Herz-Kreislauf-Erkrankungen sind eine der häufigsten Todesursachen weltweit und stellen damit eine große wirtschaftliche und soziale Belastung dar. Um die zunehmende Verbreitung dieser Krankheiten zu bekämpfen, bieten personalisierte Modelle der kardialen Elektrophysiologie ein großes Potenzial zur Unterstützung der klinischen Diagnostik, Behandlungsplanung und Prognose. Solche patientenspezifisch personalisierte Modelle, die als kardiale digitale Zwillinge bezeichnet werden, spiegel sowohl Anatomie als auch Elektrophysiologie eines bestimmten Patienten wider.Aufgrund der Herausforderungen in der Modellbildung und Personalisierung von digitalen Zwillingen ist die klinische Nutzung und Akzeptanz eingeschränkt. Kardiale digitale Zwillinge müssen nicht nur innerhalb eines kurzen, mit dem klinischen Arbeitsablauf kompatiblen Zeitrahmens erstellt werden können, sondern müssen auch auf Basis der vorhandenen klinischen Daten, die oft verrauscht sind oder nur mit geringer räumlich-zeitlicher Auflösung vorliegen. Darüber hinaus müssen die Modelle die zugrundeliegende Elektrophysiologie eines Patienten mit hoher Wiedergabetreue nachbilden, um für klinische Anwendungen zuverlässig und robust einsetzbar zu sein. Aktuelle Computermodelle der menschlichen Elektrophysiologie erfüllen zumindest eine dieser Bedingungen nicht.Die vorliegende Arbeit setzt sich zum Ziel, diese Einschränkungen zu überwinden, indem ein automatisiertes Rahmenwerk für die Erstellung und Personalisierung kardialer digitaler Zwillinge auf Basis von nicht-invasiven klinischen Daten entwickelt wird. Insbesondere wird ein effizienter Arbeitsablauf zur Erstellung anatomisch spezifischer Modelle aus klinischen Bildgebungsdaten enwickelt. Ein abstrakter Referenzrahmen, der eine intuitive anatomische Beschreibung von Positionen innerhalb des Körpermodells kodiert, wird dann konstruiert, um die unbeaufsichtigte Manipulation von räumlich abhängigen Modellparametern zu ermöglichen. Zu den entscheidenden räumlich abhängigen Modellparametern eines digitalen Herzmodells zählen Parameter zur Beschreibung von Struktur und Funktions des His-Purkinje-Systems und der Heterogenität in der kardialen Repolarisation, welche die Aktivierungs- und Repolarisationsmuster determinieren. Alle relevanten Modellparameter werden in einem einzigen Merkmalsvektor zusammengefasst, der anhand von nicht-invasiv gemessenen 12-Kanal-Elektrokardiogrammen (EKGs) personalisiert werden kann. Ein neuartiges effizientes Vorwärtsmodell, das aus dem Merkmalsvektor biophysikalische 12-Kanal-EKGs generiert, wird abschließend formuliert und gegenüber etablierten Referenzmodellen mit höchstem biophysikalischen Detailierungsgrad validiert. Die Eignung des entwickelten Modells, realistische 12-Kanal-EKGs zu simulieren, wird zunächst anhand experimenteller Daten untersucht. Die Ähnlichkeit zwischen aufgenommenen und simulierten Signalen wird anhand unterschiedlicher Gütemaße gemessen, deren Sensitivität und Robustheit geprüft wird. Anschließend wird die Machbarkeit der Personalisierung des Merkmalsvektors der menschlichen ventrikulären Elektrophysiologie demonstriert. Zwei personalisierte Darstellungen des His-Purkinje-Systems werden verglichen, um die biophysikalische Genauigkeit des Modells zu gewährleisten. Schließlich wird der Merkmalsvektor um zusätzliche elektrophysiologische Parameter erweitert, um deren Einfluss auf die Morphologie des 12-Kanal-EKGs zu beleuchten um damit letztendliche die Personalisierungsansätze zu verbessern. Herz-Kreislauf-Erkrankungen sind eine der häufigsten Todesursachen weltweit und stellen damit eine große wirtschaftliche und soziale Belastung dar. Um die zunehmende Verbreitung dieser Krankheiten zu bekämpfen, bieten personalisierte Modelle der kardialen Elektrophysiologie ein großes Potenzial zur Unterstützung der klinischen Diagnostik, Behandlungsplanung und Prognose. Solche patientenspezifisch personalisierte Modelle, die als kardiale digitale Zwillinge bezeichnet werden, spiegel sowohl Anatomie als auch Elektrophysiologie eines bestimmten Patienten wider.Aufgrund der Herausforderungen in der Modellbildung und Personalisierung von digitalen Zwillingen ist die klinische Nutzung und Akzeptanz eingeschränkt. Kardiale digitale Zwillinge müssen nicht nur innerhalb eines kurzen, mit dem klinischen Arbeitsablauf kompatiblen Zeitrahmens erstellt werden können, sondern müssen auch auf Basis der vorhandenen klinischen Daten, die oft verrauscht sind oder nur mit geringer räumlich-zeitlicher Auflösung vorliegen. Darüber hinaus müssen die Modelle die zugrundeliegende Elektrophysiologie eines Patienten mit hoher Wiedergabetreue nachbilden, um für klinische Anwendungen zuverlässig und robust einsetzbar zu sein. Aktuelle Computermodelle der menschlichen Elektrophysiologie erfüllen zumindest eine dieser Bedingungen nicht.Die vorliegende Arbeit setzt sich zum Ziel, diese Einschränkungen zu überwinden, indem ein automatisiertes Rahmenwerk für die Erstellung und Personalisierung kardialer digitaler Zwillinge auf Basis von nicht-invasiven klinischen Daten entwickelt wird. Insbesondere wird ein effizienter Arbeitsablauf zur Erstellung anatomisch spezifischer Modelle aus klinischen Bildgebungsdaten enwickelt. Ein abstrakter Referenzrahmen, der eine intuitive anatomische Beschreibung von Positionen innerhalb des Körpermodells kodiert, wird dann konstruiert, um die unbeaufsichtigte Manipulation von räumlich abhängigen Modellparametern zu ermöglichen. Zu den entscheidenden räumlich abhängigen Modellparametern eines digitalen Herzmodells zählen Parameter zur Beschreibung von Struktur und Funktions des His-Purkinje-Systems und der Heterogenität in der kardialen Repolarisation, welche die Aktivierungs- und Repolarisationsmuster determinieren. Alle relevanten Modellparameter werden in einem einzigen Merkmalsvektor zusammengefasst, der anhand von nicht-invasiv gemessenen 12-Kanal-Elektrokardiogrammen (EKGs) personalisiert werden kann. Ein neuartiges effizientes Vorwärtsmodell, das aus dem Merkmalsvektor biophysikalische 12-Kanal-EKGs generiert, wird abschließend formuliert und gegenüber etablierten Referenzmodellen mit höchstem biophysikalischen Detailierungsgrad validiert. Die Eignung des entwickelten Modells, realistische 12-Kanal-EKGs zu simulieren, wird zunächst anhand experimenteller Daten untersucht. Die Ähnlichkeit zwischen aufgenommenen und simulierten Signalen wird anhand unterschiedlicher Gütemaße gemessen, deren Sensitivität und Robustheit geprüft wird. Anschließend wird die Machbarkeit der Personalisierung des Merkmalsvektors der menschlichen ventrikulären Elektrophysiologie demonstriert. Zwei personalisierte Darstellungen des His-Purkinje-Systems werden verglichen, um die biophysikalische Genauigkeit des Modells zu gewährleisten. Schließlich wird der Merkmalsvektor um zusätzliche elektrophysiologische Parameter erweitert, um deren Einfluss auf die Morphologie des 12-Kanal-EKGs zu beleuchten um damit letztendliche die Personalisierungsansätze zu verbessern. Cardiovascular diseases are a leading cause of death worldwide posing a large economic and social burden. To combat their increasing prevalence, personalized models of cardiac electrophysiology show high potential to aid in clinical diagnostics, treatment planning, and prognostics. Such models, termed cardiac digital twins, match both the anatomy and electrophysiology of a given patient. Challenges during both model generation and personalization, however, have limited clinical uptake and use. Not only must cardiac digital twins be generated within short time frames compatible with the clinical workflow, personalization must be based on clinical data at hand that is oftentimes noisy or sparse. Furthermore, the models must replicate a patient's underlying electrophysiology with high fidelity to be reliable and trustworthy for clinical applications. Current computation models of human electrophysiology have been limited in at least one of these regards. We aimed to overcome these challenges by constructing an automated framework for the generation and personalization of cardiac digital twins from non-invasive clinical data. Novel contributions first include a workflow to generate anatomically-specific models from clinical imaging data. An abstract reference frame that encodes intuitive descriptions of position within the model is then constructed to allow unattended manipulation of spatially-dependent model parameters. Pivotal spatially-dependent model parameters needed for a cardiac digital twins of high fidelity include those related to the structure of the His-Purkinje system and repolarization gradients facilitating activation and repolarization, respectively. All relevant model parameters are formulated within a single feature vector that can be personalized according to non-invasively measured 12 lead electrocardiograms (ECGs). A new efficient forward model that generates biophysical 12 lead ECGs from the feature vector is lastly formulated and validated against gold-standard modeling approaches. The ability of the model to generate realistic 12 lead ECGs was first assessed against experimental data. Similarity between measured and simulated signals is measured by loss metrics first and tested for sensitivity and robustness. The feasibility of personalizing the feature vector of human ventricular electrophysiology within the computer model is then demonstrated and explored. Two representations of the His-Purkinje system that can be personalized are compared to ensure biophysical fidelity. Lastly, further electrophysiological parameters are varied to understand their influence on the morphology of the 12 lead ECG, and thus to improve personalization approaches. Cardiovascular diseases are a leading cause of death worldwide posing a large economic and social burden. To combat their increasing prevalence, personalized models of cardiac electrophysiology show high potential to aid in clinical diagnostics, treatment planning, and prognostics. Such models, termed cardiac digital twins, match both the anatomy and electrophysiology of a given patient. Challenges during both model generation and personalization, however, have limited clinical uptake and use. Not only must cardiac digital twins be generated within short time frames compatible with the clinical workflow, personalization must be based on clinical data at hand that is oftentimes noisy or sparse. Furthermore, the models must replicate a patient's underlying electrophysiology with high fidelity to be reliable and trustworthy for clinical applications. Current computation models of human electrophysiology have been limited in at least one of these regards. We aimed to overcome these challenges by constructing an automated framework for the generation and personalization of cardiac digital twins from non-invasive clinical data. Novel contributions first include a workflow to generate anatomically-specific models from clinical imaging data. An abstract reference frame that encodes intuitive descriptions of position within the model is then constructed to allow unattended manipulation of spatially-dependent model parameters. Pivotal spatially-dependent model parameters needed for a cardiac digital twins of high fidelity include those related to the structure of the His-Purkinje system and repolarization gradients facilitating activation and repolarization, respectively. All relevant model parameters are formulated within a single feature vector that can be personalized according to non-invasively measured 12 lead electrocardiograms (ECGs). A new efficient forward model that generates biophysical 12 lead ECGs from the feature vector is lastly formulated and validated against gold-standard modeling approaches. The ability of the model to generate realistic 12 lead ECGs was first assessed against experimental data. Similarity between measured and simulated signals is measured by loss metrics first and tested for sensitivity and robustness. The feasibility of personalizing the feature vector of human ventricular electrophysiology within the computer model is then demonstrated and explored. Two representations of the His-Purkinje system that can be personalized are compared to ensure biophysical fidelity. Lastly, further electrophysiological parameters are varied to understand their influence on the morphology of the 12 lead ECG, and thus to improve personalization approaches. Arbeit an der Bibliothek noch nicht eingelangt - Daten nicht geprüft Abweichender Titel laut Übersetzung des Verfassers/der Verfasserin Dissertation Karl-Franzens-Universität Graz 2021