Inverse mechano-electrical reconstruction of cardiac excitation wave patterns from mechanical deformation using deep learning

Jan Christoph; Jan Lebert

doi:10.1063/5.0023751

Inverse mechano-electrical reconstruction of cardiac excitation wave patterns from mechanical deformation using deep learning

Chaos An Interdisciplinary Journal of Nonlinear Science ◽

10.1063/5.0023751 ◽

2020 ◽

Vol 30 (12) ◽

pp. 123134

Author(s):

Jan Christoph ◽

Jan Lebert

Keyword(s):

Deep Learning ◽

Mechanical Deformation ◽

Excitation Wave ◽

Wave Patterns ◽

Cardiac Excitation

Download Full-text

Two models of anisotropic propagation of a cardiac excitation wave

JETP Letters ◽

10.1134/s0021364014170044 ◽

2014 ◽

Vol 100 (5) ◽

pp. 351-354

Author(s):

I. S. Erofeev ◽

K. I. Agladze

Keyword(s):

Excitation Wave ◽

Cardiac Excitation

Download Full-text

Deep Learning

10.1017/cbo9780511780295 ◽

2009 ◽

Cited By ~ 94

Author(s):

Stellan Ohlsson

Keyword(s):

Deep Learning

Download Full-text

Temporal Forcing of Traveling Wave Patterns

Journal de Physique I ◽

10.1051/jp1:1996155 ◽

1996 ◽

Vol 6 (11) ◽

pp. 1417-1434 ◽

Cited By ~ 3

Author(s):

Joceline Lega ◽

Jean-Marc Vince

Keyword(s):

Traveling Wave ◽

Wave Patterns

Download Full-text

Intelligence artificielle : le futur de l’Orthodontie ?

Revue d Orthopédie Dento-Faciale ◽

10.1051/odf/2019026 ◽

2019 ◽

Vol 53 (3) ◽

pp. 281-294

Author(s):

Jean-Michel Foucart ◽

Augustin Chavanne ◽

Jérôme Bourriau

Keyword(s):

Big Data ◽

Deep Learning ◽

Intelligence Artificielle ◽

Set Up

Nombreux sont les apports envisagés de l’Intelligence Artificielle (IA) en médecine. En orthodontie, plusieurs solutions automatisées sont disponibles depuis quelques années en imagerie par rayons X (analyse céphalométrique automatisée, analyse automatisée des voies aériennes) ou depuis quelques mois (analyse automatique des modèles numériques, set-up automatisé; CS Model +, Carestream Dental™). L’objectif de cette étude, en deux parties, est d’évaluer la fiabilité de l’analyse automatisée des modèles tant au niveau de leur numérisation que de leur segmentation. La comparaison des résultats d’analyse des modèles obtenus automatiquement et par l’intermédiaire de plusieurs orthodontistes démontre la fiabilité de l’analyse automatique; l’erreur de mesure oscillant, in fine, entre 0,08 et 1,04 mm, ce qui est non significatif et comparable avec les erreurs de mesures inter-observateurs rapportées dans la littérature. Ces résultats ouvrent ainsi de nouvelles perspectives quand à l’apport de l’IA en Orthodontie qui, basée sur le deep learning et le big data, devrait permettre, à moyen terme, d’évoluer vers une orthodontie plus préventive et plus prédictive.

Download Full-text