M.Sc. Stephanie Appel

Download als PDF

Motivation

Vorhofflimmern (Atrial Fibrillation, AF) ist eine weit verbreitete Herzrhythmusstörung. Ein entscheidender Mechanismus, der AF zugrunde liegt, ist die Verlangsamung und Heterogenität der elektrischen Erregungsausbreitungsgeschwindigkeit (Conduction Velocity, CV) im Herzen. Daher ist die präzise Schätzung der richtungsabhängigen CV in den Vorhöfen eines Patienten der Schlüssel zum Verständnis der Erkrankung und zur Entwicklung personalisierter Behandlungsstrategien.

Die für diese Schätzung verwendeten klinischen Daten (Local Activation Time (LAT)-Maps) haben jeoch häufig eine geringe räumliche Auflösung und sind stark verrauscht, was die genaue Rekonstruktion der Gewebeeigenschaften erschwert. Um dieses Problem zu lösen, bietet FiberNet einen vielversprechenden Ansatz. Als Lösungsansatz nutzt FiberNet Physics-Informed Neural Networks (PINNs). Indem physikalische Gesetzmäßigkeiten der Erregungsausbreitung direkt in den Lernprozess integriert werden, lassen sich die Limitationen unvollständiger oder artefaktbehafteter klinischer Datensätze effektiv kompensieren.

Das Projekt

FiberNet hat bereits gezeigt, dass es Gewebeeigenschaften aus simulierten Daten schätzen kann. Die Genauigkeit nimmt jedoch häufig deutlich ab, wenn das Modell mit verrauschten Daten konfrontiert wird oder in Geweberegionen mit graduellen strukturellen Übergängen agiert. Ziel dieses Projekts ist es, die Robustheit und Genauigkeit von FiberNet zu maximieren. Dies soll durch die Untersuchung zweier zentraler Optimierungsstrategien erreicht werden:

A) Hyperparameter-Optimierung: Systematische Feinabstimmung der neuronalen Netzwerkarchitektur und Gewichtung der verschiedenen Komponenten der Gesamt-Loss-Funktion.

B) Untersuchung alternativer Regularisierungsschemata: Erforschung und Implementierung alternativer Regularisierungsansätze, um komplexe, heterogene Gewebeeigenschaften besser zu erfassen und die Rauschempfindlichkeit zu verringern.