредненные спектральные признаки соседних электрограмм центра драйвера, усредненные спектральные признаки соседних

электрограмм центра и периферии драйвера)............ 47

7 Средние значения временной стабильности (ВС) драйвера ФП

для 15 клинических записей фибрилляции председий........ 54

8 Максимальная распознаваемость драйвера (РД) для различных моделей в задаче предсказания локализации драйвера ФП . . . . 61

9 Распознаваемость драйвера ФП для предсказания локализации драйвера фибрилляции предсердий по электродной сетке при обучении на разных выборках и для их ансамбля ......... 62

10 Метрики для тестовых файлов, ЯБШ показывает меру сходства между реальными и сгенерированными картами, а Се -субъективную врачебную оценку качества получившихся изображений............................... 71

11 Метрики для различных моделей бинарной классификации электрограмм эксплантированных предсердий, а также различных вариантов аннотации....................101

12 П-меры бинарной классификации электрограмм

эксплантированных предсердий для выборки низкого разрешения 102

13 П-меры бинарной классификации электрограмм эксплантированных предсердий для выборки высокого разрешения102

14 Контраст драйвера для тепловых карт записей ФП эксплантированных предсердий....................102

15 Наиболее значимые признаки бинарной классификации клинических электрограмм, значения указаны относительно самого важного кластера. Числа в признаках означают частоту в Гц, амплитуда которых была признаком для обучения. ДЧ -

доминантная частота..........................103

16 Максимальные значения распознаваемости драйвера для

различных опций предобработки вх-юто и т-юто данных. РД даны в процентах относительно максимального значения для выборки, которое принималось за 100 %...............107

А. Приложение

Таблица 11 — Метрики для различных моделей бинарной классификации электрограмм эксплантированных предсердий, а также различных вариантов

аннотации.

Модель Отдельные электрограммы Соседние электрограммы

центр + периферия центр + периферия

kNN accuracy 0.87 ± 0.03 0.76 ± 0.03 0.902 ± 0.008 0.819 ± 0.011

precision 0.43 ± 0.19 0.44 ± 0.10 0.55 ± 0.04 0.62 ± 0.03

recall 0.25 ± 0.10 0.35 ± 0.08 0.52 ± 0.04 0.59 ± 0.03

fl-score 0.31 ± 0.12 0.39 ± 0.09 0.54 ± 0.04 0.60 ± 0.02

XGBoost accuracy 0.88 ± 0.02 0.77 ± 0.05 0.902 ± 0.005 0.821 ± 0.010

precision 0.41 ± 0.13 0.48 ± 0.13 0.60 ± 0.03 0.63 ± 0.02

recall 0.15 ± 0.07 0.28 ± 0.1 0.31 ± 0.05 0.56 ± 0.05

fl-score 0.21 ± 0.09 0.35 ± 0.11 0.41 ± 0.05 0.59 ± 0.03

RF accuracy 0.70 ± 0.06 0.77 ± 0.04 0.886 ± 0.008 0.801 ± 0.012

precision 0.22 ± 0.07 0.52 ± 0.13 0.47 ± 0.04 0.57 ± 0.03

recall 0.6 ± 0.16 0.23 ± 0.06 0.43 ± 0.03 0.58 ± 0.02

fl-score 0.32 ± 0.10 0.31 ± 0.08 0.45 ± 0.03 0.57 ± 0.02

SVM accuracy 0.87 ± 0.03 0.75 ± 0.04 0.903 ± 0.004 0.834 ± 0.009

precision 0.41 ± 0.22 0.45 ± 0.09 0.61 ± 0.04 0.67 ± 0.02

recall 0.19 ± 0.11 0.49 ± 0.11 0.32 ± 0.03 0.57 ± 0.03

fl-score 0.26 ± 0.14 0.47 ± 0.09 0.42 ± 0.03 0.61 ± 0.02

LR accuracy 0.826 ± 0.012 0.698 ± 0.008 0.841 ± 0.014 0.721 ± 0.012

precision 0.30 ± 0.03 0.39 ± 0.01 0.34 ± 0.04 0.43 ± 0.02

recall 0.46 ± 0.05 0.54 ± 0.03 0.48 ± 0.03 0.56 ± 0.04

fl-score 0.36 ± 0.04 0.45 ± 0.02 0.40 ± 0.04 0.48 ± 0.03

Таблица 12 — И-меры бинарной классификации электрограмм

эксплантированных предсердий для выборки низкого разрешения

Модель Отдельные электрограммы Соседние электрограммы

центр + периферия центр + периферия

кШ 0.27 ± 0.15 0.28 ± 0.09 0.30 ± 0.06 0.66 ± 0.04

ХСВос^ 0.28 ± 0.15 0.23 ± 0.1 0.26 ± 0.07 0.51 ± 0.05

ИР 0.12 ± 0.07 0.28 ± 0.06 0.21 ± 0.05 0.53 ± 0.01

БУМ 0.11 ± 0.12 0.4 ± 0.14 0.17 ± 0.05 0.64 ± 0.05

ЬИ 0.11 ± 0.03 0.35 ± 0.03 0.13 ± 0.05 0.34 ± 0.03

Таблица 13 — И-меры бинарной классификации электрограмм

эксплантированных предсердий для выборки высокого разрешения

Модель Отдельные электрограммы Соседние электрограммы

центр + периферия центр + периферия

кШ 0.53 ± 0.12 0.63 ± 0.21 0.72 ± 0.02 0.81 ± 0.02

ХСВооз1 0.37 ± 0.12 0.62 ± 0.1 0.66 ± 0.04 0.76 ± 0.02

ИР 0.4 ± 0.09 0.6 ± 0.13 0.67 ± 0.03 0.77 ± 0.03

БУМ 0.33 ± 0.12 0.64 ± 0.19 0.59 ± 0.06 0.78 ± 0.02

ЬИ 0.49 ± 0.05 0.66 ± 0.03 0.59 ± 0.03 0.67 ± 0.02

Таблица 14 — Контраст драйвера для тепловых карт записей ФП эксплантированных предсердий.

Запись КД Запись КД

ВР 1 0.48 НР 10 0.37

ВР 2 0.44 НР 11 0.02

ВР 3 0.28 НР 12 -0.07

ВР 4 0.19 НР 13 0.12

ВР _ 5 -0.01 НР 14 0.29

ВР 6 0.32 НР 15 0.41

ВР 7 0.27 НР 16 -0.13

НР 1 0.48 НР 17 0.22

НР 2 0.21 НР 18 0.22

НР 3 0.35 НР 19 0.44

НР 4 0.18 НР 20 -0.04

НР 5 -0.02 НР 21 0.39

НР 6 0.02 НР 22 0.62

НР 7 0.06 НР 23 0.73

НР 8 0.10 НР 24 -0.20

НР 9 0.70 НР 25 0.20

0.9 0.8 0.7 0.6 0.5 0.4

Признаки отдельных электрограмм Признаки отдельных ОПД

Признаки соседних электрограмм Признаки соседних ОПД

* p-value<0.05

* * I К М К \

Accuracy

Precision

Recall

F1-score

Рис. А.1 — Сравнение между метриками бинарной классификации для усредненных по соседним пикселям и вычисленных спектральных признаков

данных оптического картирования.

Таблица 15 — Наиболее значимые признаки бинарной классификации клинических электрограмм, значения указаны относительно самого важного кластера. Числа в признаках означают частоту в Гц, амплитуда которых была признаком для обучения. ДЧ - доминантная частота.

Признаки Значимость Признаки Значимость

'частоты 2 - 5', '3.75', '4.0' 1.00 '6.25', '6.5', '6.75', '7.0' 0.57

'5.0', '5.25' 0.79 '15.5', '15.75' 0.54

'12.25', '12.5' 0.68 'ДЧ', '4.25', '4.5' 0.50

'11.75' 0.66 '16.0' 0.48

(О

I

т

0.8

0.6

0.4

0.2

и

0

1

н

О о.о1

1.0

0.82

гН

ГО * 0.53 0.52

го 1Л

о 1-и о $ л 0.42 0.39 0.38

Т Е Отн. высот пиков 1 и 2 0.37 0.37 0.36

о. * > Э с; (С х и X 1-О Высота пика 1 Отн. высот пиков 2 и 4 Относ, высота пика 4 Высота пика 2 Относ, высота пика 1 Высота пика 5

Признак

Рис. А.2 — Наиболее важные спектральные признаки бинарной классификации для данных оптического картирования. Относ. -относительный, отн. - отношение.

го

1.0

0.89 0.89 0.89

0.87

0.83

0.76 0.76

0.75

0.66

Признак

Рис. А.З — Наиболее важные признаки бинарной классификации для выборки катетеров низкого разрешения. Относ. - относительный, отн. - отношение.

(О

1.0

0.71

0.58

0.56

0.52

0.37

0.33 о.32

гН

ГО

* о

и

С

га ш ®

1- и 5 О с

и

О

0.29

0.24

£ э

Й-О I

Признак

Рис. А.4 — Наиболее важные признаки бинарной классификации для выборки катетеров высокого разрешения. Относ. - относительный, отн. - отношение.

А Тепловая карта катетера ВР В Тепловая карта катетера НР

Предсказания по всем 35 признакам

1

2

3

4

Г

10.82

5 Л

ABCDEFGH

ABCDEFGH

Предсказания по 10 наиб. значимым признакам

ABCDEFGH

ABCDEFGH

Рис. А.5 — Сравнение между тепловыми картами локализации драйвера ФП эксплантированных предсердий, предсказанными по всем и 10 наиболее

значимым спектральным признакам.

Таблица 16 — Максимальные значения распознаваемости драйвера для различных опций предобработки ех-уъуо и т-уъуо данных. РД даны в процентах относительно максимального значения для выборки, которое принималось за 100 %.

выборка добавление соседей добавление периферии удаление электродов РД,%

Ш-У1УО + + + 100

Ш-У1УО + - - 93.8

Ш-У1УО + + - 91.8

Ш-У1УО + - + 90.7

Ш-У1УО - + + 84.5

Ш-У1УО - - - 83.5

Ш-У1УО - - + 81.4

Ш-У1УО - + - 81.4

ех-у1уо + + - 100

ех-у1уо + + + 98.9

ех-у1уо + - - 98.9

ех-у1уо + - + 95.7

ех-у1уо - + + 92.6

ех-у1уо - + - 88.7

ех-у1уо - - - 86.2

ех-у1уо - - + 85.1