Learned Finite Element-based Regularization of the Inverse Problem in Electrocardiographic Imaging

📄 arXiv: 2602.07466v2 📥 PDF

作者: Manuel Haas, Thomas Grandits, Thomas Pinetz, Thomas Beiert, Simone Pezzuto, Alexander Effland

分类: math.NA, cs.LG

发布日期: 2026-02-07 (更新: 2026-02-13)

💡 一句话要点

提出基于学习的有限元正则化方法，提升心电成像逆问题的重建精度。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 心电成像 逆问题 正则化 有限元方法 Fields-of-Experts 时空建模 心脏电生理

📋 核心要点

  1. 心电成像逆问题具有严重的不适定性，传统方法主要依赖空间平滑，忽略了心脏动力学的时间结构。
  2. 论文提出一种时空正则化框架，结合空间正则化与学习到的时间FoE先验，以捕捉复杂的心脏激活模式。
  3. 实验结果表明，该方法在去噪和逆重建方面优于传统时空方法，重建结果更准确且符合生理学。

📝 摘要（中文）

心电成像(ECGI)旨在从体表电位无创地重建心脏电活动。然而，相关的逆问题是严重的不适定问题，需要鲁棒的正则化方法。虽然经典方法主要采用空间平滑，但心脏动力学的时间结构因其生理相关性而未被充分利用。本文提出了一种时空正则化框架，该框架将空间正则化与学习到的时间Fields-of-Experts (FoE)先验相结合，以捕获复杂的时空激活模式。我们推导了非结构化心脏表面网格上的有限元离散化，证明了Mosco-收敛性，并开发了一种可扩展的优化算法，能够处理FoE项。在合成心外膜数据上的数值实验表明，与手工设计的时空方法相比，该方法在去噪和逆重建方面都有所改进，从而产生了对噪声具有鲁棒性且生理上合理的解决方案。

🔬 方法详解

问题定义：心电成像(ECGI)旨在从体表电位推断心脏表面的电活动。这是一个典型的逆问题，由于体表电位测量噪声和心脏模型的复杂性，该问题具有严重的不适定性。传统方法，如Tikhonov正则化，通常采用空间平滑，但忽略了心脏电活动的内在时间相关性，导致重建结果模糊或不准确。

核心思路：论文的核心思路是将心脏电活动的时间结构纳入正则化框架中。具体而言，通过学习一个时间Fields-of-Experts (FoE)先验，来约束重建的心脏电活动在时间上的平滑性和生理合理性。FoE模型能够捕获复杂的时间依赖关系，从而提高重建的准确性和鲁棒性。

技术框架：整体框架包括以下几个主要步骤：1) 使用有限元方法(FEM)对心脏表面进行离散化，建立体表电位与心脏电活动之间的关系矩阵。2) 构建一个时空正则化项，该项由空间正则化项和学习到的时间FoE先验组成。空间正则化项用于约束空间上的平滑性，而FoE先验用于约束时间上的平滑性和生理合理性。3) 使用优化算法求解逆问题，得到重建的心脏电活动。论文证明了该方法在数学上的收敛性（Mosco-convergence）。

关键创新：最重要的创新点在于引入了学习到的时间FoE先验来约束心电成像逆问题。与传统的手工设计的时空正则化方法相比，FoE模型能够自动学习心脏电活动的时间模式，从而更好地捕捉复杂的心脏动力学。此外，论文还提出了一个可扩展的优化算法，能够有效地处理FoE项，使其能够应用于实际的心电成像问题。

关键设计：论文使用有限元方法进行空间离散化，并采用L2范数作为空间正则化项。时间FoE模型由多个专家网络组成，每个专家网络学习不同的时间模式。损失函数包括数据拟合项、空间正则化项和FoE正则化项。优化算法采用交替方向乘子法(ADMM)来求解，以处理FoE项的非凸性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在合成心外膜数据上的实验表明，与传统的手工设计的时空正则化方法相比，该方法在去噪和逆重建方面都有显著提升。具体而言，该方法能够更准确地重建心脏电活动的幅度和位置，并且对噪声具有更强的鲁棒性。实验结果表明，该方法能够产生更符合生理学的心脏电活动重建结果。

🎯 应用场景

该研究成果可应用于临床心律失常的诊断和治疗。通过更准确地重建心脏电活动，医生可以更好地定位心律失常的起源，从而制定更有效的治疗方案，例如导管消融。此外，该方法还可以用于评估心脏疾病的进展和预测心脏事件的风险。

📄 摘要（原文）

Electrocardiographic imaging (ECGI) seeks to reconstruct cardiac electrical activity from body-surface potentials noninvasively. However, the associated inverse problem is severely ill-posed and requires robust regularization. While classical approaches primarily employ spatial smoothing, the temporal structure of cardiac dynamics remains underexploited despite its physiological relevance. We introduce a space-time regularization framework that couples spatial regularization with a learned temporal Fields-of-Experts (FoE) prior to capture complex spatiotemporal activation patterns. We derive a finite element discretization on unstructured cardiac surface meshes, prove Mosco-convergence, and develop a scalable optimization algorithm capable of handling the FoE term. Numerical experiments on synthetic epicardial data demonstrate improved denoising and inverse reconstructions compared to handcrafted spatiotemporal methods, yielding solutions that are both robust to noise and physiologically plausible.