大面积环状消融点的解剖结构的自动分割
1.相关申请的交叉引用
2.本技术要求2020年7月30日提交的美国临时专利申请63/059,060的权益，该申请如同完整阐述般以引用方式并入。
技术领域
3.本发明涉及人工智能和机器学习的方法和系统。更具体地，本发明涉及利用机器学习算法的系统和方法，该机器学习算法执行大面积环状消融(waca)点的解剖结构的自动分割。


背景技术：

4.心脏病症的治疗通常需要心脏成像(即，对心脏组织、腔室、静脉、动脉和/或通路成像，其也称为心脏扫描或心脏成像)和后续消融(即，移除或破坏所成像的心脏组织、腔室、静脉、动脉和/或通路)。在示例中，心房纤颤的心脏病症可被成像并且使用心房纤颤消融来治疗。心房纤颤消融的具体类型是大面积环状消融(waca)。
5.常规地，在心脏标测阶段期间，waca实现右肺静脉和左肺静脉的逐点(例如，waca消融点)隔离，以形成围绕左肺静脉和右肺静脉的圆环(例如，在一些情况下，waca可延伸到心房的顶部并且延伸进入右心房)。然而，waca消融点之间存在潜在间隙、所得的消融线中存在潜在间隙以及waca依赖于解剖结构使得waca受到限制。例如，如果在消融阶段期间未经治疗，则这些间隙可导致肺静脉重新连接和复发性心律失常。为了克服这些限制，常规方法依赖由医疗专业人员手动进行的消融位点解剖分割和waca消融点连续性估计。由于这些限制并且根据常规手动查看方法，需要提供用于预测潜在间隙、提供解剖分割以及提供对waca消融点进行连续性估计的改进的方法。


技术实现要素：

6.提供了一种用于实现使用联接到存储器的处理器实现的评估引擎的方法和设备。该评估引擎接收对应于患者的心脏组织的有效点。该评估引擎基于心脏组织的结构分割来确定每个有效点的解剖结构分类，并且将解剖结构分类与所述多个有效点中的每个有效点一起提供以支持心脏组织的治疗。
附图说明
7.通过以举例的方式结合附图提供的以下具体实施方式可得到更详细的理解，其中附图中类似的附图标号指示类似的元件，并且其中：
8.图1示出了可实现一个或多个特征的示例性系统的图示；
9.图2示出了用于远程监测和传送患者生物计量的示例性系统的框图；
10.图3示出了人工智能系统的图形描绘；
11.图4示出了在图3的人工智能系统中执行的方法的框图；
12.图5示出了根据一个或多个实施方案的方法的框图；
13.图6a示出了自动编码器结构的示例；
14.图6b示出了在图6a的自动编码器中执行的方法的框图；
15.图7示出了根据一个或多个实施方案的方法的框图；
16.图8示出了图形用户界面的示例的图形图像，该图形用户界面提供具有两个单独圆环的pv的图像；
17.图9a示出了显示数据集的用户界面的图形图像；
18.图9b示出了显示数据集的用户界面的图形图像；
19.图10示出了将左waca和右waca分类成解剖结构的图形描绘；
20.图11a示出了右解剖结构的图示；
21.图11b示出了左解剖结构的图示；
22.图12a示出了用于急性重新连接分类器的随机森林的示例性操作的分类方法的框图；
23.图12b示出了用于利用随机森林分类、全连接密集层和cnn架构的分类方法的框图；
24.图13示出了示例性随机森林分类器；
25.图14a示出了用于急性重新连接分类器的随机森林的示例性操作的分类方法的框图；
26.图14b示出了用于二次消融/急性重新连接分类器的深度学习方法的示例性操作的分类方法的框图；并且
27.图14c示出了描绘急性重新连接点的图形图像。
具体实施方式
28.本文公开了一种用于大面积环状消融(waca)点的解剖结构的自动分割的系统和方法。该系统和方法包括人工智能和机器学习。更具体地，本公开涉及一种用于waca点的解剖结构的自动分割的系统和方法，该系统和方法包括机器学习算法，该机器学习算法在心脏标测阶段期间执行有效waca消融和有效消融点(例如，有效点)的解剖结构的自动分割。例如，该系统和方法包括处理器可执行代码或软件，其位于医疗装置设备的过程操作中并且位于医疗装置设备的处理硬件中，以使用随机森林回归、全连接密集层和卷积神经网络(cnn)架构来执行有效点的解剖结构的自动分割。
29.根据一个实施方案，该系统和方法包括评估引擎，该评估引擎提供有效点的特定多步骤数据操纵以进行自动解剖分割、连续性估计和间隙预测。例如，在心脏标测阶段期间，评估引擎可确定消融点是右waca的部分还是左waca的部分(例如，每个waca点是在围绕左肺静脉(pv)的左圆环内还是在围绕右pv的右圆环内)，并且将左waca点和右waca点分类为pv的多种(诸如九种)解剖结构(例如，将每个消融点与这些解剖结构中的一种解剖结构相关联)。在心脏标测阶段期间，评估引擎可确定每个有效点是否为好的或正确的，使得该点帮助医疗专业人员隔离这些pv。在确定好的或正确的有效点时，评估引擎可使用右waca信息、左waca信息和解剖结构分类来预测急性重新连接和二次消融位置。
30.例如，使用消融导管利用射频能量以逐点waca模式(例如，waca规程)执行肺静脉
隔离(pvi)，其中waca规程的终点是完全肺静脉隔离。在最后消融waca点处，医师将标测导管顺序地放置于每个pv中以确定是否已发生自发pv重新连接。如果尚未发生肺静脉重新连接，则施用大剂量的静脉内腺苷以揭露任何休眠传导位点。可在任何重新连接位点处执行消融以实现pvi。评估引擎可试图在执行潜在重新连接位点的waca规程之后提前通知医师，使得消融这些位点可产生pvi。评估引擎减少了第二阶段和第三阶段中(例如，在腺苷施用之后)对附加消融的需求。即使存在pv的隔离，心房纤颤也可在患者通过后续消融治疗从第一waca治疗释放之后复发。评估引擎可规定医师在第一waca治疗期间重新消融某些区域(即，预测二次消融位置)。
31.评估引擎的技术效果和有益效果包括对消融点的自动解剖分割、连续性估计和潜在长期(二次消融)重新连接位点估计，以提供心脏组织的改进的图像数据。改进的图像数据减少和/或消除了waca消融点之间和所得的消融线中的间隙的潜在存在以及waca对解剖结构的依赖性。因此，改进的图像数据可用于通过减少或消除这些间隙导致pv重新连接和复发性心律失常的可能性来有效地治疗各种心血管疾病。评估引擎实际上可应用于但不限于消融-超声技术(例如，心房纤颤消融和waca)、病灶的计划和诊断、和用于解决一种或多种疾病状态(诸如心房纤颤、心房扑动、一般电生理学、心律失常、心室纤颤和心室性心动过速)的磁共振的评价和诊断。
32.图1示出了可实现本公开主题的一个或多个特征的示例性系统100(例如，医疗装置设备)的图示。系统100的全部或部分可用于为成像数据集(例如，训练数据集)收集信息，并且/或者系统100的全部或部分可用于实现本文所述的机器学习算法和评估引擎。
33.系统100可包括被配置成使用血管内超声和/或mri导管插入术来使体内器官成像的部件，诸如导管105。导管105还可被进一步配置成获得包括心脏的电信号的生物计量数据(例如，多个点(诸如waca消融点)处的数据)。虽然导管105示出为尖导管，但是应当理解，包括一个或多个元件(例如，电极、跟踪线圈、压电换能器等)的任何形状的导管均可用于实现本文公开的实施方案。
34.系统100包括探头110，该探头具有可由医生或医疗专业人员115导航到躺在床(或台)130上的患者125的身体部位(诸如心脏120)的轴。根据实施方案，可提供多个探头。然而，为简明起见，本文描述了单个探头110。但是，应当理解，探头110可表示多个探头。
35.示例性系统100可用于检测、诊断和治疗心脏病症(例如，使用评估引擎)。心脏病症，诸如心律失常(具体地为心房纤颤)，一直是常见且危险的医学病症，在老年群体中尤为如此。在具有正常窦性节律的患者(例如，患者125)中，包括心房、心室和兴奋性传导组织的心脏(例如，心脏120)被电激励而以同步的、仿照的方式搏动(需注意，该电激励可被检测为心内信号等)。
36.对于具有心律失常的患者(例如，患者125)，心脏组织的异常区域不会像具有正常窦性节律的患者那样遵循与正常传导组织相关联的同步搏动周期。相反，心脏组织的异常区域异常地传导到相邻组织，从而将心动周期打乱为非同步心律(需注意，该非同步心律也可被检测为心内信号)。之前已知此类异常传导发生于心脏(例如，心脏120)的各个区域，例如，窦房(sa)结区域中、沿房室(av)结的传导通路或形成心室和心房心腔壁的心肌组织中。
37.此外，包括房性心律失常在内的心律失常可为多子波折返型，其特征在于分散在心房腔室周围并通常自传播的电脉冲的多个异步环(例如，心内信号的另一个示例)。另选
地，或除多子波折返型外，诸如当心房内孤立的组织区域以快速重复的方式自主搏动时，心律失常还可具有病灶源。(例如，心内信号的另一个示例)室性心动过速(v-tach或vt)是一种源于某一个心室的心动过速或快速心律。这是一种可能危及生命的心律失常，因为它可以导致心室纤颤和猝死。
38.当窦房结产生的正常电脉冲(例如，心内信号的另一个示例)被起源于心房和肺静脉、会导致不规则脉冲被传输至心室的紊乱电脉冲(例如，信号干扰)淹没时，会发生一种类型的心律失常，即心房纤颤。从而产生不规则心跳，并且可持续几分钟至几周，或甚至几年。心房纤颤(af)通常是慢性病症，它会使通常由中风导致的死亡风险稍有增加。af的第一线治疗是可减慢心率或使心律恢复正常的药物治疗。另外，患有af的人通常会被给予抗凝剂，以防止他们有中风的风险。使用此类抗凝血剂会伴随其自身带有的内出血风险。对于一些患者，药物治疗是不够的，他们的af被视为药物难治性的，即用标准药物干预是无法医治的。也可以采用同步电复律使af恢复至正常心律。另选地，通过导管消融治疗af患者。
39.基于导管消融的治疗可包括标测心脏组织的电特性(尤其是心内膜和心脏容量)，以及通过施加能量来对心脏组织进行选择性地消融。心脏标测(其是心脏成像的示例)包括创建沿着心脏组织的波传播的电势的标测图(例如，电压标测图)或到各种组织定位点的抵达时间的标测图(例如，局部时间激活(lat)标测图)。心脏标测(例如，心脏标测图)可用于检测局部心脏组织功能障碍。消融，诸如基于心脏标测的消融，可停止或改变不需要的电信号从心脏的一个部分传播到另一部分。
40.消融过程通过形成非导电消融灶来损坏不需要的电通路。已经公开了多种用于形成消融灶的能量递送形式，并且包括使用微波、激光和更常见的射频能量来沿心脏组织壁形成传导阻滞。在标测然后消融的两步规程中，通常通过向心脏(例如，心脏120)中插入含有一个或多个电传感器(例如，导管105的至少一个消融电极134)的导管(例如，导管105)并获取多个点处的数据来感应并测量心脏中各个点的电活动。然后利用该数据(例如，waca消融点)来选择要执行消融的心内膜目标区域。需注意，由于使用示例性系统100(例如，医疗装置设备)所采用的评估引擎，数据在多个点(即，waca消融点)被操纵成心脏组织的改进的图像数据，包括其在右waca或左waca内的位置，其被分类为九种解剖结构，确定其为好的或正确的，以及预测急性重新连接和二次消融位置。改进的图像数据还可包括稳定性测量(例如，在消融期间从x、y、z定位提取)和消融特性(例如，功率、阻抗、阻抗降、稳定性等)。
41.随着临床医生治疗越来越具挑战性的病症诸如心房颤动和室性心动过速，心脏消融和其他心脏电生理规程变得日益复杂。复杂性心律失常的治疗目前依赖于使用三维(3d)标测系统以便重构感兴趣心脏腔室的解剖结构。就这一点而言，示例性系统100(例如，医疗装置设备)所采用的评估引擎在本文中操纵和评估所述多个点(例如，waca消融点)处的数据以产生心脏组织的改进的图像数据，使得可生成用于治疗心脏病症的改进的图像、扫描图和/或标测图连同预测。
42.例如，心脏病专家依赖于软件，诸如由biosensewebster,inc.(diamond bar,calif.)生产的3 3d标测系统的复杂碎裂心房电图(cfae)模块，以生成并分析心内心电描记图(egm)。示例性系统100(例如，医疗装置设备)的评估引擎增强该软件以生成和分析改进的心内图像、扫描图和/或标测图，使得可确定消融点以用于治疗一系列的心脏病症，包括心房纤颤。评估引擎所支持的改进的图像、扫描图和/或标测图可提供与表示
这些有挑战性的心律失常的心脏基质(解剖和功能)的体内器官(例如，心脏和/或器官组织，包括疤痕组织)的电生理特性有关的多条信息。
43.具有不同病因(缺氧、扩张型(dcm)、肥大型心肌症(hcm)、致心律失常性右心室发育异常(arvd)、左心室致密化不全(lvnc)等)的心肌症具有可识别基质，其特征在于由功能正常的心肌细胞包围的不健康组织的区域。
44.异常组织通常通过低压egm来表征。然而，心内-心外膜标测中的初始临床经验指示低电压区域并不总是作为唯一的致心律失常机制存在于此类患者中。事实上，低压或中压区域可在窦性节律期间表现出egm碎裂和延长的活动，该窦性节律对应于在持续和组织的室性心律失常期间识别的关键峡部，例如，仅适用于非耐受室性心动过速。此外，在许多情况下，在显示正常或接近正常的电压振幅(》1-1.5mv)的区域中观察到egm碎裂和延长的活动。虽然后一区域可根据电压振幅来评估，但根据心内信号不能将它们视为正常的，因此表示真实的致心律失常的基质。3d标测能够将致心律失常基质定位在右/左心室的心内膜层和/或心外膜层上，这可根据主要疾病的扩展而在分布上变化。
45.与这些心脏病症相关的基质与心室腔室(右和左)的心内膜层和/或心外膜层中的碎裂和延长的egm的存在相关。3d标测系统，诸如3，能够在异常egm检测方面定位心肌症的潜在致心律失常基质。
46.电极导管(例如，导管105)用于医疗实践中。所述电极导管被用来刺激和标测心脏中的电活动，以及用来消融异常电活动的位点。使用时，将电极导管插入到主静脉或动脉例如股动脉中，并且随后引导到所关注的心脏腔室中。典型的消融规程涉及将在其远侧端部具有至少一个电极的导管插入到心脏腔室中。提供通常用胶带粘贴在患者的皮肤上的参考电极，或者可使用设置在心脏中或附近的第二导管来提供参考电极。射频(rf)电流被施加至消融导管的尖端电极，并且电流通过围绕其的介质(即，血液和组织)流向该参考电极。电流的分布取决于与血液相比电极表面与组织接触的量，血液具有比组织更高的导电率。由于组织的电阻，发生组织的加热。组织被充分加热而致使心脏组织中的细胞破坏，从而导致在心脏组织内形成不导电的消融灶。在这个过程中，由于从被加热组织至电极本身的传导，还发生对电极的加热。如果电极温度变得足够高，可能高于60摄氏度，则可在电极的表面上形成脱水血蛋白的薄透明涂层。如果温度继续升高，则该脱水层可变得越来越厚，导致在电极表面上的血液凝结。因为脱水生物材料具有比心内膜组织更高的电阻，所以对于进入组织的电能量流的阻抗也增大。如果阻抗充分地增加，则出现阻抗上升，并且必须将导管从体内移除并清理尖端电极。
47.心脏病症(诸如心律失常)的治疗通常需要获得心脏组织、腔室、静脉、动脉和/或电通路的详细标测。例如，成功执行导管消融的先决条件是导致心律失常的原因准确位于心脏腔室中。此类定位可经由电生理研究来完成，在该电生理研究期间，用引入到心脏腔室中的标测导管空间分辨地检测电势。该电生理研究(所谓的电解剖标测)因此提供可在监视器上显示的3d标测数据。在许多情况下，标测功能和治疗功能(例如，消融)由单个导管或一组导管提供，使得标测导管也同时作为治疗(例如，消融)导管操作。在这种情况下，评估引擎可由导管105直接存储和执行。
48.心脏区域(诸如心脏区域、组织、静脉、动脉和/或心脏(例如，120)的电通路)的标测可导致识别问题区域诸如疤痕组织、心律失常源(例如，电转子)、健康区域等。心脏区域
可被标测，使得使用显示器提供标测心脏区域的视觉渲染，如本文进一步公开的。另外，心脏标测(其为心脏成像的示例)可包括基于一种或多种模态的标测，所述一种或多种模态诸如但不限于局部激活时间(lat)、电活动、拓扑结构、双极性标测、主频或阻抗。使用插入患者体内的导管可捕获对应于多种模态的数据，并且可基于医疗专业人员的对应设置和/或偏好来同时或不同时提供对应于多种模态的数据以用于渲染。
49.心脏标测可使用一种或多种技术来实现。作为第一技术的示例，心脏标测可通过根据心脏内的精确位置感测心脏组织的电特性(例如，lat)来实现。对应的数据可通过一个或多个导管获取，这些导管使用在其远侧末端中具有电传感器和位置传感器的导管推进到心脏中。具体例如，最初可在心脏的内表面上的约10个至约20个点上测量位置和电活动。这些数据点通常可足以生成心脏表面的质量令人满意的初步重构或标测图。初步图可与取自额外的点处的数据结合，以便产生更全面的心脏电活动图。在临床环境中，积累100个或更多个位点处的数据以生成心脏腔室电活动的详细且全面的标测图并不少见。所产生的详细的图可接着作为基础以用于决定例如组织消融的治疗行动过程，以改变心脏电活动的传播和恢复正常心律。
50.返回图1，为了实现所指出的心脏成像，医疗专业人员115可穿过护套136插入轴137，同时使用导管105的近侧端部附近的操纵器138和/或从护套136偏转来操纵轴137的远侧端部。如插图140所示，导管105可装配在轴137的远侧端部处。导管105可在塌缩状态下穿过护套136插入并且然后可在心脏120内展开。如本文进一步所述的，导管105可包括至少一个消融电极134和导管针。
51.根据实施方案，导管105可被配置为消融心脏120的心腔的组织区域。插图150以放大视图示出了在心脏120的心脏腔室内的导管105。如图所示，导管105可包括联接到导管的主体上的至少一个消融电极134。根据其他实施方案，多个元件可经由形成导管105的形状的长条连接。可以提供一个或多个其他元件(未示出)，该一个或多个其他元件可以是被配置成消融或获得生物计量数据的任何元件，并且可以是电极、换能器或一个或多个其他元件。
52.根据本文所公开的实施方案，消融电极诸如至少一个消融电极134可被配置为向体内器官诸如心脏120的组织区域提供能量。能量可以是热能并且可从组织区域的表面开始并延伸到组织区域的厚度中对组织区域造成损伤。
53.根据本文所公开的实施方案，生物计量数据可以包括以下中的一者或多者：lat、电活动、拓扑结构、双极标测图、主频、阻抗等。lat可以是基于归一化初始起点来计算的对应于局部激动的阈值活动的时间点。电活动可以是可以基于一个或多个阈值来测量并且可以基于信噪比和/或其他滤波器来感测和/或增强的任何适用的电信号。拓扑结构可以对应于身体部位或身体部位的一部分的物理结构，并且可以对应于物理结构相对于身体部位的不同部分或相对于不同身体部位的变化。主频可以是在身体部位的一部分处普遍存在的频率或频率范围，并且在相同身体部位的不同部分中可以不同。例如，心脏的pv的主频可以不同于同一心脏的右心房的主频。阻抗可以是在身体部位的给定区域处的电阻测量值。
54.如图1所示，探头110和导管105可连接到控制台160。控制台160可包括采用如本文所述的机器学习算法和评估引擎的计算装置161。根据一个实施方案，控制台160和/或计算装置161至少包括处理器和存储器，其中该处理器执行关于本文所述的机器学习算法和评
估引擎的计算机指令，该存储器存储供该处理器执行的指令。
55.计算装置161可以是包括软件和/或硬件的任何计算装置，诸如通用计算机，该计算装置具有合适的前端和接口电路162，以用于向导管105传输信号和从导管105接收信号，以及用于控制系统100的其他部件。计算装置161可包括通常被配置为现场可编程门阵列(fpga)的实时降噪电路系统，之后是模数(a/d)心电图(ecg)或心电描记图或肌电图(emg)信号转换集成电路。计算装置161可将信号从a/d ecg或emg电路传递到另一处理器并且/或者可被编程以执行本文所公开的一个或多个功能。例如，所述一个或多个功能包括接收对应于患者的心脏组织的有效点，基于心脏组织的结构分割来确定每个有效点的解剖结构分类，并且将解剖结构分类与所述多个有效点中的每个有效点一起提供以支持心脏组织的治疗。前端和接口电路162包括输入/输出(i/o)通信接口，该i/o通信接口使控制台160能够从至少一个消融电极134接收信号和/或将信号传输到至少一个消融电极134。
56.在一些实施方案中，计算装置161可被进一步配置为接收生物识别数据，诸如电活动，并确定给定的组织区域是否导电。根据一个实施方案，计算装置161可位于控制台160的外部，并且可位于例如导管中、外部装置中、移动装置中、基于云的装置中，或者可以是独立的处理器。
57.如上所述，计算装置161可包括通用计算机，该通用计算机可用软件编程以执行本文所述的机器学习算法和评估引擎的功能。软件可以例如通过网络以电子形式下载到通用计算机，或者可另选地或另外地设置和/或存储在非临时性有形介质诸如磁存储器、光存储器或电子存储器(例如，任何合适的易失性和/或非易失性存储器，诸如随机存取存储器或硬盘驱动器)上。图1所示的示例性配置可被修改为实施本文所公开的实施方案。本发明所公开的实施方案可以类似地使用其他系统部件和设置来应用。另外，系统100可以包括附加部件，诸如用于感测电活动的元件、有线或无线连接器、处理和显示装置等。
58.根据一个实施方案，显示器165连接到计算装置161。在规程期间，计算装置161可促进在显示器165上向医疗专业人员115呈现身体部位渲染，并且将表示身体部位渲染的数据存储在存储器中。在一些实施方案中，医疗专业人员115可能能够使用一个或多个输入装置(诸如触摸板、鼠标、键盘、手势识别设备等)来操纵身体部位渲染。例如，输入装置可用于改变导管105的位置，使得渲染被更新。在另选的实施方案中，显示器165可包括触摸屏，该触摸屏可被配置为除了呈现身体部位渲染之外，还接受来自医疗专业人员115的输入。需注意，显示器165可位于相同的位置或远程位置，诸如单独的医院或在单独的医疗保健提供者网络中。另外，系统100可为外科系统的一部分，该外科系统被配置为获得患者器官(诸如心脏120)的解剖测量结果和电测量结果，并执行心脏消融规程。此类外科系统的示例是由biosense webster销售的系统。
59.控制台160可通过缆线连接到体表电极，该体表电极可包括附连到患者125的粘合剂皮肤贴片。处理器与电流跟踪模块相结合可确定导管105在患者125的身体部位(例如心脏120)内的方位坐标。位置坐标可以基于在体表电极和电极或导管105的其他电磁部件(例如，至少一个消融电极134)之间测得的阻抗或电磁场。附加地或另选地，定位垫可位于床130的表面上并且可与床130分离。
60.系统100还可以并且任选地使用超声、计算机断层摄影(ct)、mri或本领域已知的其他医疗成像技术来获得生物计量数据，诸如心脏120的解剖测量结果。系统100可使用导
管或测量心脏120的电特性的其他传感器来获得ecg或电测量结果。然后可将包括解剖和电测量结果的生物识别数据存储在控制台160的非临时性有形介质中。生物识别数据可从非临时性有形介质传输到计算装置161。另选地或除此之外，可使用如本文另外所述的网络将生物计量数据传输到服务器，该服务器可以是本地的或远程的。
61.根据一个或多个实施方案，包含位置传感器的导管可用于确定心脏表面上的点的轨线。这些轨线可用于推断运动特性，诸如组织的收缩性。当在心脏120中足够数量的点处采样轨迹信息时，可构建描绘此类运动特性的标测图。
62.通常可将在其远侧末端处(至少一个消融电极134)或附近包含电传感器的导管105推进到心脏120中的某点处，用传感器接触组织并获取该点处的数据，通过这种方式来测量心脏120中该点处的电活动。使用仅包含单个远侧末端电极的导管105标测心腔的一个缺点是在对于腔室总体的详细图所需的必要数量的点上逐点采集数据需要的时间较长。因此，已开发出多电极导管以同时在心脏腔室中的多个点处测量电活动。
63.多电极导管可使用任何适用的形状来实现，诸如具有多个电极的线性导管、包括分散在使球囊成形的多个脊上的电极的球囊导管、具有多个电极的套索或环导管，或任何其他适用的形状(例如，thermocool smarttouch灌注尖端cf感测消融导管)。线性导管可以是完全或部分弹性的，使得其可基于所接收的信号和/或基于在该线性导管上施加外力(例如，心脏组织)来扭曲、弯曲或以其他方式改变其形状。球囊导管可被设计成使得在其被部署到患者体内时，其电极可保持与心内膜表面紧密接触。例如，球囊导管可插入内腔，诸如pv。球囊导管可以收缩状态插入pv中，使得球囊导管在插入pv中时不占据其最大体积。球囊导管可在pv内部膨胀，使得球囊导管上的那些电极与pv的整个圆形节段接触。与pv的整个圆形部分或任何其他内腔的此类接触可实现有效的标测和/或消融。
64.根据一个示例，多电极导管可被推进到心脏120的腔室中。可获得前后荧光图(ap)和侧向荧光图以建立每个电极的位置和取向。可由与心脏表面接触的电极中的每个电极记录相对于时间基准(诸如，从来自体表ecg的窦性节律中的p波开始)的egm。如本文进一步公开的，该系统可区分记录电活动的那些电极和由于不紧密接近心内膜壁而不记录电活动的那些电极。在记录初始egm之后，可重新定位导管，并且可再次记录荧光图和egm。然后可根据上述过程的迭代构建电标测图。
65.根据一个示例，可基于心内电势场的检测来生成心脏标测。可实施同时获取大量心脏电信息的非接触技术。例如，具有远侧端部部分的导管可设置有分布在其表面上并且连接到绝缘电导体的一系列传感器电极，以用于连接到信号感测和处理装置。端部部分的尺寸和形状可使得电极与心腔的壁基本上间隔开。可在单次心跳期间检测心内电势场。根据一个示例，传感器电极可分布在位于彼此间隔开的平面中的一系列圆周上。这些平面可垂直于导管的端部部分的长轴。可在端部的长轴的端部处相邻地提供至少两个附加电极。作为更具体的示例，导管可包括四个圆周，其中在每个圆周上等角地间隔开八个电极。因此，在该具体实施中，导管可包括至少34个电极(32个周向电极和2个端部电极)。
66.根据另一个示例，可实现基于非接触和非膨胀多电极导管的电生理心脏标测系统和技术。egm可通过具有多个电极(例如，42至122个电极)的导管获得。根据该具体实施，对探头和心内膜的相对几何形状的了解可诸如通过独立的成像模态(诸如经食道超声心动图)来获得。在独立成像后，非接触电极可用于测量心脏表面电势并由其构造标测图。该技
术可包括以下步骤(在独立成像步骤之后)：(a)利用设置在定位在心脏120的探头上的多个电极测量电势；(b)确定所述探头表面和所述心内膜表面的几何关系；(c)产生表示所述探头表面和心内膜表面的几何关系的系数矩阵；以及(d)基于电极电势和系数矩阵来确定心内膜电势。
67.根据另一个示例，可实现用于标测心脏腔室的电势分布的技术和设备。心内多电极标测导管组件可插入患者的心脏120中。标测导管组件可包括具有整体参考电极的多电极阵列，或者优选地，包括配套参考导管。电极可以基本上球形阵列的形式部署。电极阵列可通过参考电极或通过与心内膜表面接触的参考导管在空间上以心内膜表面上的点为参考。优选的电极阵列导管可承载多个单独的电极位点(例如，至少24个)。另外，该示例性技术可通过了解阵列上电极位点中的每个电极位点的位置以及了解心脏几何形状来实现。这些位置优选地通过阻抗容积描记术的技术来确定。
68.根据另一个示例，心脏标测导管组件可包括限定多个电极位点的电极阵列。标测导管组件还可包括内腔以接纳具有远侧末端电极组件的参考导管，该远侧末端电极组件可用于探测心脏壁。标测导管可包括绝缘线材的编织物(例如，在编织物中具有24至64根线)，并且每根线可用于形成电极位点。导管可易于定位在心脏120中以用于从第一组非接触电极位点和/或第二组接触电极位点获取电活动信息。
69.根据另一个示例，可实现用于标测心脏内的电生理活动的另一个导管。该导管主体可包括适于递送用于心脏起搏的刺激脉冲的远侧末端或用于消融与所述末端接触的组织的消融电极。导管还可包括至少一对正交电极以生成指示邻近该正交电极的局部心脏电活动的差值信号。
70.根据另一个示例，可实现用于测量心脏腔室中的电生理数据的过程。该方法可部分地包括将一组有源电极和无源电极定位到心脏120中，向所述有源电极供应电流，从而在心脏腔室中产生电场，以及测量所述无源电极位点处的电场。无源电极包含在定位在球囊导管的可充胀球囊上的阵列中。在优选的实施例中，该阵列据称具有60至64个电极。
71.根据另一个示例，心脏标测可使用一个或多个超声换能器来实现。超声换能器可插入患者的心脏120中，并且可在心脏120内的各种位置和取向处收集多个超声切片(例如，二维或三维切片)。给定超声换能器的位置和取向可以是已知的，并且可以存储所收集的超声切片，使得它们可以在稍后的时间显示。可显示一段时间后与探头(例如，治疗导管)的位置对应的一个或多个超声切片，并且所述探头可覆盖在一个或多个超声切片上。
72.根据其他示例，身体贴片和/或体表电极可定位在患者身体上或患者身体附近。具有一个或多个电极的导管可定位在患者的身体内(例如，患者的心脏120内)，并且该导管的位置可由系统基于在该导管的一个或多个电极与身体贴片和/或体表电极之间传输和接收的信号来确定。另外，导管电极可感测来自患者体内(例如，心脏120内)的生物识别数据(例如，lat值)。生物识别数据可与所确定的导管的位置相关联，使得可显示患者的身体部位(例如，心脏120)的渲染，并且可显示覆盖在身体形状上的生物识别数据。
73.图2示出了用于远程监测和传送生物计量数据(即，患者生物计量、患者数据或患者生物计量数据)的示例性系统200的框图。在图2所示的示例中，系统200包括与患者204相关联的监测和处理设备202(即，患者数据监测和处理设备)、本地计算装置206、远程计算系统208、第一网络210和第二网络211。根据一个或多个实施方案，监测和处理设备202可以是
图1的导管105的示例，患者204可以是图1的患者125的示例，并且本地计算设备206可以是图1的控制台160的示例。
74.监测和处理设备202包括患者生物识别传感器212、处理器214、用户输入(ui)传感器216、存储器218和发射器-接收器(即，收发器)222。在操作中，监测和处理设备202获取患者204的生物识别数据(例如，电信号、血压、温度、血糖水平或其他生物识别数据)，并且/或者从一个或多个其他患者生物识别监测和处理设备接收表示任何所获取的患者生物识别和与所获取的患者生物识别相关联的附加信息的生物识别数据的至少一部分。附加信息可以是例如诊断信息和/或从诸如可穿戴装置的附加装置获得的附加信息。监测和处理设备202可采用本文所述的机器学习算法和评估引擎来处理数据，包括所获取的生物计量数据以及从一个或多个其他患者生物计量监测和处理设备接收的任何生物计量数据。
75.监测和处理设备202可经由网络210连续地或周期性地监测、存储、处理和传送任何数量的各种患者生物识别(例如，所获取的生物识别数据)。如本文所述的，患者生物识别的示例包括电信号(例如，ecg信号和脑生物识别)、血压数据、血糖数据和温度数据。可监测和传送患者生物计量以便对任何数量的各种疾病进行治疗，疾病诸如心血管疾病(例如，心律失常、心肌病和冠状动脉疾病)和自身免疫疾病(例如，i型和ii型糖尿病)。
76.患者生物识别传感器212可包括例如一个或多个换能器，该一个或多个换能器被配置为将一个或多个环境条件转换为电信号，使得获取不同类型的生物识别数据。例如，患者生物识别传感器212可包括被配置为获取电信号(例如，心脏信号、脑信号或其他生物电信号)的一个或多个电极、温度传感器(例如，热电偶)、血压传感器、血糖传感器、血氧传感器、ph传感器、加速度计和麦克风。
77.如本文更详细描述的，监测和处理设备202可实现机器学习算法和评估引擎以接收对应于患者的心脏组织的有效点，基于心脏组织的结构分割来确定每个有效点的解剖结构分类，并且将解剖结构分类与所述多个有效点中的每个有效点一起提供以支持心脏组织的治疗。监测和处理设备202可实现机器学习算法和评估引擎以产生心脏组织的改进的图像数据，使得可生成用于治疗心脏病症的改进的图像、扫描图和/或标测图连同预测。
78.在另一个示例中，监测和处理设备202可以是用于监测心脏(例如，图1的心脏120)的ecg信号的ecg监测器。就此而言，ecg监测器的患者生物识别传感器212可包括用于获取ecg信号的一个或多个电极(例如，图1的导管105的电极)。ecg信号可用于治疗各种心血管疾病。
79.在另一个示例中，监测和处理设备202可以是连续血糖监测器(cgm)，用于连续监测患者的血糖水平以持续治疗各种疾病，诸如i型和ii型糖尿病。就此而言，cgm的患者生物识别传感器212可包括皮下设置的电极(例如，图1的导管105的电极)，该电极可监测来自患者间质液的血糖水平。cgm可以是例如闭环系统的部件，其中血糖数据被发送到胰岛素泵，用于在没有用户干预的情况下计算胰岛素的递送。
80.处理器214可被配置为接收、处理和管理由患者生物识别传感器212获取的生物识别数据，并且经由收发器222将生物识别数据传送到存储器218以用于存储和/或跨网络210。来自一个或多个其他监测和处理设备202的数据也可通过收发器222由处理器214接收，如本文更详细所述的。如本文更详细描述的，处理器214可被配置为选择性地响应从ui传感器216(例如，其中的电容传感器)接收的不同轻击模式(例如，单击或双击)，使得可以
基于检测的模式激活贴片的不同任务(例如，数据的获取、存储或传输)。在一些实施方案中，处理器214可相对于检测手势生成可听反馈。
81.ui传感器216包括例如被配置为接收用户输入诸如轻击或触摸的压电传感器或电容传感器。例如，响应于患者204轻击或接触监测和处理设备202的表面，可控制ui传感器216以实现电容耦合。手势识别可经由各种电容类型中的任何一种来实现，诸如电阻电容、表面电容、投射电容、表面声波、压电和红外触摸。电容传感器可设置在小区域处或表面的长度上，使得表面的轻击或触摸激活监测装置。
82.存储器218是任何非临时性有形介质，诸如磁性存储器、光学存储器或电子存储器(例如，任何合适的易失性存储器和/或非易失性存储器，诸如随机存取存储器或硬盘驱动器)。
83.收发器222可包括单独的发射器和单独的接收器。另选地，收发器222可包括集成到单个设备中的发射器和接收器。
84.根据一个实施方案，监测和处理设备202可以是处于患者204体内的(例如，可皮下植入的)设备。监测和处理设备202可经由任何适用的方式插入患者204的体内，包括口腔注射、经由静脉或动脉的外科规程插入、内窥镜规程或腹腔镜规程。
85.根据一个实施方案，监测和处理设备202可以是处于患者204外部的设备。例如，如本文更详细描述的，监测和处理设备202可包括可附接贴片(例如，其附接到患者的皮肤)。监测和处理设备202还可包括具有一个或多个电极的导管、探头、血压袖带、体重秤、手镯或智能手表生物计量跟踪器、葡萄糖监测器、持续气道正压通气(cpap)机或可提供与患者的健康或生物计量有关的输入的几乎任何装置。
86.根据一个实施方案，监测和处理设备202可以包括患者内部的部件和患者外部的部件。
87.虽然图2示出了单个监测和处理设备202，但示例性系统可包括多个患者生物识别监测和处理设备。例如，监测和处理设备202可与一个或多个其他患者生物识别监测和处理设备通信。除此之外或另选地，一个或多个其他患者生物识别监测和处理设备可与网络210和系统200的其他部件进行通信。
88.本地计算装置206和/或远程计算系统208连同监测和处理设备202可以是单独或共同存储、执行和实现机器学习算法和评估引擎及其功能的软件和/或硬件的任何组合。此外，本地计算装置206和/或远程计算系统208连同监测和处理设备202可以是电子计算机框架，包括和/或采用利用各种通信技术的任何数量和组合的计算装置和网络，如本文所述。本地计算装置206和/或远程计算系统208连同监测和处理设备202可易于缩放、扩展和模块化，具有改变为不同服务或独立于其他功能重新配置一些特征的能力。
89.根据一个实施方案，本地计算装置206和远程计算系统208连同监测和处理设备202至少包括处理器和存储器，其中处理器执行关于机器学习算法和评估引擎的计算机指令，并且存储器存储这些指令以供处理器执行。
90.系统200的本地计算装置206与监测和处理设备202通信，并且可被配置为通过第二网络211充当到远程计算系统208的网关。例如，本地计算装置206可以是智能电话、智能手表、平板电脑、或被配置成经由网络211与其他装置通信的其他便携式智能装置。另选地，本地计算装置206可以是固定或独立装置，诸如包括例如调制解调器和/或路由器能力的固
定基站，使用可执行程序以经由pc的无线电模块在处理设备202与远程计算系统208之间传送信息的台式计算机或膝上型计算机，或usb加密狗。可使用近程无线技术标准(例如，蓝牙、wi-fi、zigbee、z波和其他近程无线标准)，经由近程无线网络210，诸如局域网(lan)(例如，个人局域网络(pan))在本地计算装置206与监测和处理设备202之间传送生物识别数据。在一些实施方案中，本地计算装置206还可被配置为显示所获取的患者电信号和与所获取的患者电信号相关联的信息，如本文更详细描述的。
91.在一些实施方案中，远程计算系统208可被配置为经由作为远程网络的网络211接收所监测的患者生物识别和与被监测患者相关联的信息中的至少一者。例如，如果本地计算装置206是移动电话，则网络211可以是无线蜂窝网络，并且可经由诸如上述任何无线技术的无线技术标准在本地计算装置206与远程计算系统208之间传送信息。如本文更详细描述的，远程计算系统208可被配置为向医疗专业人员、医生、医护专业人员提供(例如，可视地显示和/或听觉地提供)患者生物识别和相关信息中的至少一者。
92.在图2中，网络210是近程网络(例如，局域网(lan)或个人局域网(pan))的示例。可使用各种近程无线通信协议(诸如蓝牙、wi-fi、zigbee、z-wave、近场通信(nfc)、ultraband、zigbee或红外(ir))中的任何一种经由近程网络210在监测和处理设备202与本地计算装置206之间发送信息。
93.网络211可以是有线网路、无线网络或包括一个或多个有线和无线网络的网络，诸如内联网、局域网(lan)、广域网(wan)、城域网(man)、直接连接或一系列连接、蜂窝电话网络，或者能够促进本地计算装置206和远程计算系统208之间的通信的任何其他网络或介质。可使用各种远程无线通信协议(例如，tcp/ip、http、3g、4g/lte或5g/新无线电)中的任何一种经由网络211发送信息。可以使用以太网、通用串行总线(usb)、rj-11或本领域公知的任何其他有线连接来实现有线连接。可使用wi-fi、wimax和蓝牙、红外、蜂窝网络、卫星或任何其他无线连接方法来实现无线连接。另外，几个网络可单独工作或彼此通信以促进网络211中的通信。在一些情况下，远程计算系统208可被实现为网络211上的物理服务器。在其他情况下，远程计算系统208可被实现为网络211上的公共云计算提供商(例如，amazon web services)的虚拟服务器。
94.图3示出了根据一个或多个实施方案的人工智能系统300的图形描绘。人工智能系统300包括数据310、机器320、模型330、多个结果340和底层硬件350。图4示出了在图3的人工智能系统中执行的方法400。为了便于理解，参照图2对图3和图4进行描述。
95.通常，人工智能系统300通过使用数据310来训练机器320(例如，图2的本地计算装置206)，同时构建模型330以实现多个结果340(可被预测)来操作方法400。在此配置中，人工智能系统300可以相对于硬件350(例如，图2的监视和处理装置202)操作，以训练机器320、构建模型330并使用算法预测结果。这些算法可用于求解已训练的模型330并预测与硬件350相关联的结果340。这些算法通常可分成分类、回归和聚类算法。
96.在框410处，方法400包括从硬件350收集数据310。机器320作为与硬件350相关联的控制器或数据收集工作和/或与其相关联。数据310(例如，可源自图2的监测和处理设备202的生物识别数据)可与硬件350相关。例如，数据310可以是正在生成的数据，或者是与硬件350相关联的输出数据。该数据310还可包括当前从硬件350收集的数据、历史数据或其他数据。例如，该数据310可包括外科规程期间的测量结果，并且可与外科规程的结果相关联。
例如，可收集心脏(例如，患者204的心脏)的温度并将其与心脏规程的结果相关联。
97.在框420处，方法400包括训练机器320，诸如相对于硬件350的机器。该训练可包括在框410中收集的数据310的分析和相关性。例如，就心脏而言，可训练温度和结果的数据310以确定在心脏规程期间心脏(例如，患者204的心脏)的温度与结果之间是否存在相关性或联系。
98.在框430处，方法400包括在与硬件350相关联的数据310上构建模型330。构建模型330可包括物理硬件或软件建模、算法建模等。该建模可试图表示已收集和训练的数据310。根据一个实施方案，模型330可被配置为对硬件350的操作建模并对从硬件350收集的数据310建模，以便预测由硬件350实现的结果。根据一个或多个实施方案，关于评估引擎的模型330接收对应于患者的心脏组织的有效点，基于心脏组织的结构分割来确定每个有效点的解剖结构分类，并且将解剖结构分类与所述多个有效点中的每个有效点一起提供以支持心脏组织的治疗。
99.在框440处，方法400包括预测与硬件350相关联的模型330的结果340。对多种结果340的这种预测可基于已训练的模型330。例如，为了增加对本公开的理解，就心脏而言，如果规程期间的温度在36.5摄氏度和37.89摄氏度之间(即，97.7华氏度和100.2华氏度)，从心脏规程产生正面的结果，该结果可在给定规程中基于心脏规程期间的心脏温度来预测。因此，使用预测的结果340，硬件350可被配置为从硬件350提供某个期望的结果340。
100.图5示出了根据一个或多个实施方案的方法500的框图。根据一个实施方案，方法500通过评估引擎来实现。软件和/或硬件(例如，本地计算装置206和远程计算系统208连同监测和处理设备202)的任何组合可单独地或共同地存储、执行和实现评估引擎及其功能。
101.一般来讲，评估引擎对有效点提供自动解剖分割、连续性估计和间隙预测，以提供心脏组织的改进的图像数据。评估引擎提供心脏组织的改进的图像数据以在消融规程的总体有效性方面支持、指导并推荐给医师。解剖分割是评估引擎确定每个有效点位于左肺静脉和右肺静脉的哪个区段中(例如，左waca和右waca检测以及waca点向九个解剖结构的分类/分割)的能力。根据一个或多个实施方案，设想了关于或代替九个解剖结构的其他结构组合，诸如左waca、右waca、孔口pvi、顶部线、左隆突、右隆突、后部线、下部线、二尖瓣峡部线、前部线、前部线以及下腔静脉-三尖瓣峡部、上腔静脉隔离中的至少一者。连续性估计是评估引擎确定围绕左pv和右pv的两个单独的圆环之间以及这两个单独的圆环与左肺静脉和右肺静脉外的结构元件之间的间接接触的能力。例如，医师期望递送连续消融灶，其中两个消融点之间的中心到中心距离≤6mm。评估引擎调查每个消融灶的有效性并且估计每个消融灶的尺寸和深度以决定该消融灶是否足够。因此，连续性可由评估引擎在局部意义上评估，即，两个消融点之间的消融灶是有效的。评估引擎还在全局意义上操作，即测试左(或右)waca中的所有消融点并且估计识别潜在重新连接的可能性。间隙预测是评估引擎确定有效点之间的空间是否可能进行pv重新连接的能力。根据一个或多个实施方案，评估引擎可自动地对所有消融点进行分类/分割，使得自动地检测左和右峡部或隆突消融线。
102.方法500在框510处开始，其中评估引擎构建数据集，该数据集包括心脏组织(例如，人类心脏)的带注释的解剖结构、具有其特性(例如，力、随时间变化的力、阻抗、阻抗降、持续时间、x,y,z位置)的所有消融点以及心内ecg(所有算法的可选输入)。带注释的解剖结构可包括可描绘人类心脏和经验证的有效点的三维数据文件(例如，用于对解剖结构进行
分类的数据包括消融点的x,y,z位置；实际解剖结构，诸如心房的网格文件和三维可视化；和消融特性，其可利用消融点(如果存在的话)周围的心内ecg特性)。根据一个或多个实施方案，每种消融类型可由如下注释描述：潜在二次消融位置、潜在急性重新连接位置以及其是否为有效消融点(例如，每个点的是或否的决策)。
103.根据一个或多个实施方案，带注释的解剖结构最初是由验证心脏标测阶段所生成的有效点的手动连续性估计和注释来构建的训练数据。手动连续性估计可以是在心脏标测阶段之后添加的消融点。手动注释可以是由医疗专业人员进行的标记。根据一个或多个实施方案，医疗专业人员可标记位置和/或消融类型。需注意，消融类型可包括急性重新连接点(例如，在起搏之后，医师识别重新连接的位置并且添加消融点以隔离该静脉)、长期重新连接(二次消融)消融点(例如，病例结束很久以后，患者具有心房纤颤并且医师决定执行另一个消融规程)以及有效消融。
104.在框520处，评估引擎接收病例。该病例可在waca治疗的心脏标测阶段期间实时(或回顾性地)接收。该病例包括标测心脏组织的有效点，其中有效点围绕左pv和右pv形成两个单独的圆环。该病例由评估引擎评估。需注意，例如，可为评估引擎提供辅助工具以进行医师决策的回顾性分析，从而改善其工作或其同事的工作。
105.在框530处，评估引擎确定所接收的病例的每个有效点的右waca位置和左waca位置。例如，使用评估引擎的子算法来自动地将有效点的位置信息与沿轴线的尺寸信息进行比较(例如，使用具有左侧位置的第一范围和右侧位置的第二范围的x轴线)。继而，基于该比较来划分有效点。
106.在框540处，评估引擎确定所接收的病例的每个有效点的解剖结构分类(例如，基于训练数据的手动注释，使用来自框510的数据集；使用相同解剖代码分割/分组类似消融点并且将它们与相同解剖结构相关联)。需注意，waca解剖结构代码如本文进一步所述。
107.在框550处，评估引擎估计围绕左pv和右pv的两个单独的圆环的连续性。该估计的输出可包括每个有效点的连续性的概率。根据一个或多个实施方案，每个有效点由0或1表示，其中0表示“坏”消融点，并且1表示“好”消融点。另外，每个有效点到环中的下一个消融和上一个消融的距离可有助于“坏/好”的确定。
108.在框560处，评估引擎生成被标测的心脏组织的改进的图像数据(例如，通过合并框550的估计以及框530和540的确定)。继而，改进的图像数据可用于预测急性重新连接和二次消融位置，使得可在消融阶段期间(由医师或医疗专业人员)实时采取适当的动作。
109.根据一个或多个实施方案，评估引擎利用训练数据集来自动地生成带注释的解剖结构上的连续性估计和注释，使得机器学习的数据被创建并被添加到数据集。机器学习的数据可变成关于训练数据的数据集的大部分，并且可将以来自医学专家的反馈为基础的标记的数据(例如，标记的消融类型和/或解剖结构类型)添加到数据集。
110.图6a示出了自动编码器架构600的示例，并且图6b示出了在自动编码器架构600中执行的方法601的框图。自动编码器架构600操作以支持本文所述的机器学习算法和评估引擎的实现。自动编码器架构600可在硬件诸如机器320(例如，图2的本地计算装置206)和/或硬件350(例如，图2的监测和处理设备202)中实现。自动编码器600的模块610、630、650共同地作为执行自动编码器600的编码部分的神经网络来操作。自动编码器600的模块750、670、610共同地作为执行自动编码器600的解码部分的神经网络来操作。神经网络是神经元的网
络或电路，或者在现代意义上，是由人工神经元或节点组成的人工神经网络(ann)。
111.例如，ann涉及简单处理元件(人工神经元)的网络，该网络可表现出由处理元件和元件参数之间的连接确定的复杂全局行为。神经元的网络或电路的这些连接被建模为权重。正权重反映兴奋性连接，而负值表示抑制性连接。通过权重修改输入并使用线性组合求和。激活函数可控制输出的振幅。例如，可接受的输出范围通常介于0和1之间，或者该范围可为-1和1之间。
112.在大多数情况下，ann是基于流动通过网络的外部或内部信息来改变其结构的自适应系统。在更实际的术语中，神经网络是非线性统计数据建模或决策工具，其可用于对输入和输出之间的复杂关系进行建模或在数据中找到模式。因此，ann可用于预测建模和自适应控制应用，同时经由数据集进行训练。由经验产生的自学可发生在网络内，这可从复杂且看似不相关的信息组中得出结论。人工神经网络模型的实用性在于它们可用于从观察推断函数并且还可用于使用该函数。未受监督的神经网络还可用于学习捕获输入分布的显著特征的输入的表示，以及最近的深度学习算法可以隐含地学习观察到的数据的分布函数。在神经网络中的学习在数据或任务的复杂性使得手动设计此类功能不切实际的应用中特别有用。
113.神经网络可用于不同领域。ann所应用的任务往往落在以下广泛类别内：函数近似或回归分析，包括时间序列预测和建模；分类，包括模式和序列识别、新颖性检测和顺序决策；以及数据处理，包括过滤、集群、盲信号分离和压缩。
114.ann的应用程序区域包括非线性系统识别和控制(车辆控制、过程控制)、游戏播放和决策制定(西洋双陆棋、聊天、比赛)、模式识别(雷达系统、面部识别、对象识别)、序列识别(手势、语音、手写文本识别)、医疗诊断、金融应用程序、数据挖掘(或数据库中的知识发现，“kdd”)、可视化和电子邮件垃圾筛选。例如，可以从训练用于对象识别的图片创建用户兴趣的语义特征图。
115.根据一个或多个实施方案，神经网络600实现长短期记忆神经网络架构、cnn架构或其他类似架构。神经网络600可相对于多个层、多个连接(例如，编码器/解码器连接)、正则化技术(例如，压差)进行配置；以及优化特征。
116.长短期记忆神经网络架构包括反馈连接并且可处理单个数据点(例如，诸如图像)以及整个数据序列(例如，诸如语音或视频)。长短期记忆神经网络架构的单元可由单元、输入门、输出门和忘记门组成，其中单元在任意时间间隔内记住值，并且门调节进出单元的信息流。
117.cnn架构是具有平移不变性特征的共享权重架构，其中一层中的每个神经元连接到下一层中的所有神经元。cnn架构的正则化技术可利用数据中的层级模式，并使用更小且更简单的模式来组装更复杂的模式。如果神经网络600实现cnn架构，则该架构的其他可配置方面可包括每个级处的滤波器的数量、内核大小、每层内核的数量。
118.如图6b所示，方法601描绘了神经网络600(例如，评估引擎的自动编码器)的操作。在神经网络600中，输入层610由多个输入诸如612和614表示。相对于方法601的框620，输入层610接收所述多个输入(例如，多个点诸如waca点处的数据)作为初始操作。所述多个输入可以是超声信号、无线电信号、音频信号或二维或三维图像/模型。更具体地，所述多个输入可表示为输入数据(x)，其为从waca治疗的心脏标测阶段记录的原始数据。
119.在方法601的框625处，神经网络600利用心内数据集(例如，由评估引擎在图5的框510中产生的数据集)对所述多个输入进行编码以产生潜在表示。潜在表示包括从所述多个输入导出的一个或多个中间图像。根据一个或多个实施方案，该潜在表示由评估引擎的自动编码器的元素级激活函数(例如，s形函数或整流线性单元)生成，该元素级激活函数将权重矩阵应用于输入心内信号并将偏置向量添加到结果。需注意，权重矩阵和偏置向量的权重和偏置可随机初始化，然后在训练期间迭代地更新。
120.如图6a所示，输入612和614被提供给被描绘为包括节点632、634、636和638的隐藏层630。因此，层610、630和650可被视为编码器阶段，该编码器阶段获取多个输入612和614并将其传输到630中所描绘的深度神经网络以学习输入的一些较小表示(例如，所得的潜在表示或数据编码652)。深度神经网络可以是cnn、长短期记忆神经网络、完全连接的神经网络或它们的组合。输入612和614可以是心内ecg、ecg或心内ecg和ecg。该编码提供维度降低的输入心内信号。维度降低是通过获得一组主要变量来减小所考虑的(多个输入的)随机变量的数量的过程。例如，维度降低可以是将数据(例如，多个输入)从高维空间(例如，多于10个维度)转换到低维空间(例如，2-3个维度)的特征提取。降低维度的技术有益效果包括减少数据的时间和存储空间，改进数据的可视化，以及改进用于机器学习的参数解释。该数据转换可为线性的或非线性的。接收(框620)和编码(框625)的操作可被视为由评估引擎的自动编码器进行的多步骤数据操纵的数据准备部分。
121.在方法610的框660处，神经网络600对潜在表示进行解码以产生输出心内信号。解码级采用编码器输出(例如，所得的潜在表示或数据编码652)并尝试使用另一深度神经网络660重建一些形式的输入612和614。就此而言，节点672、674、676和678被组合为在输出层690产生输出692和694，如框699所示。即，输出层690在降低的维度上重建输入612和614，但没有信号干扰、信号伪影和信号噪声。输出692和694的示例包括心内ecg、干净版的心内ecg(降噪版)、ecg和降噪ecg。心内ecg的降噪版可不含以下中的一者或多者：远场衰减、电源线噪声、接触噪声、偏转噪声、基线漂移、呼吸噪声和fluro噪声。
122.神经网络600经由节点632、634、636和638的隐藏层630执行处理以表现出由处理元件和元件参数之间的连接确定的复杂全局行为。输出层650的目标数据包括目标数据类型一心室活动(y1)，并且包括远场衰减(y2)后的目标数据类型二输入数据。
123.根据一个实施方案，评估引擎的自动编码器可以是降噪自动编码器以查找标测函数(f,g)，使得f(x)＝y1并且g(x)＝y2。软件和/或硬件(例如，本地计算设备206和远程计算系统208连同监视和处理设备202)的任何组合可单独地或共同地存储、执行和实现降噪自动编码器及其功能。降噪自动编码器训练自动编码器以重建来自其自身损坏版本的输入，以强制隐藏层(例如，图6的隐藏层630)发现更稳健的特征(即，将构成输入的更好更高级别表示的有用特征)并防止其学习特定同一性(即，总是返回到相同的值)。就此而言，降噪自动编码器对输入进行编码(例如，以保留关于输入的信息)并反转随机应用于自动编码器的输入的损坏过程的效果。
124.图7示出了根据一个或多个实施方案的方法700的框图。软件和/或硬件(例如，本地计算装置206和远程计算系统208连同监测和处理设备202)的任何组合可单独地或共同地存储、执行和实现评估引擎及其功能的环境内的方法700。一般来讲，方法700可相对于waca治疗来实现，该waca治疗包括waca点标测和waca阶段。即，相对于waca治疗实现方法
700使得医师和/或医疗专业人员能够利用消融本身更有效地治疗各种心血管疾病。
125.例如，利用方法700的基于导管的waca治疗标测左pv和右pv的电特性，并且向医师和/或医疗专业人员提供直接信息。就这一点而言，标测和直接信息包括对waca点的自动解剖分割、连续性估计和间隙预测。
126.处理流程700在框720处开始，其中评估引擎接收病例。病例可在waca治疗的waca点标测阶段期间实时接收。病例包括标测左pv和右pv的waca点，其中waca点自身围绕左pv和右pv形成两个单独的圆环。
127.在框730处，评估引擎确定所接收的病例的每个waca点的右waca位置和左waca位置或如下的至少一者：左waca、右waca、孔口pvi、顶部线、左隆突、右隆突、后部线、下部线、二尖瓣峡部线、前部线、前部线以及下腔静脉-三尖瓣峡部和上腔静脉隔离线。例如，评估引擎的子算法评估waca点以估计左waca环和右waca环。该估计可被认为是特征提取以确定形态学环特征。在一些情况下，评估引擎可自动地将waca点的位置信息与沿轴线的尺寸信息进行比较(例如，使用具有左侧位置的第一范围和右侧位置的第二范围的x轴线)。另参见图8，示出了根据一个或多个实施方案的图形图像801。图形图像801是图形用户界面的示例，该图形用户界面提供具有两个单独圆环的pv的图像。每个环包括waca点，诸如在框720中产生的那些。
128.在框735处，评估引擎利用数据集。在一个示例中，数据集包括超过370个病例，每个病例包括手动注释和/或消融特征(例如，射频指标(rfindex)、力时间积分(fti，在消融点期间引发多大的力)等)。
129.现在参见图9a和图9b，分别示出了根据一个或多个实施方案的显示数据集的用户界面的图形图像902和907。图形图像902是九个解剖结构的手动注释的示例。图形图像907是消融类型的手动注释的示例。
130.在框740处，评估引擎确定所接收的病例的每个waca点的解剖结构分类(例如，基于训练数据的手动注释)。解剖结构分类(例如，分割)是评估引擎确定每个waca点位于左肺静脉和右肺静脉的哪个区段中的能力。在框745处，评估引擎显示解剖结构分类的结果。就这一点而言，医师或医务人员使用所显示的结果来更有效地治疗各种心血管疾病。
131.根据一个或多个实施方案，可按照九种结构来定义解剖结构分类。表1示出了九个结构或区段：右后部、右下部、右顶部、右前部、左后部、左下部、左顶部、左脊部和左前部。
132.表1
[0133][0134]
[0135]
每个结构或区段可用唯一代码表示，如表1的名称列中所示和/或由一组数字(例如，1至9)表示。可利用关于或代替九个结构或区段的其他结构组合，诸如左waca、右waca、孔口pvi、顶部线、左隆突、右隆突、后部线、下部线、二尖瓣峡部线、前部线、前部线以及下腔静脉-三尖瓣峡部、上腔静脉隔离中的至少一者。
[0136]
图10示出了通过手动注释将左waca点和右waca点分类成解剖结构的图形描绘1008。图形描绘1008展示了具有消融点的左心房，其中文本表示评估引擎的决策(如果文本是第一颜色诸如绿色，则评估引擎正确；如果文本是第二颜色诸如红色，则评估引擎不正确)。
[0137]
图11a示出了被识别为右waca 1100的右解剖结构的图示。右waca 1100包括右侧的后部区域1110、下方的下部区域1120、上方的顶部区域1130以及左侧的前部区域1140。
[0138]
图11b示出了被识别为左waca 1101的左解剖结构的图示。左waca 1101包括左侧的后部区域1150、下方的下部区域1160、上方的顶部区域1170、右上方的脊区域1180以及右下方的前部区域1190。
[0139]
表1的元素与图11a和图11b的图示1100、1101的比较示出了围绕右pv和左pv定位的九个结构或区段。
[0140]
在框740的示例性操作中，图12a示出了分类方法1212的框图，并且图12b示出了分类方法1211的框图。方法1211是用于急性重新连接分类器(例如，随机森林分类器)的随机森林的示例性操作。图12的方法1212，如本文所讨论的，解剖结构分类的输入可包括每个消融点的一组特性/特征、心房的3d表示/ct扫描/超声/快速解剖标测/等(例如，vtk文件)和ic ecg或体表ecg。解剖结构分类器的输出1249是解剖结构代码k(k＝1
…
k)。根据一个或多个实施方案，可使用深度cnn网络来处理心房的3d表示以获得kxm概率矩阵的初始估计，其指示m(m＝1,
…
,m)个消融点中的每个消融点与k个解剖结构(k＝1,..,k)中的每个解剖结构相关联的可能性。可使用深度自动编码器来处理ic ecg以获得一组特征。所有特征(和特性)可由一组密集神经网络处理以产生解剖结构预测。
[0141]
更具体地，方法1212包括利用随机森林分类、全连接密集层和cnn架构。这样，五层cnn从vtk文件接收左心房的解剖结构(框1240)，全连接层接收消融特征(框1241)，并且全连接层接收形态学特征(框1242)连同消融特征。例如，如本文所述，使用深度cnn网络，利用vtk文件来处理消融定位(x,y,z)位置和消融特性，以获得一组特征。可将这些特征传递到若干密集层中以产生解剖结构代码。然后使五层cnn和两个全连接层的输出通过另外两个全连接(例如，相对于框1245和1247处理的)网络以提供最终解剖代码决策(例如，相对于框1249的输出)。
[0142]
方法1211包括向随机森林分类器提供形态学特征(框1223)并且执行随机森林分类器(框1225)以输出解剖结构代码(框1227)。形态学特征可从子算法的估计和特征提取中得出。就这一点而言，可由评估引擎根据左waca环和右waca环来组织形态学特征。例如，由于用于对解剖结构进行分类的主“信息”基于消融点的x,y,z位置，因此评估引擎执行子算法，该子算法基于消融点的接近性来形成环。评估引擎从这些环提取形态学特征，例如，环的总表面积、环中有多少点以及每个点的角度(如果环像“时钟”)。在一个实施方案中，形态学特征可以是沿着10至50的范围的数字，诸如25。
[0143]
根据一个或多个实施方案，形态学特征可以是用于在算法特征空间内定义的九种
解剖结构。例如，算法特征空间可包括(x_left,y_left,z_left)、(x_right,y_right,z_right)，其中所有点的平均值与左环和右环相关联；(x_norm,y_norm,z_norm)，其中x、y和z按范围归一化；和(x_norm_ring,y_norm_ring,z_norm_ring)，其中归一化点基于(左或右)环的范围。算法特征空间还可包括可选的特征，诸如vtk文件、消融点到解剖结构的最小距离以及消融特性(例如，功率、阻抗、阻抗降、稳定性等)。方法1211的输出可以是解剖结构代码和/或1至9的一组数字内的数字。
[0144]
一般来讲，随机森林分类器包括用于分类、回归和其他任务的集合学习方法，该随机森林分类器通过在训练时构造多个决策树并且输出作为类的模式的类或各个树的平均预测来操作。
[0145]
图13示出了用于对服装的颜色进行分类的示例性随机森林分类器。如图13所示，随机森林分类器包括五个决策树13101、13102、13103、13104和13105(统称或一般称为决策树1310)。每个树被设计用于对服装的颜色进行分类。在该例证中，这五个树中的三个(13101、13102、13104)确定服装为蓝色，而一个树确定服装为绿色(13103)，并且剩余的树确定服装为红色(13105)。随机森林采用五个树的这些实际预测值，并计算这些实际预测值的众数以提供服装为蓝色的随机森林答案。
[0146]
返回图12，方法1212包括利用随机森林回归、全连接密集层和cnn架构。这样，五层cnn接收vtk解剖结构(框1240)，全连接层接收消融特征(框1241)，并且全连接层接收形态学特征(框1242)。vtk解剖结构可以是存储在vtk文件中的左心房的解剖结构。根据一个或多个实施方案，使用深度cnn网络，利用vtk文件来处理消融定位、位置、特性以获得一组特征，将该组特征传递到若干密集层中以产生解剖结构代码。然后使五层cnn和两个全连接层的输出通过另外两个全连接网络(框1245和1247)以提供解剖结构代码的最终输出(框1249)。
[0147]
返回图7，在框750处，评估引擎估计围绕左pv和右pv的两个单独的圆环的连续性(例如，进行急性重新连接连续性估计)。连续性估计是评估引擎确定围绕左pv和右pv的两个单独的圆环之间以及这两个单独的圆环与左肺静脉和右肺静脉外的结构元件之间的间接接触的能力。该估计的输出可包括每个消融点的连续性的概率。在框755处，评估引擎显示估计连续性的结果。就这一点而言，医师或医务人员使用所显示的结果来更有效地治疗各种心血管疾病
[0148]
在框750的示例性操作中，图14a示出了分类方法1412的框图，图14b示出了分类方法1411的框图，并且图14c示出了图形图像1416。方法1411是用于急性重新连接分类器(例如，如本文所述的随机森林分类器)的随机森林的示例性操作。方法1412是用于二次消融/急性重新连接分类器的深度学习方法的示例性操作。图形图像1416描绘了急性重新连接点(用紫色表示)。
[0149]
方法1411包括向随机森林分类器提供消融特征和形态学特征(框1423)并且执行随机森林分类器(框1425)以输出连续性概率(框1427)。用于连续性估计(二次消融或急性重新连接)的消融特征和形态学特征包括基于位置的特征，其基于如下算法特征空间内定义的九个解剖结构来更新：(x_left,y_left,z_left)、(x_right,y_right,z_right)，其中所有点的平均值与左环和右环相关联；(x_norm,y_norm,z_norm)，其中x、y和z按范围归一化；和(x_norm_ring,y_norm_ring,z_norm_ring)，其中归一化点基于(左或右)环的范围。
[0150]
算法特征空间可包括可选的特征，诸如基于网格的特征、心房解剖结构(例如，用于特征阶段的cnn)的vtk文件、消融点到解剖结构的最小距离以及消融特性(例如，功率、阻抗、阻抗降、稳定性、温度、rfindex、fti、特征、基于时间的特征等)。方法1211的输出可以是解剖结构代码和/或1至9的一组数字内的数字。
[0151]
返回图14a的方法1412，如本文所讨论的，二次消融/急性重新连接分类器的输入可包括每个消融点的一组特性/特征、心房的3d表示/ct扫描/超声/快速解剖标测/等(例如，vtk文件)和ic ecg或体表ecg。
[0152]
二次消融/急性重新连接分类器的输出可包括感兴趣的每个体素为1或0，其中1表示急性/长期重新连接位点。体素可以是三维空间中的点，诸如图形信息单元(例如，2mm
×
2mm
×
2mm的立方体)。例如，当像素限定具有x和y坐标的二维空间中的点时，体素需要第三z坐标。根据一个或多个实施方案，在3d空间中，可在定位、颜色和密度方面进一步限定每个体素。基于输出，可示出急性/长期重新连接位点。
[0153]
根据一个或多个实施方案，可使用深度cnn网络处理心房的3d表示以获得一组特征，可使用深度自动编码器处理ic ecg以获得一组特征。另外，可处理ic ecg以获得附加的特征，诸如感兴趣的每个体素的双极性电压、传导速度、周期长度(毫秒)、空间时间色散水平、离焦点源的距离和碎裂水平。所有特征(和特性)可由一组密集神经网络处理以产生连续性预测。
[0154]
更具体地，方法1412包括利用随机森林分类、全连接密集层和cnn架构。根据一个或多个实施方案，方法1412包括利用随机森林分类进行急性/二次消融分类并且利用cnn加密集层进行连续性估计。这样，五层cnn从vtk文件接收左心房的解剖结构(框1440)，全连接层接收消融特征(框1441)，并且全连接层接收形态学特征(框1442)连同在一些情况下的消融特征。例如，如本文所述，使用深度cnn网络，利用vtk文件来处理消融定位(x,y,z)位置和消融特性，以获得一组特征。然后，将所有特征传递到若干密集层中以产生解剖结构代码。然后使五层cnn和两个全连接层的输出通过另外两个全连接(例如，相对于框1445和1447处理的)网络以提供最终连续性概率(例如，相对于框1449的输出)。
[0155]
在框760处，评估引擎生成二次消融预测(例如，预测带注释的消融点为二次消融点)。在框765处，评估引擎显示二次消融预测结果。就这一点而言，医师或医务人员使用所显示的结果来更有效地治疗各种心血管疾病。
[0156]
附图中的流程图和框图示出了根据本发明的各种实施方案的系统、方法和计算机程序产品的可能具体实施的架构、功能和操作。就此而言，流程图或框图中的每个框可表示指令的模块、部段或部分，该指令包括用于实现指定逻辑功能的一个或多个可执行指令。在一些替代具体实施中，框中指出的功能可不按附图中指出的顺序发生。例如，取决于所涉及的功能，连续示出的两个框实际上可基本上同时执行，或者框有时可以以相反的顺序执行。还应当注意，框图和/或流程图图示中的每个框以及框图和/或流程图图示中的框的组合可通过执行指定功能或动作的基于专用硬件的系统或者通过专用硬件和计算机指令的组合来实现。
[0157]
虽然上文具体地描述了特征和元件，但本领域的普通技术人员将会知道，每个特征或元件均可以单独使用或以与其他特征和元件的任何组合使用。此外，本文所述的方法可在被结合在计算机可读介质中的计算机程序、软件或固件中实现，以供计算机或处理器
执行。如本文所用，计算机可读介质不应理解为暂态信号本身，诸如无线电波或其他自由传播电磁波、传播通过波导或其他传输介质的电磁波(例如，穿过光纤电缆的光脉冲)或通过电线传输的电信号。
[0158]
计算机可读介质的示例包括电子信号(通过有线或无线连接传输)和计算机可读存储介质。计算机可读存储介质的示例包括但不限于寄存器、高速缓存存储器、半导体存储器设备、磁介质诸如内部硬盘和可移动磁盘、磁光介质、光学介质，诸如光盘(cd)和数字通用盘(dvd)、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或闪存存储器)、静态随机存取存储器(sram)和记忆棒。与软件相关联的处理器可用于实现在终端、基站、或任何主计算机中使用的射频收发器。
[0159]
应当了解，本文所用的术语只是为了描述具体实施方案的目的，并非旨在进行限制。如本文所用，除非上下文另有明确说明，否则单数形式“一个”、“一种”和“该/所述”包括复数指代。还应当理解，术语“包括”和/或“包含”在用于本说明书中时指定所述特征、整数、步骤、操作、元件和/或部件的存在，但不排除一个或多个其他特征、整数、步骤、操作、元件部件和/或其组的存在或添加。
[0160]
本文对各种实施方案的描述是出于说明的目的而呈现的，但并非旨在穷举或限于所公开的实施方案。在不脱离所述实施方案的范围和实质的情况下，许多修改和变型对于本领域的普通技术人员而言将是显而易见的。选择本文所用的术语是为了最好地解释实施方案的原理、相对于市场上存在的技术的实际应用或技术改进，或者使得本领域的其他普通技术人员能够理解本文所公开的实施方案。