Novel Methods to Incorporate Physiological Prior Knowledge into the Inverse Problem of Electrocardiography - Application to Localization of Ventricular Excitation Origins

17 Millionen Todesfälle jedes Jahr werden auf kardiovaskuläre Erkankungen zurückgeführt. Plötzlicher Herztod tritt bei ca. 25% der Patienten mit kardiovaskulären Erkrankungen auf und kann mit ventrikulärer Tachykardie in Verbindung gebracht werden. Ein wichtiger Schritt für die Behandlung von ventrikulärer Tachykardie ist die Detektion sogenannter Exit-Points, d.h. des räumlichen Ursprungs der Erregung. Da dieser Prozess sehr zeitaufwändig ist und nur von fähigen Kardiologen durchgeführt werden kann, gibt es eine Notwendigkeit für assistierende Lokalisationsmöglichkeiten, idealerweise automatisch und nichtinvasiv. ... mehrElektrokardiographische Bildgebung versucht, diesen klinischen Anforderungen zu genügen, indem die elektrische Aktivität des Herzens aus Messungen der Potentiale auf der Körperoberfläche rekonstruiert wird. Die resultierenden Informationen können verwendet werden, um den Erregungsursprung zu detektieren. Aktuelle Methoden um das inverse Problem zu lösen weisen jedoch entweder eine geringe Genauigkeit oder Robustheit auf, was ihren klinischen Nutzen einschränkt. Diese Arbeit analysiert zunächst das Vorwärtsproblem im Zusammenhang mit zwei Quellmodellen: Transmembranspannungen und extrazelluläre Potentiale. Die mathematischen Eigenschaften der Relation zwischen den Quellen des Herzens und der Körperoberflächenpotentiale werden systematisch analysiert und der Einfluss auf das inverse Problem verdeutlicht. Dieses Wissen wird anschließend zur Lösung des inversen Problems genutzt. Hierzu werden drei neue Methoden eingeführt: eine verzögerungsbasierte Regularisierung, eine Methode basierend auf einer Regression von Körperoberflächenpotentialen und eine Deep-Learning-basierte Lokalisierungsmethode. Diese drei Methoden werden in einem simulierten und zwei klinischen Setups vier etablierten Methoden gegenübergestellt und bewertet. Auf dem simulierten Datensatz und auf einem der beiden klinischen Datensätze erzielte eine der neuen Methoden bessere Ergebnisse als die konventionellen Ansätze, während Tikhonov-Regularisierung auf dem verbleibenden klinischen Datensatz die besten Ergebnisse erzielte. Potentielle Ursachen für diese Ergebnisse werden diskutiert und mit Eigenschaften des Vorwärtsproblems in Verbindung gebracht.

17 million deaths a year worldwide are linked to cardiovascular diseases. Sudden cardiac death is one result in approximately 25% of all patients with cardiovascular diseases and may be connected to ventricular tachycardia. When treating the ventricular tachycardia with a catheter intervention, the detection of the so-called exit points, i.e. the spatial origin of the excitation, is a crucial step. As this procedure is very time consuming and skilled cardiologists are required, there is a need for assisting localization procedures, preferably automatic and non-invasive ones. ... mehrElectrocardiographic imaging tries to meet these needs by reconstructing the electrical activity of the heart from body surface potential measurements. The resulting information can be used to reconstruct the excitation origin. However, current methods for solving this inverse problem show either low precision or poor robustness, which limits their clinical utility. This work first analyzes the forward problem in combination with two source models: transmembrane voltages and extracellular potentials. The mathematical properties of the relation between sources on the heart and the body surface potentials are analyzed systematically and the impact on the inverse problem is explained and visualized. Subsequently, this knowledge is used to solve the inverse problem. Three novel methods are introduced: Delay-based regularization, body surface potential regression, and deep learning-based localization. These three methods are compared to four state-of-the-art methods using one simulated and two clinical datasets. On the simulated as well as one clinical dataset, one of the novel methods outperformed the existing approaches, whereas on the remaining clinical dataset, Tikhonov regularization performed best. Potential reasons for these results are discussed and related to properties of the forward problem.