[논문 리뷰] Geometry-Free Conditional Diffusion Modeling for Solving the Inverse Electrocardiography Problem

Ramiro Valdes Jara, Adam Meyers|arXiv (Cornell University)|2026. 01. 26.

Cardiac electrophysiology and arrhythmias인용 수 0

한 줄 요약

이 논문은 기하학 없이 데이터 기반의 조건부 확산 모델을 개발하여 체표 측정으로부터 심장 표면 전위를 추정하고, ECGI 역문제에 대한 확률적 재구성을 제공하며 결정론적 기준선보다 성능이 우수하다.

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.

연구 동기 및 목표

• 비침습적 ECGI의 필요성을 동기부여하고 불안정한 역문제를 다룬다.
• 기하학 없이 데이터 기반의 조건부 확산 프레임워크를 제안한다.
• 여러 개의 가능한 심장 표면 재구성에 대한 확률적 샘플링을 가능하게 한다.
• 실제 ECGI 유사 데이터에서 결정론적 기준선과의 성능을 평가한다.

제안 방법

• 심장 신호를 점진적으로 손상시키는 순방향 확산 과정과 체표측 측정값에 의해 안내되는 학습 가능한 조건부 역확산 과정을 사용한다.
• x_t, t, y를 주면 잡음을 예측하는 트랜스포머 기반 네트워크로 조건부 디노이징 함수를 구현한다.
• 실제 잡음과 예측 잡음 사이의 MSE를 최소화하는 조건부 확산 목적함수로 학습한다.
• 명시적 물리 기반의 순방향 연산자나 환자 특유의 기하학이 필요하지 않으며 학습은 데이터 기반으로 기하학 없이 이루어진다.
• 추론 시 조건부 역과정을 통해 p_theta(x_0|y)에서 샘플링하여 여러 개의 가능 재구성을 얻는다.

실험 결과

연구 질문

• RQ1 기하학 없이 조건부 확산 모델이 흉부 측정으로부터 표피심근 전위를 정확하게 재구성할 수 있는가?
• RQ2 체표면 데이터로 확산 디노이징을 조건화하는 것이 결정론적 기준선에 비해 재구성 품질을 향상시키는가?
• RQ3 ECGI에서 표피심근 신호의 시간적 형태학과 진폭을 모델이 얼마나 포착하는가?
• RQ4 이 접근법이 ECGI 역문제에 대한 불확실성 인지 확 probabilistic 재구성을 제공할 수 있는가?

주요 결과

모델	시간 상관 계수 (↑)	평균제곱오차 (↓)	평균절대오차 (↓)
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

• 확산 모델은 테스트된 방법 중 가장 높은 시간 상관도(0.78)와 최저 MSE(32.83) 및 MAE(3.42)를 달성했다.
• 비교 벤치마크(1D-CNN, LSTM, Transformer)와 비교했을 때 확산 모델은 재구성 정확도를 일관되게 향상시킨다.
• 결정론적 벤치마크는(1D-CNN과 Transformer) 비슷한 성능을 보였고 LSTM은 시간 상관 및 오차에서 더 나쁘게 나타났다.
• 조건부 확산 approached는 벤치마크보다 파형 형태와 진폭의 회복에서 더 정확하다.
• 보고된 설정에서 재구성의 경험적 불확실성은 작지만 더 다양한 노이즈와 순방향 모델 섭동이 늘어나면 넓어질 수 있다.