心脏激活时间映射预测数据集

该数据集包含了从有限元（FE）模拟中生成的17,500个左心室（LV）几何形状的合成数据，这些数据被用于训练和测试深度学习模型。数据集涵盖了广泛的LV几何形状、起搏位点配置和心肌电导率。这些数据被用于训练几何深度学习模型，以预测心脏激活时间映射，从而优化心脏再同步治疗（CRT）的计划。数据集的创建过程涉及使用有限元方法对心脏电生理学进行模拟，并计算与随机选择的起搏位点相关的激活模式。数据集的应用领域是心脏再同步治疗，旨在解决患者个体化解剖结构的变异性和当前个性化计划策略的局限性所带来的挑战。This dataset contains 17,500 synthetic datasets of left ventricle (LV) geometries generated from finite element (FE) simulations, which are utilized for training and testing deep learning models. It covers a broad spectrum of LV geometries, pacing site configurations, and myocardial conductivities. The dataset is employed to train geometric deep learning models for predicting cardiac activation time mapping, thereby optimizing the planning of cardiac resynchronization therapy (CRT). The development of this dataset entails simulating cardiac electrophysiology using the finite element method, and calculating activation patterns associated with randomly selected pacing sites. The target application field of this dataset is cardiac resynchronization therapy, which aims to address the challenges posed by the variability of individual patients' anatomical structures and the limitations of current personalized planning strategies.

搜集汇总

数据集介绍

构建方式

心脏激活时间映射预测数据集通过有限元（FE）模拟生成，涵盖了广泛的左心室（LV）几何形状、起搏位点配置和组织电导率。研究团队采用Aliev-Panfilov模型模拟心脏电生理活动，生成了17,500个合成病例，用于训练和测试几何深度学习模型。数据集的构建过程包括LV几何形状的生成、电导率参数的随机选择以及起搏位点的配置，确保了数据的多样性和代表性。

使用方法

该数据集主要用于训练和测试几何深度学习模型，如图神经网络（GNN）和几何感知神经算子（GINO），以预测心脏激活时间图。研究人员通过比较两种模型的性能，发现GINO模型在预测精度和鲁棒性方面显著优于GNN模型。此外，数据集还可用于优化CRT中的起搏位点选择，通过最小化最大激活时间来改善治疗效果。数据集的使用方法还包括通过交互式网页图形用户界面（GUI）进行实时预测和可视化。

背景与挑战

背景概述

心脏激活时间映射预测数据集由密歇根州立大学机械工程系的Ehsan Naghavi等研究人员于2025年创建，旨在解决心脏再同步治疗（CRT）中导联放置优化这一核心临床难题。该数据集基于有限元仿真生成的17,500例合成左心室几何形态，涵盖广泛的组织电导率和起搏位点配置，为几何深度学习模型提供了训练基础。作为首个融合心脏电生理学与几何深度学习的大规模计算模型数据集，其通过几何感知神经网络算子（GINO）实现了1.14%的预测误差，显著提升了CRT治疗规划的精度和效率，为个性化医疗决策支持系统建立了新范式。

当前挑战

该数据集面临双重挑战：在领域层面，需克服患者特异性心脏几何形态变异导致的电激活模式预测难题，传统物理模型计算成本高昂且难以满足临床实时性要求；在构建层面，合成数据生成依赖有限元仿真，需平衡计算精度与规模（单次仿真耗时12分钟），同时确保几何形态参数空间（如起搏位点、组织异质性）的充分覆盖。几何深度学习模型开发中，图神经网络（GNN）存在过平滑和长程依赖捕捉不足的固有限制，而神经算子框架需解决连续域到离散点云的映射保真度问题。

常用场景

经典使用场景

心脏激活时间映射预测数据集在心脏再同步治疗（CRT）规划中具有重要应用价值。该数据集通过几何深度学习模型（如GNN和GINO）预测左心室（LV）的激活时间图，为临床医生提供实时、高精度的个性化治疗方案。数据集基于大量有限元模拟生成，涵盖了广泛的左心室几何形状、起搏位点配置和组织电导率，为模型训练提供了丰富的输入输出数据。

解决学术问题

该数据集解决了CRT治疗中起搏位点优化这一关键学术问题。传统方法依赖计算昂贵的数值模拟，难以在临床实践中广泛应用。通过深度学习模型，数据集实现了对患者特异性左心室几何形状和电生理特性的快速预测，显著降低了计算成本，同时提高了预测精度。此外，数据集还解决了几何变异性和网格离散化对模型鲁棒性的影响问题。

实际应用

在实际应用中，该数据集通过开发的交互式网络图形用户界面（GUI）为临床决策提供支持。医生可以上传患者特异性左心室几何形状，实时评估不同起搏位点的效果，并可视化预测的激活图。这一工具显著提升了CRT治疗的个性化水平，有望降低治疗无响应率，优化临床治疗效果。

数据集最近研究

最新研究方向

心脏激活时间映射预测数据集在心脏再同步治疗（CRT）规划中展现出重要价值，特别是在几何深度学习（GDL）领域的应用。最新研究聚焦于利用图神经网络（GNN）和几何信息神经算子（GINO）模型，通过大规模合成数据集进行训练，显著提升了心脏激活时间图的预测精度和实时性。GINO模型在预测误差（1.14% vs 3.14%）和抗噪性能上表现尤为突出，为临床决策支持工具的开发奠定了基础。此外，该数据集还推动了基于患者特异性解剖结构的CRT优化工作流，通过交互式图形用户界面（GUI）实现了个性化治疗方案的可视化评估，有望降低治疗无响应率。相关研究通过arXiv:2506.08987v1论文发布，为心脏电生理学与人工智能交叉领域提供了重要方法论参考。

相关研究论文

• Rapid cardiac activation prediction for cardiac resynchronization therapy planning using geometric deep learning

  密歇根州立大学机械工程系 · 2025年