[論文レビュー] Geometry-Free Conditional Diffusion Modeling for Solving the Inverse Electrocardiography Problem

Ramiro Valdes Jara, Adam Meyers|arXiv (Cornell University)|Jan 26, 2026

Cardiac electrophysiology and arrhythmias被引用数 0

ひとこと要約

この論文は、体表測定から心表面電位を推定する幾何自由のデータ駆動型条件付き拡散モデルを開発し、ECGI逆問題に対して確率的再構成を提供し、決定論的ベースラインを上回る。

ABSTRACT

This paper proposes a data-driven model for solving the inverse problem of electrocardiography, the mathematical problem that forms the basis of electrocardiographic imaging (ECGI). We present a conditional diffusion framework that learns a probabilistic mapping from noisy body surface signals to heart surface electric potentials. The proposed approach leverages the generative nature of diffusion models to capture the non-unique and underdetermined nature of the ECGI inverse problem, enabling probabilistic sampling of multiple reconstructions rather than a single deterministic estimate. Unlike traditional methods, the proposed framework is geometry-free and purely data-driven, alleviating the need for patient-specific mesh construction. We evaluate the method on a real ECGI dataset and compare it against strong deterministic baselines, including a convolutional neural network, long short-term memory network, and transformer-based model. The results demonstrate that the proposed diffusion approach achieves improved reconstruction accuracy, highlighting the potential of diffusion models as a robust tool for noninvasive cardiac electrophysiology imaging.

研究の動機と目的

• 非侵襲的 ECGI の動機づけと ill-posed inverse problem の解決。
• 幾何自由でデータ駆動の条件付き拡散フレームワークを提案。
• 複数のもっともらしい心表面再構成を確率的サンプリングで得られるようにする。
• 実データ（ECGI-like data）上で決定論的ベースラインに対する性能を評価。

提案手法

• 前方拡散過程を用いて心 signals を逐次汚染し、体表測定値 y に guided された学習可能な条件付き反転過程を実装。
• 条件付き denoising 関数を x_t, t, y を与えてノイズを予測するトランスフォーマー型ネットワークとして実装。
• 真のノイズと予測ノイズの MSE を最小化する条件付き拡散目的で学習。
• Explicit な物理ベースの前方演算子や患者固有の幾何は不要; 学習はデータ駆動で幾何自由。
• 推論時には条件付き反転過程を介して p_theta(x_0|y) からサンプルを取り、複数のもっともらしい再構成を得る。

実験結果

リサーチクエスチョン

• RQ1 幾何自由な条件付き拡散モデルは torso 測定から epicardial potentials を正確に再構成できるか。
• RQ2 拡散 denoising を体表データで条件付けることは、決定論的ベースラインより再構成品質を改善するか。
• RQ3 ECGI における epicardial 信号の時間的形状と振幅をモデルがどの程度捉えられるか。
• RQ4 このアプローチは ECGI inverse problem に対して不確実性を伴う確率的再構成を提供できるか。

主な発見

Model	Temporal CC (↑)	MSE (↓)	MAE (↓)
1D-CNN	0.77	34.89	3.79
LSTM	0.70	47.10	4.29
Transformer	0.76	36.91	3.74
Diffusion (proposed)	0.78	32.83	3.42

• 拡散モデルは最も高い時間相関 (0.78) と最も低い MSE (32.83) および MAE (3.42) を他手法と比較して達成。
• 比較ベースライン（1D-CNN、LSTM、Transformer）と比較して、拡散モデルは再構成精度を一貫して改善。
• 決定論的ベースラインは（1D-CNN と Transformer）で同等の性能を示す一方、LSTM は時間相関と誤差で劣った。
• 条件付き拡散アプローチは、ベースラインより波形形状と振幅の回復をより正確に行える。
• 経験的な不確実性は本設定では穏やだが、より多様なノイズや前方モデル摂動が増えると広がる可能性。