1,721,428 research outputs found
Heart & Brain. Linking cardiovascular pathologies and neurodegeneration with a combined biophysical and statistical methodology
No full textLes études cliniques ont identifié plusieurs facteurs de risque cardiovasculaire associés à la démence et aux pathologies cardiaques, mais leur interaction pathologique reste mal comprise. Habituellement, l'étude de la relation cœur-cerveau est réalisée à travers d'analyses statistiques explorant l'association entre les indicateurs cardiaques et les biomarqueurs cognitifs. Ce type d'étude est généralement réalisé dans des bases de données épidémiologiques, pour lesquelles des mesures conjointes du cerveau et du cœur sont disponibles. Par conséquent, la généralisation de ces résultats aux études sur la démence est difficile, car les évaluations approfondies des fonctions cardiovasculaires dans les bases de données sur la démence actuellement disponibles font généralement défaut. Un autre facteur limitatif des études actuelles est l'interprétabilité limitée des relations physiopathologiques entre le cœur et le cerveau. L'amélioration de notre compréhension des implications de la fonction cardiovasculaire dans la démence nécessite le développement de modèles mécniaques de la physiologie cardiaque, ainsi que le développement de nouvelles approches permettant d'intégrer ces modèles avec des biomarqueurs cérébraux basés sur l'image. Pour relever ces défis, nous avons développé dans cette thèse de nouveaux outils informatiques basés sur l'intégration de modèles mécaniques dans un cadre d'apprentissage statistique. Premièrement, nous avons étudié l'association entre des indicateurs physiologiques non observables, tels que la contractilité cardiaque, et des caractéristiques d'imagerie dérivées du cerveau. À cette fin, l'espace des paramètres d'un modèle mécanique de la fonction cardiaque a été contraint pendant l'étape de personnalisation sur la base des relations entre les paramètres du modèle cardiaque et les informations cérébrales. Cela permet d’attenuer le caractère mal defini du problème inverse associé à la personnalisation du modèle, et d'obtenir des solutions spécifiques au patient qui sont comparables au sein de la population.Deuxièmement, nous avons développé un modèle d'imputation probabiliste qui permet d'imputer les informations cardiaques manquantes dans des bases de données limitées. L'imputation repose sur les dynamiques cœur-cerveau apprises à partir de l'analyse d'une grande population de sujets, et utilise cette connaissance pour obtenir des solutions plausibles dans des bases de données partielles. La nature générative de l'approche permet de simuler l'évolution des paramètres du modèle cardiaque lorsque les caractéristiques du cerveau changent. Troisièmement, nous avons analysé le rôle des paramètres du modèle cardiaque comme biomarqueurs précoces de la démence, ce qui pourrait aider à identifier les individus à risque. Dans ce but, nous avons imputé les informations cardiaques manquantes dans une cohorte longitudinale de la maladie d'Alzheimer. Ensuite, grâce à la modélisation de la progression de la maladie, nous avons estimé le stade de la maladie pour chaque individu sur la base de l'évolution des biomarqueurs. Ceci a permis d'obtenir un modèle de l'évolution de la maladie, d'analyser le rôle de la fonction cardiaque, et d'identifier les paramètres du modèle cardiaque comme biomarqueurs potentiels de la démence à un stade précoce. Les résultats démontrent l'importance des outils développés en obtenant des associations cliniquement plausibles entre les paramètres du modèle cardiaque et les caractéristiques de l'imagerie cérébrale. Ces résultats mettent également en évidence des informations sur la relation physiologique entre la fonction cardiaque et les biomarqueurs de la démence. Les résultats obtenus ouvrent de nouvelles voies de recherche, telles que l'utilisation de modèles mécaniques plus complexes permettant de mieux caractériser la relation cœur-cerveau, ou l'utilisation de modèles cardiaques biophysiques pour dériver des biomarqueurs in-silico afin d'identifier les individus à risque de démence.Clinical studies have identified several cardiovascular risk factors associated to dementia and cardiac pathologies, but their pathological interaction remains poorly understood. Classically, the investigation of the heart-brain relationship is mostly carried out through statistical analysis exploring the association between cardiac indicators and cognitive biomarkers. This kind of investigations are usually performed in large-scale epidemiological datasets, for which joint measurements of both brain and heart are available. For this reason, most of these analyses are performed on cohorts representing the general population. Therefore, the generalisation of these findings to dementia studies is generally difficult, since extensive assessments of cardiac and cardiovascular function in currently available dementia dataset is usually lacking. Another limiting factor of current studies is the limited interpretability of the complex pathophysiological relations between heart and brain allowed by standard correlation analyses. Improving our understanding of the implications of cardiovascular function in dementia ultimately requires the development of more refined mechanistic models of cardiac physiology, as well as the development of novel approaches allowing to integrate these models with image-based brain biomarkers. To address these challenges, in this thesis we developed new computational tools based on the integration of mechanistic models within a statistical learning framework. First, we studied the association between non-observable physiological indicators, such as cardiac contractility, and brain-derived imaging features. To this end, the parameter-space of a mechanistic model of the cardiac function was constrained during the personalisation stage based on the relationships between the parameters of the cardiac model and brain information. This allows to tackle the ill-posedness of the inverse problem associated to model personalisation, and obtain patient-specific solutions that are comparable population-wise.Second, we developed a probabilistic imputation model that allows to impute missing cardiac information in datasets with limited data. The imputation leverages on the cardiac-brain dynamics learned in a large-scale population analysis, and uses this knowledge to obtain plausible solutions in datasets with partial data. The generative nature of the approach allows to simulate the evolution of cardiac model parameters as brain features change. The framework is based on a conditional variational autoencoder (CVAE) combined with Gaussian process (GP) regression. Third, we analysed the potential role of cardiac model parameters as early biomarkers for dementia, which could help to identify individuals at risk. To this end, we imputed missing cardiac information in an Alzheimer's disease (AD) longitudinal cohort. Next, via disease progression modelling we estimated the disease stage for each individual based on the evolution of biomarkers. This allowed to obtain a model of the disease evolution, to analyse the role of cardiac function in AD, and to identify cardiac model parameters as potential early-stage biomarkers of dementia. These results demonstrate the importance of the developed tools by providing clinically plausible associations between cardiac model parameters and brain imaging features in an epidemiological dataset, as well as highlighting insights about the physiological relationship between cardiac function and dementia biomarkers. The obtained results open new research directions, such as the use of more complex mechanistic models that allow to better characterise the heart-brain relationship, or the use of biophysical cardiac models to derive in-silico biomarkers for identifying individuals at risk of dementia in clinical routine, and/or for their inclusion in neuroprotective trials
Voxel based adaptive meshless method for cardiac electrophysiology simulation
No full textIn this paper, an adaptive meshless method is described for solving the modified FitzHugh Nagumo equations on a set of nodes directly imported from the voxels of the medical images. The non-trivial task of constructing suitable meshes for complex geometries to solve the reaction-diffusion equations is circumvented by a meshfree implementation. The spatial derivatives arising in the reaction diffusion system are estimated using the Lagrangian form of scattered node radial basis function interpolant. Normal cardiac activation phenomena is fast, with a very steep upstroke and localised as compared to the size of the computational domain. To accurately capture this phenomena, a space adaptive method is presented where extra nodes are placed near the region of the activation front. The performance of the adaptive method is investigated first for synthetic geometry and then applied to a real-life geometry obtained from magnetic resonance imaging. Numerical results suggest that the presented method is capable of predicting realistic electrophysiology simulation effectivel
Medical imaging, shapes and statistics for stroke prediction in atrial fibrillation
No full textLa Fibrillation Atriale (FA) est une maladie cardiaque complexe aux proportions épidémiques. Elle se caractérise par une activation électrique chaotique et créé un environnement hémodynamique propice à la formation de caillots et à l'augmentation du risque d'accidents vasculaires cérébraux (AVC) ischémiques. Bien qu'il existe des traitements et interventions préventives visant à réduire l'incidence d'AVC, ils impliquent une augmentation du risque d'autres complications médicales ou consistent en des procédures invasives. C'est pourquoi les tentatives de stratification du risque d'AVC dans la FA sont d'une importance cruciale pour la prise de décision clinique. Malgré cela, les scores de risque actuellement utilisés ne reposent que sur des informations élémentaires du patient et sont peu performants. Aucun marqueur connu ne reflète le processus mécanique de l'AVC, tandis que de plus en plus de données sont collectées de façon routinière sans être utilisées. Bien que de nombreuses études cliniques suggèrent que l'Atrium Gauche (AG) joue un rôle important dans l’occurrence d'AVC, celles-ci ce basent sur des mesures subjectives pour le vérifier. En contraste, nous souhaitons exploiter l'avancée des méthodes de stratification d'imagerie médicale pour valider cette intuition.Pour cela, nous traduisons le lien existant entre l'anatomie de l'AG et le risque d'AVC en un problème géométrique, nous permettant ainsi de bénéficier d'un riche historique de ressources théoriques et appliquées sur l'analyse de formes. Nous passons en revue les nombreuses facettes de l'analyse de formes, et réalisons que, bien que puissantes, les méthodes existantes manquent d'interprétations cliniquement significatives. Nous nous basons néanmoins sur ces outils généraux pour construire une représentation compacte spécifique à l'AG qui permet une meilleure interprétation des résultats. Cette première tentative nous permet d'identifier les éléments clés d'une solution réaliste à l'étude de l'AG. Parmi eux, tout outil que nous construirons devra être suffisamment rapide et robuste pour être adaptés a de potentiels large études prospectives. Puisque l'étape cynétiquement déterminante du processus réside dans la segmentation sémantique des parties anatomiques de l'AG, nous nous concentrons sur l'utilisation de réseaux de neurones spécifiquement conçus pour les surfaces afin d'accélérer ce problème. En particulier, nous montrons que passer la courbure principale des formes en entrée des réseaux de neurones est un meilleur choix que ce qui est actuellement utilisé, quelle que soit l'architecture. Au fur et à mesure de l'amélioration itérative de notre pipeline, nous approfondissons l'utilisation de la segmentation sémantique et de la représentation compacte en proposant un ensemble de caractéristiques géométriques expressives décrivant l'AG -- parfaitement alignées avec les attentes des cliniciens tout en offrant la possibilité d'une analyse quantitative robuste. Nous utilisons ces caractéristiques locales et mettons en lumière les relations complexes entre la forme de l'AG et l'incidence d'AVC, en effectuant une analyse statistique ainsi qu'une classification à l'aide de méthodes basées sur les arbres de décision. Les résultats fournissent des informations précieuses pour la prédiction d'AVC : une liste de caractéristiques de forme directement liées aux patients victimes; des caractéristiques qui expliquent d'importants indicateurs de troubles hémodynamiques; et une meilleure compréhension de l'impact du remodelage de l'AG lié à l'état de la FA. Enfin, nous discutons d'autres utilisations possibles des outils développés dans ce travail, de l'étude de cohortes plus importantes à l'intégration dans des analyses multimodales, en passant par une potentielle analyse de sensibilité précise de simulation hémodynamiques, une étape précieuse pour une compréhension exhaustive du processus mécanique de l'AVC.Atrial Fibrillation (AF) is a complex heart disease of epidemic proportions. It is characterized by chaotic electrical activation which creates a haemodynamic environment prone to clot formation and an increase in risk of ischemic strokes. Although treatments and interventions exist to reduce stroke incidence, they often imply an increase in risk of other complications or consist in invasive procedures. As so, attempts of stratifying stroke risk in AF is of crucial importance for clinical decision-making. However, current widely used risk scores only rely on basic patient information and show poor performance. Importantly, no known markers reflect the mechanistic process of stroke, all the while more and more patient data is routinely available. In parallel, many clinical experts have hypothesized that the Left Atrium (LA) has an important role in stroke occurrence, yet have only relied on subjective measures to verify it. In this study, we aim at taking advantage of the evolving patient imaging stratification to substantiate this claim. Linking the anatomy of the LA to the risk of stroke can directly be translated into a geometric problem. Thankfully, the study and analysis of shapes knows a long-standing mathematical history, in theory as well as application, of which we can take full advantage. We first walk through the many facets of shape analysis, to realise that, while powerful, global methods lack clinically meaningful interpretations. We then set out to use these general tools to build a compact representation specific to the LA, enabling a more interpretable study. This first attempt allows us to identify key facts for a realistic solution to the study of the LA. Amongst them, any tool we build must be fast and robust enough for potentially large and prospective studies. Since the computational crux of our initial pipeline lies in the semantic segmentation of the anatomical parts of the LA, we focus on the use of neural networks specifically designed for surfaces to accelerate this problem. In particular, we show that representing input shapes using principal curvature is a better choice than what is currently used, regardless the architecture. As we iteratively update our pipeline, we further the use of the semantic segmentation and the compact representation by proposing a set of expressive geometric features describing the LA which are well in line with clinicians expectations yet offering the possibility for robust quantitative analysis. We make use of these local features and shed light on the complex relations between LA shape and stroke incidence, by conducting statistical analysis and classification using decision tree based methods. Results yield valuable insights for stroke prediction: a list of shape features directly linked to stroke patients; features that explain important indicators of haemodynamic disorder; and a better understanding of the impact of AF state related LA remodelling. Finally, we discuss other possible use of the set of tools developed in this work, from larger cohorts study, to the integration into multi-modal models, as well as opening possibilities for precise sensitivity analysis of haemodynamic simulation, a valuable next step to better understand the mechanistic process of stroke
Deep probabilistic generative model for the inverse problem of electrocardiography
No full textL'imagerie électrocardiographique (ECGI) est une ressource exceptionnelle dans la pratique et la recherche en cardiologie, en raison de sa manière non invasive d'étudier les anomalies de l'activité électrique cardiaque par l'acquisition d'ECG via des électrodes multiples placées sur le torse. Cette approche fascinante est largement basée sur la résolution du problème inverse de l'ECGI. A ce jour, encore aucune méthode pour résoudre ce problème connu comme étant mal posé n'a su convaincre suffisamment pour rendre l'ECGI la modalité de prédilection en clinique. Ainsi, l'objectif de cette thèse a été de contribuer de manière significative à l'avancement de l'ECGI, afin de l'établir dans un avenir proche comme méthode préférentielle en routine clinique pour le diagnostic des arythmies. Le travail entrepris nous a permis de proposer une nouvelle formulation du problème ECGI basée sur le Deep Learning. Le cœur du modèle développé est un autoencodeur variationnel et conditionnel utilisant des réseaux neuronaux génératifs profonds. Notre modèle unique est capable de générer des cartes d'activation cardiaque en conditionnant l'activité électrique du cœur avec des signaux mesurés à la surface du torse et la géométrie cardiaque. Le manuscrit de la thèse suit l'évolution en trois étapes de notre modèle basé sur le Deep Learning. Premièrement, nous avons traité le problème dans un espace à deux dimensions. Nous avons reformulé l'ensemble du problème de l'ECGI en employant un modèle génératif probabiliste, qui est un autoencodeur variationnel et conditionnel basé sur des réseaux de neurones convolutifs. Le modèle a été entraîné et validé sur une base de données synthétique que nous avons générée à partir des images CT d'un patient, en utilisant le modèle eikonal directement sur une grille cartésienne de 10x10 électrodes. Deuxièmement, le modèle 2D a été généralisé en un modèle 3D, qui a été entraîné sur une base de données simulées à partir des images CT de cinq patients, puis évalué sur une nouvelle géométrie cardiaque. La dernière partie de ce travail de thèse consiste à évaluer la méthode 3D que nous avons proposée sur des données cliniques réelles. A des fins de validation, le traitement des données cliniques comprend : l'acquisition et la segmentation d'images CT, l'analyse de signaux ECG non invasifs sur le torse ainsi que la cartographie invasive par cathéter des temps d'activation et des tensions bipolaires via un système électro-anatomique conventionnel. Dans cette partie, nous avons simulé les cartes d'activation cardiaque et les potentiels à la surface du torse en appliquant le modèle eikonal sur deux grilles cartésiennes de 10x13 électrodes chacune. De plus, ici les cartes d'activation ne sont plus conditionnées par le masque binaire de l'image cardiaque mais par des cartes de conductivité, bien qu'elles soient toujours conditionnées par les potentiels de la surface thoracique. Notre modèle génératif probabiliste est supérieur aux méthodes classiques sur plusieurs aspects. En particulier, grâce aux réseaux de neurones convolutifs, notre modèle est capable d'apprendre les interactions spatio-temporelles entre les signaux, alors que la plupart des méthodes existantes résolvent chaque pas de temps indépendamment ou utilisent un a priori temporel sans corrélations spatiales. De plus, la corrélation entre le substrat d'imagerie et les signaux est également apprise, ce qui nous permet d'intégrer toute information d'image 3D dans le modèle basé sur l'ECGI, ce qui est difficile à réaliser dans la formulation classique. À notre connaissance, notre méthode ECGI est la première méthode capable de reconstruire le modèle d'activation dans l'ensemble du myocarde de manière volumétrique et à haute résolution spatiale. Notre nouveau framework peut être rapidement intégré dans le workflow de routine clinique pour effectuer des tests diagnostiques non invasifs et précis basés sur l'ECGI dans de larges cohortes de patients souffrant d'arythmie.Electrocardiographic imaging (ECGI) is an exceptional resource in cardiology practice and research, owing to its non-invasive manner to study cardiac electrical activity abnormalities by means of acquiring ECGs via multi-electrodes placed on the torso. This enthralling approach is largely based on solving an inverse ill-posed problem of ECGI. However, to date, no method for solving this problem has been sufficiently convincing in order to establish ECGI as a clinical modality of first choice. Thus, the aim of this thesis has been to endeavor to significantly contribute towards the advancement of ECGI implementation, in order to establish it in the near future as a preferentially routine method of arrhythmia diagnostic in the clinics. The work undertaken in this thesis has allowed us to propose a novel formulation of ECGI problem based on deep learning. Specifically, the core of the model we developed is a variational and conditional autoencoder using deep generative neural networks. Our unique model is able to produce advanced maps of cardiac activation by conditioning the electrical activity of the heart with signals measured on the torso surface and the cardiac geometry.The thesis manuscript follows the three-step evolution of our deep learning-based model. In the first step, we treated the problem in a two-dimension space. We reformulated the entire ECGI problem employing a probabilistic generative model, which is a variational and conditional autoencoder based on convolutional neural networks. The model was trained and validated on a synthetic database that we generated from CT images of a patient, using the eikonal model directly on a 10x10 electrode Cartesian grid. Secondly, the 2D model was further generalised to a 3D model, which was trained on a simulated database from the CT images of five patients and then evaluated on a new cardiac geometry. The last part of this thesis work consists in evaluating our proposed 3D method on realistic clinical data. The clinical data processing includes: acquisition and segmentation of CT images, along with the measurement and analysis of non-invasive ECG signals on the torso as well as of invasive catheter-based mapping of activation times and unipolar/bipolar voltages via a conventional electro-anatomical system (for validation purposes). In this part, we simulated cardiac activation maps and torso surface potentials by applying the eikonal model on two Cartesian grids of 10x13 electrodes each. Moreover, here the activation maps are no longer conditioned by the binary mask of cardiac image but rather by conductivity maps, although they are still conditioned by the potentials on the thoracic surface.Our probabilistic generative model is superior to classic methods in several aspects. In particular, thanks to convolutional neural networks, our model is able to learn the spatio-temporal interactions between the signals, whereas most existing methods for ECGI either solve each time step independently or use a temporal prior without spatial correlations. We should also highlight that the correlation between the imaging substrate and the signals is also learned, allowing us to integrate any 3D image information into the ECGI-based model, which is difficult to achieve in the classical formulation. To our knowledge, our ECGI method is the first method able to reconstruct activation patterns in the whole myocardium volumetrically and at high spatial resolution. Our novel framework could be rapidly translated into routine clinical workflow for non-invasive, accurate diagnostic and ECGI-based testing in large cohorts of arrhythmia patients
Radiofrequency ablation planning for cardiac arrhythmia treatment using modeling and machine learning approaches
No full textLes arythmies sont des perturbations du rythme cardiaque qui peuvent entrainer la mort subite et requièrent une meilleure compréhension pour planifier leur traitement. Dans cette thèse, nous intégrons des données structurelles et fonctionnelles à un maillage 3D tétraédrique biventriculaire. Le modèle biophysique simplifié de Mitchell-Schaeffer (MS) est utilisé pour étudier l’hétérogénéité des propriétés électrophysiologiques (EP) du tissu et leur rôle sur l’arythmogénèse. L’ablation par radiofréquence (ARF) en éliminant les activités ventriculaires anormales locales (LAVA) est un traitement potentiellement curatif pour la tachycardie ventriculaire, mais les études EP requises pour localiser les LAVA sont longues et invasives. Les LAVA se trouvent autour de cicatrices hétérogènes qui peuvent être imagées de façon non-invasive par IRM à rehaussement tardif. Nous utilisons des caractéristiques d’image dans un contexte d’apprentissage automatique avec des forêts aléatoires pour identifier des aires de tissu qui induisent des LAVA. Nous détaillons les sources d’erreur inhérentes aux données et leur intégration dans le processus d’apprentissage. Finalement, nous couplons le modèle MS avec des géométries du coeur spécifiques aux patients et nous modélisons le cathéter avec une approche par un dipôle pour générer des électrogrammes normaux et des LAVA aux endroits où ils ont été localisés en clinique. Cela améliore la prédiction de localisation du tissu induisant des LAVA obtenue par apprentissage sur l’image. Des cartes de confiance sont générées et peuvent être utilisées avant une ARF pour guider l’intervention. Les contributions de cette thèse ont conduit à des résultats et des preuves de concepts prometteurs.Cardiac arrhythmias are heart rhythm disruptions which can lead to sudden cardiac death. They require a deeper understanding for appropriate treatment planning. In this thesis, we integrate personalized structural and functional data into a 3D tetrahedral mesh of the biventricular myocardium. Next, the Mitchell-Schaeffer (MS) simplified biophysical model is used to study the spatial heterogeneity of electrophysiological (EP) tissue properties and their role in arrhythmogenesis. Radiofrequency ablation (RFA) with the elimination of local abnormal ventricular activities (LAVA) has recently arisen as a potentially curative treatment for ventricular tachycardia but the EP studies required to locate LAVA are lengthy and invasive. LAVA are commonly found within the heterogeneous scar, which can be imaged non-invasively with 3D delayed enhanced magnetic resonance imaging (DE-MRI). We evaluate the use of advanced image features in a random forest machine learning framework to identify areas of LAVA-inducing tissue. Furthermore, we detail the dataset’s inherent error sources and their formal integration in the training process. Finally, we construct MRI-based structural patient-specific heart models and couple them with the MS model. We model a recording catheter using a dipole approach and generate distinct normal and LAVA-like electrograms at locations where they have been found in clinics. This enriches our predictions of the locations of LAVA-inducing tissue obtained through image-based learning. Confidence maps can be generated and analyzed prior to RFA to guide the intervention. These contributions have led to promising results and proofs of concepts
Learning cardiac electrophysiology dynamics with PDE-based physiological constraints for data-driven personalised predictions
No full textUn défi scientifique majeur actuel consiste à combiner la polyvalence des approches intensives basées sur les données avec les approches de modélisation à base physique développées dans des domaines scientifiques tels que la biophysique. La modélisation biophysique du cœur humain offre un cadre bien développé pour introduire la physiologie dans l'analyse prédictive des données cliniques. Cependant, les modèles numériques de haute précision développés souffrent souvent de coûts de calcul importants sur le terrain. En conséquence, les chercheurs utilisent souvent des modèles simplifiés basés sur des hypothèses idéalisées qui ne peuvent pas faire face à la diversité et à la complexité des conditions spécifiques aux patients. D'autre part, les méthodes de Machine Learning (ML) (qui ont déjà obtenu des résultats impressionnants dans plusieurs domaines comme la vision, le traitement du langage naturel, la bio-informatique, etc.) manquent souvent d'interprétabilité et de robustesse, et ne permettent pas une intégration aisée des connaissances préalables disponibles dans de nombreux domaines scientifiques. L'objectif scientifique de cette thèse est de combiner les avantages de la biophysique et des méthodes de Deep Learning (DL), afin de développer des modèles hybrides exploitant la complémentarité des deux approches. Notre objectif est d'introduire des a priori physiologiques dans les systèmes d'apprentissage par la modélisation biophysique en apprenant des dynamiques spatio-temporelles à partir de simulations et en introduisant des contraintes physiquement motivées relatives à ces dynamiques. Pour ce faire, nous proposons deux frameworks basés sur DL pour l'apprentissage automatique de la dynamique de l'électrophysiologie cardiaque (EP) à partir de données. Nous commençons par présenter un framework EP-Net 2.0 entièrement basé sur les données, capable d'apprendre et de prédire la dynamique de l'EP cardiaque en présence de cicatrices non excitables modélisées dans une plaque de tissu cardiaque. À l'aide de données synthétiques, nous démontrons que ce framework peut reproduire une dynamique complexe du potentiel transmembranaire cardiaque, même en dehors de son domaine d'entraînement. Ensuite, nous améliorons ce framework avec des a priori physiques afin de viser des horizons de prévision plus larges et d'obtenir une certaine interprétabilité. Ce nouveau framework d'apprentissage en profondeur basé sur la physique (APHYN-EP) peut apprendre la dynamique de l'EP cardiaque à partir de données de différentes complexités. En utilisant des données synthétiques, nous démontrons que le framework APHYN-EP peut reproduire la dynamique complexe du potentiel transmembranaire même en présence de bruit dans les données. De plus, en utilisant des données ex vivo de cartographie optique du potentiel d'action, nous montrons que notre framework : a) peut identifier les paramètres physiques clés pour différentes zones anatomiques ayant une fonction électrique anormale ; b) est capable de reproduire les caractéristiques de propagation du potentiel d'action obtenues à différents emplacements de stimulation. Dans l'ensemble, nos nouvelles approches combinées basées sur des modèles et axées sur les données ont démontré le potentiel d’amélioration de la modélisation de l’EP cardiaque et d’obtention d’outils de calcul prédictifs robustes et reproductibles. Nous prévoyons que notre framework polyvalent et translationnel sera intégré dans des modèles informatiques cliniques d'EP pour des prédictions plus précises de l'arythmie.A current major scientific challenge consists in combining the versatility of intensive data-based approaches with the physically grounded modelling approaches developed in scientific fields such as biophysics. Biophysical modelling of the human heart offers a well-developed framework for introducing physiology into the predictive analysis of clinical data. However, high precision numerical models developed in the field often suffer from large computational costs. As a consequence, researchers often make use of simplified models based on idealized assumptions that cannot cope with the diversity and complexity of patient-specific conditions. On the other hand, Machine Learning (ML) methods (which have already achieved impressive results in several domains like vision, natural language processing, bioinformatics, etc.) often have a lack of interpretability and robustness, and do not allow an easy integration of prior knowledge available in many scientific fields.The scientific objective of this thesis is to combine the advantages of biophysics and Deep Learning (DL), methods so as to develop hybrid models exploiting the complementarity of the two approaches. Our goal is to introduce physiological priors in learning systems through biophysical modelling by learning spatiotemporal dynamics from simulations and by introducing physically motivated constraints relative to these dynamics.To achieve this, we propose two DL based frameworks for the automatic learning of cardiac electrophysiology (EP) dynamics from data.We start by presenting a fully data-driven EP-Net 2.0 framework which is able to learn and forecast the cardiac EP dynamics in the presence of unexcitable scars modelled in a cardiac tissue slab. Using synthetic data, we demonstrate that this framework can reproduce complex cardiac transmembrane potential dynamics, even outside of its training domain.Next, we extend this framework with physical priors so as to target larger forecasting horizons and to obtain a certain interpretability of corresponding models. This novel physics-based deep learning framework (APHYN-EP) can learn cardiac EP dynamics from data of different complexities.Using synthetic data, we demonstrate that the APHYN-EP framework can reproduce the complex dynamics of transmembrane potential even in presence of noise in the data. Additionally, using ex vivo optical mapping data of action potential, we show that our framework: a) can identify key physical parameters for different anatomical zones having abnormal electrical function; b) is capable to reproduce the action potential wave characteristics obtained at different pacing locations.Overall, our novel combined model-based and data-driven approaches have demonstrated the potential to improve cardiac EP modelling and to provide predictive robust and reproducible computational tools. We envision that our versatile and translational framework will be integrated into clinical computational EP models for more accurate predictions of arrhythmia
Going Beyond Counting First Authors in Author Co-citation Analysis
Get PDFThe present study examines one of the fundamental aspects of author co-citation analysis (ACA) - the way co-citation
counts are defined. Co-citation counting provides the data on which all subsequent statistical analyses and mappings
are based, and we compare ACA results based on two different types of co-citation counting - the traditional type that
only counts the first one among a cited work's authors on the one hand and a non-traditional type that takes into
account the first 5 authors of a cited work on the other hand. Results indicate that the picture produced through this non-traditional author co-citation counting contains more coherent author groups and is therefore considerably clearer. However, this picture represents fewer specialties in the research field being studied than that produced through the traditional first-author co-citation counting when the same number of top-ranked authors is selected and analyzed. Reasons for these effects are discussed
Personalised 3D electromechanical models of the heart for cardiac resynchronisation therapy planning in heart failure patients
No full textL'insuffisance cardiaque est la finalité de toutes les maladies cardiaques. Elle touche aujourd'hui 8% de la population générale vivant dans les pays développés et devrait atteindre 11% d'ici 2030. Malgré les améliorations majeures apportées par l'optimisation des thérapies et de la prévention, cette maladie a toujours un taux de mortalité élevé et représente 1 à 2% des dépenses totales dans le secteur de la santé. Parmi les différents nouveaux traitements disponibles ces dernières années, la thérapie de resynchronisation cardiaque (CRT) est apparue comme une technique très originale utilisée pour corriger l'arythmie dans ces cœurs défaillants, par stimulation directe du myocarde dans des zones précises.Depuis les débuts de la CRT, l'identification de la désynchronie est basée sur la durée de l'activation électrique ventriculaire (QRS) mesurée sur un électrocardiogramme (ECG) standard par le clinicien. Cependant, des modèles d'évaluation plus avancés permettent de mieux comprendre la cause de la désynchronie et donc d'adapter le traitement. Les récentes avancées scientifiques en matière de modélisation mathématique et de simulation numérique permettent désormais de développer des modèles personnalisés de la fonction cardiaque du patient et d'utiliser les données cliniques pour décrire la désynchronie et prédire la réponse à la thérapie de resynchronisation.Cette thèse évalue la faisabilité de l'utilisation d'un jumeau numérique pour prédire la réponse à la thérapie de resynchronisation cardiaque. Le modèle est personnalisé à partir des données de routine des patients en utilisant des méthodes rapides basées sur l'IA. Les résultats sont comparés aux données cliniques fournies par un fabriquant de dispositifs cardiaques.Un premier travail de modélisation permet de construire un modèle cardiaque générique incluant un maillage tridimensionnel de l'anatomie, de l'activité électrophysiologique, ainsi que de la dynamique complexe du cœur à travers des modèles biomécaniques. Ce modèle générique est ensuite personnalisé sur les données de santé du patient : phénotype, échocardiographie, ECG et mesures hémodynamiques. Une méthode basée sur l'optimisation d'un modèle réduit est proposée et permet de rapidement paramétrer le jumeau numérique. Enfin, nous avons mis en place un protocole de stimulation à partir du modèle personnalisé afin d'étudier la réponse à la thérapie de resynchronisation. Les prédictions des mesures électromécaniques sont comparées aux données des patients pour différentes configurations de stimulation.Heart failure is the final funnel of all cardiac diseases, affects today 8% of the general population living in developed countries and is expected to reach 11% by 2030. Despite major improvements provided by optimization of medical therapy and prevention, this disease still has a high mortality rate and represents 1-2% of the total medical expenses. Among the different new treatments that became available in the last years, Cardiac Resynchronization Therapy (CRT) has emerged as a very original technique used to correct arrhythmia in these failed hearts, by direct stimulation of the myocardium in selected locations.Since the early times of CRT, identification of dyssynchrony is based on the duration of the ventricular electrical activation (QRS) measured on a standard electrocardiogram (ECG) by the clinician. However, more advanced evaluation models allow for a better understanding of the cause of dyssynchrony and therefore the ability to adapt therapy. Recent scientific advances in mathematical modelling and numerical simulation now allow for the development of personalized models of the patient’s cardiac function and the use of patient data to describe dyssynchrony and predict the response to resynchronization therapy.This thesis assesses the feasibility of using a digital twin to predict the response to cardiac resynchronization therapy. The model is personalized from routine patient data using fast AI-based methods. The results are compared to clinical data provided by a cardiac devices manufacturer.A first modelling work allows for the construction of a generic heart model including a three-dimensional mesh of the anatomy, the electrophysiological activity, as well as the complex dynamics of the heart through biomechanical models. This generic model is then personalized to the patient's health data: phenotype, echocardiography, ECG, haemodynamic measures. A method based on the optimization of a reduced model is proposed and allows for the parameterisation of the digital twin. Finally, we have set up a stimulation protocol from the personalized model in order to study the response to CRT. Predictions of electromechanical measures are compared to patient data for different pacing configurations
- …
