دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1 نویسندگان: Tommaso Mansi (editor), Tiziano Passerini (editor), Dorin Comaniciu (editor) سری: ISBN (شابک) : 012817594X, 9780128175941 ناشر: Academic Press سال نشر: 2019 تعداد صفحات: 266 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 15 مگابایت
در صورت تبدیل فایل کتاب Artificial Intelligence for Computational Modeling of the Heart به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب هوش مصنوعی برای مدل سازی محاسباتی قلب نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
هوش مصنوعی برای مدلسازی محاسباتی قلب پیشرفتهای تحقیقاتی اخیر را در راستای برآورد ساده و خودکار دوقلوی دیجیتالی قلب بیمار با ترکیب مدلسازی محاسباتی فیزیولوژی قلب و هوش مصنوعی ارائه میدهد. این کتاب ابتدا جنبههای اصلی مدلسازی چند مقیاسی قلب را همراه با سازشهای مورد نیاز برای دستیابی به شبیهسازیهای موضوعی خاص معرفی میکند. سپس خواننده یاد میگیرد که چگونه فناوریهای هوش مصنوعی میتوانند تخمینهای قوی آناتومی قلب را باز کنند، مدلهای متا را برای محاسبات بیوفیزیکی بلادرنگ به دست آورند و پارامترهای مدل را از دادههای بالینی معمول تخمین بزنند. مفاهیم همه از طریق کاربردهای بالینی مشخص نشان داده شده اند.
Artificial Intelligence for Computational Modeling of the Heart presents recent research developments towards streamlined and automatic estimation of the digital twin of a patient’s heart by combining computational modeling of heart physiology and artificial intelligence. The book first introduces the major aspects of multi-scale modeling of the heart, along with the compromises needed to achieve subject-specific simulations. Reader will then learn how AI technologies can unlock robust estimations of cardiac anatomy, obtain meta-models for real-time biophysical computations, and estimate model parameters from routine clinical data. Concepts are all illustrated through concrete clinical applications.
Cover Title Copyright Contents List of figures List of contributors Foreword Preface Computational modeling of the heart: from physiology understanding to patient-specific simulations The new age of artificial intelligence Computational modeling meets statistical learning Book organization Part 1: Modeling the beating heart: approaches and implementation Part 2: Artificial intelligence methods for cardiac modeling Outlook List of abbreviations 1 1 Multi-scale models of the heart for patient-specific simulations 1.1 Models of cardiac anatomy 1.2 Electrophysiology modeling 1.2.1 Cellular electrophysiology An example: the Mitchell-Schaeffer model 1.2.2 Tissue electrophysiology One example: a monodomain model Modeling the electrical conduction system 1.2.3 Body surface potential modeling Bidomain modeling of the coupled heart-body system 1.3 Biomechanics modeling 1.3.1 The passive myocardium An overview of the Holzapfel-Ogden model 1.3.2 The active myocardium Ionic models Phenomenological models Lumped models 1.3.3 The virtual heart in its environment: boundary conditions Endocardial pressure Attachment to neighboring vessels and tissue 1.4 Hemodynamics modeling 1.4.1 Reduced order hemodynamics Ventricular model Valve model Arterial model Atrium model Venous circulation 1.4.2 3D hemodynamics 1.4.2.1 Modeling intra-cardiac blood flow 1.4.2.2 Fluid-structure interaction Valve models and FSI 1.5 Current approaches to parameter estimation 1.5.1 Inverse optimization 1.5.2 Data assimilation 1.5.3 Machine learning 1.5.4 Stochastic methods 1.5.5 Streamlined whole-heart personalization 1.6 Summary 2 2 Implementation of a patient-specific cardiac model 2.1 Anatomical modeling 2.1.1 Medical image segmentation 2.1.2 Meshing and tagging 2.1.3 Computational model of the cardiac fiber architecture 2.1.4 Torso modeling 2.2 Electrophysiology modeling 2.2.1 LBM-EP: efficient solver for the monodomain problem LBM-EP evaluation 2.2.2 Efficient modeling of the electrical conduction system 2.2.3 Graph-EP: fast computation of tissue activation time 2.2.4 Body surface potential modeling Extracellular potentials computation Boundary element model of torso potentials 2.2.4.1 ECG calculation 2.3 Biomechanics modeling 2.3.1 Passive stress component 2.3.2 Active stress component 2.3.3 Myocardial boundary conditions Endocardial pressure Attachment to atria and arteries Modeling the effect of the pericardium bag 2.3.4 Putting it all together: a fast computational framework for cardiac biomechanics Description of the TLED finite elements algorithm 2.3.5 Evaluation of the TLED algorithm Validation against analytical solution Numerical stability analysis Bi-ventricular simulation 2.4 Hemodynamics modeling 2.4.1 3D hemodynamics using the lattice Boltzmann method The Lattice Boltzmann Method Turbulence modeling 2.4.2 3D fluid structure interaction Preparatory step Step 1 Step 2 Step 3 Step 4 Tests of the FSI module Output of the FSI system with patient-specific data 2.5 Parameter estimation 2.5.1 Windkessel parameters from pressure and volume data 2.5.2 Cardiac electrophysiology 2.5.3 Myocardium stiffness and maximum active stress from images 2.6 Summary 3 3 Learning cardiac anatomy 3.1 Introduction 3.2 Parsing of cardiac and vascular structures 3.2.1 From shallow to deep marginal space learning 3.2.1.1 Problem formulation 3.2.1.2 Traditional feature engineering 3.2.1.3 Sparse adaptive deep neural networks 3.2.1.4 Marginal space deep learning 3.2.1.5 Nonrigid parametric deformation estimation 3.2.1.6 Experiments 3.2.2 Intelligent agent-driven image parsing 3.2.2.1 Learning to search for anatomical objects 3.2.2.2 Extending to multi-scale search 3.2.2.3 Learning multi-scale navigation strategies 3.2.2.4 Robust spatially-coherent landmark detection 3.2.2.5 Experiments 3.2.3 Deep image-to-image segmentation 3.3 Structure tracking 3.4 Summary 4 4 Data-driven reduction of cardiac models 4.1 Deep-learning model for real-time, non-invasive fractional flow reserve 4.1.1 Introduction 4.1.2 Methods 4.1.2.1 Generating synthetic coronary arterial trees 4.1.2.2 CFD-based hemodynamic computations 4.1.2.3 Machine-learning based FFR computation 4.1.2.4 Local features 4.1.2.5 Features defined based on the proximal and distal vasculature 4.1.3 Results 4.1.3.1 Validation on synthetic anatomical models 4.1.3.2 Validation on patient specific anatomical models 4.1.3.3 Validation against invasively measured FFR 4.1.4 Discussion 4.1.4.1 Use of synthetic data 4.1.4.2 Limitations 4.2 Meta-modeling of atrial electrophysiology 4.2.1 Methods 4.2.1.1 Atrial electrophysiology models 4.2.1.2 Learning the action potential manifold for dimensionality reduction 4.2.1.3 Statistical learning 4.2.1.4 Application to tissue-level cardiac EP modeling 4.2.2 Experiments and results 4.2.2.1 Model parameter selection and sampling 4.2.2.2 PCA versus LLE 4.2.2.3 Physical regression model construction 4.2.2.4 Application in tissue-level EP modeling 4.2.3 Discussion 4.3 Deep learning acceleration of biomechanics 4.3.1 Motivation 4.3.2 Methods 4.3.3 Evaluation 4.3.3.1 Discussion 4.4 Summary 5 5 Machine learning methods for robust parameter estimation 5.1 Introduction 5.2 A regression approach to model parameter estimation 5.2.1 Data-driven estimation of myocardial electrical diffusivity 5.2.2 Experiments and results 5.2.2.1 Setup and uncertainty analysis 5.2.2.2 Verification on synthetic data 5.2.2.3 Evaluation on patient data 5.3 Reinforcement learning method for model parameter estimation 5.3.1 Parameter estimation as a Markov decision process 5.3.1.1 Reformulation of model personalization into an MDP 5.3.1.2 Learning model behavior through exploration 5.3.1.3 From computed objectives to representative MDP state 5.3.1.4 Transition function as probabilistic model representation 5.3.2 Parameter estimation using Reinforcement Learning 5.3.2.1 Data-driven initialization 5.3.2.2 Probabilistic personalization 5.3.3 Application to cardiac electrophysiology 5.3.4 Application to whole-body circulation 5.4 Summary 6 6 Additional clinical applications 6.1 Cardiac resynchronization therapy 6.1.1 Introduction 6.1.2 Methods 6.1.2.1 Data acquisition 6.1.2.2 Computational modeling 6.1.3 Results 6.1.3.1 Electrophysiological results 6.1.4 Discussion 6.2 Aortic coarctation 6.2.1 Introduction 6.2.2 Methods 6.2.2.1 Generation of a synthetic training database 6.2.2.2 Three-dimensional flow computations 6.2.2.3 Pressure drop model for aortic coarctation 6.2.3 Results 6.2.3.1 Evaluation of the pressure drop model 6.2.4 Discussion 6.3 Whole-body circulation 6.3.1 Introduction 6.3.2 Methods 6.3.2.1 Traditional personalization framework 6.3.2.2 Deep learning based personalization 6.3.3 Results and discussion 6.4 Summary 7 Bibliography Index Index Back Cover