CN111566695A - 确定用于消融的节段的系统和方法 - Google Patents
确定用于消融的节段的系统和方法 Download PDFInfo
- Publication number
- CN111566695A CN111566695A CN201880080669.2A CN201880080669A CN111566695A CN 111566695 A CN111566695 A CN 111566695A CN 201880080669 A CN201880080669 A CN 201880080669A CN 111566695 A CN111566695 A CN 111566695A
- Authority
- CN
- China
- Prior art keywords
- ablation
- maps
- data
- patient
- examples
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000002679 ablation Methods 0.000 title claims abstract description 166
- 238000000034 method Methods 0.000 title claims abstract description 163
- 206010003119 arrhythmia Diseases 0.000 claims abstract description 68
- 230000006793 arrhythmia Effects 0.000 claims abstract description 66
- 238000013507 mapping Methods 0.000 claims description 130
- 206010047302 ventricular tachycardia Diseases 0.000 claims description 119
- 231100000241 scar Toxicity 0.000 claims description 52
- 210000002216 heart Anatomy 0.000 claims description 29
- 230000002861 ventricular Effects 0.000 claims description 25
- 230000005856 abnormality Effects 0.000 claims description 23
- 238000002560 therapeutic procedure Methods 0.000 claims description 21
- 238000002591 computed tomography Methods 0.000 claims description 20
- 208000031229 Cardiomyopathies Diseases 0.000 claims description 14
- 229940079593 drug Drugs 0.000 claims description 12
- 239000003814 drug Substances 0.000 claims description 12
- 238000002592 echocardiography Methods 0.000 claims description 9
- 231100000419 toxicity Toxicity 0.000 claims description 9
- 230000001988 toxicity Effects 0.000 claims description 9
- 238000011277 treatment modality Methods 0.000 claims description 7
- 238000002600 positron emission tomography Methods 0.000 claims description 4
- 230000035479 physiological effects, processes and functions Effects 0.000 claims description 3
- 230000000153 supplemental effect Effects 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 238000011282 treatment Methods 0.000 description 138
- 238000013528 artificial neural network Methods 0.000 description 47
- 238000002595 magnetic resonance imaging Methods 0.000 description 39
- 238000003384 imaging method Methods 0.000 description 35
- 238000013153 catheter ablation Methods 0.000 description 28
- 238000002565 electrocardiography Methods 0.000 description 27
- 238000002720 stereotactic body radiation therapy Methods 0.000 description 26
- 230000033001 locomotion Effects 0.000 description 22
- 230000008685 targeting Effects 0.000 description 21
- 239000003416 antiarrhythmic agent Substances 0.000 description 20
- 230000002763 arrhythmic effect Effects 0.000 description 20
- 238000012636 positron electron tomography Methods 0.000 description 20
- 230000000747 cardiac effect Effects 0.000 description 19
- 230000002829 reductive effect Effects 0.000 description 18
- 238000012549 training Methods 0.000 description 15
- 230000005855 radiation Effects 0.000 description 14
- 230000011218 segmentation Effects 0.000 description 14
- 230000035939 shock Effects 0.000 description 13
- 238000010801 machine learning Methods 0.000 description 12
- 206010016654 Fibrosis Diseases 0.000 description 11
- 230000000694 effects Effects 0.000 description 11
- 230000004761 fibrosis Effects 0.000 description 11
- 238000001959 radiotherapy Methods 0.000 description 11
- IYIKLHRQXLHMJQ-UHFFFAOYSA-N amiodarone Chemical compound CCCCC=1OC2=CC=CC=C2C=1C(=O)C1=CC(I)=C(OCCN(CC)CC)C(I)=C1 IYIKLHRQXLHMJQ-UHFFFAOYSA-N 0.000 description 10
- 229960005260 amiodarone Drugs 0.000 description 10
- 208000001871 Tachycardia Diseases 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000015654 memory Effects 0.000 description 9
- 206010019280 Heart failures Diseases 0.000 description 8
- 230000002411 adverse Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 210000000038 chest Anatomy 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000009467 reduction Effects 0.000 description 7
- 230000033764 rhythmic process Effects 0.000 description 7
- 206010040560 shock Diseases 0.000 description 7
- 238000002603 single-photon emission computed tomography Methods 0.000 description 7
- 230000004083 survival effect Effects 0.000 description 7
- 210000001519 tissue Anatomy 0.000 description 7
- 208000032544 Cicatrix Diseases 0.000 description 6
- 208000006011 Stroke Diseases 0.000 description 6
- 230000001154 acute effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 210000005240 left ventricle Anatomy 0.000 description 6
- 210000004072 lung Anatomy 0.000 description 6
- 210000004165 myocardium Anatomy 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000037387 scars Effects 0.000 description 6
- 208000024891 symptom Diseases 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000002001 electrophysiology Methods 0.000 description 5
- 230000007831 electrophysiology Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000001976 improved effect Effects 0.000 description 5
- 230000000670 limiting effect Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000002107 myocardial effect Effects 0.000 description 5
- 230000002787 reinforcement Effects 0.000 description 5
- 239000000758 substrate Substances 0.000 description 5
- 238000001356 surgical procedure Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 206010003658 Atrial Fibrillation Diseases 0.000 description 4
- 206010061216 Infarction Diseases 0.000 description 4
- 206010061218 Inflammation Diseases 0.000 description 4
- 206010047281 Ventricular arrhythmia Diseases 0.000 description 4
- 230000004913 activation Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000001746 atrial effect Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 210000002837 heart atrium Anatomy 0.000 description 4
- 230000007574 infarction Effects 0.000 description 4
- 230000004054 inflammatory process Effects 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 238000012552 review Methods 0.000 description 4
- 230000037390 scarring Effects 0.000 description 4
- VLPIATFUUWWMKC-SNVBAGLBSA-N (2r)-1-(2,6-dimethylphenoxy)propan-2-amine Chemical compound C[C@@H](N)COC1=C(C)C=CC=C1C VLPIATFUUWWMKC-SNVBAGLBSA-N 0.000 description 3
- 206010002329 Aneurysm Diseases 0.000 description 3
- 229910052688 Gadolinium Inorganic materials 0.000 description 3
- 208000001953 Hypotension Diseases 0.000 description 3
- 206010048858 Ischaemic cardiomyopathy Diseases 0.000 description 3
- 206010049418 Sudden Cardiac Death Diseases 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000013184 cardiac magnetic resonance imaging Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 238000005094 computer simulation Methods 0.000 description 3
- 210000004351 coronary vessel Anatomy 0.000 description 3
- 238000009223 counseling Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000763 evoking effect Effects 0.000 description 3
- UIWYJDYFSGRHKR-UHFFFAOYSA-N gadolinium atom Chemical compound [Gd] UIWYJDYFSGRHKR-UHFFFAOYSA-N 0.000 description 3
- 229910052734 helium Inorganic materials 0.000 description 3
- 239000001307 helium Substances 0.000 description 3
- SWQJXJOGLNCZEY-UHFFFAOYSA-N helium atom Chemical compound [He] SWQJXJOGLNCZEY-UHFFFAOYSA-N 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 229960003404 mexiletine Drugs 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000002203 pretreatment Methods 0.000 description 3
- 230000002685 pulmonary effect Effects 0.000 description 3
- 229960002370 sotalol Drugs 0.000 description 3
- ZBMZVLHSJCTVON-UHFFFAOYSA-N sotalol Chemical compound CC(C)NCC(O)C1=CC=C(NS(C)(=O)=O)C=C1 ZBMZVLHSJCTVON-UHFFFAOYSA-N 0.000 description 3
- 238000002719 stereotactic radiosurgery Methods 0.000 description 3
- 208000014221 sudden cardiac arrest Diseases 0.000 description 3
- 230000002459 sustained effect Effects 0.000 description 3
- 230000006794 tachycardia Effects 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 230000035899 viability Effects 0.000 description 3
- 208000032843 Hemorrhage Diseases 0.000 description 2
- 206010067482 No adverse event Diseases 0.000 description 2
- 206010030113 Oedema Diseases 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 238000000540 analysis of variance Methods 0.000 description 2
- 230000003288 anthiarrhythmic effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000003556 assay Methods 0.000 description 2
- 230000002308 calcification Effects 0.000 description 2
- -1 carbon ion Chemical class 0.000 description 2
- 238000007675 cardiac surgery Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003205 diastolic effect Effects 0.000 description 2
- 238000002651 drug therapy Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 229940082150 encore Drugs 0.000 description 2
- 210000001174 endocardium Anatomy 0.000 description 2
- 210000002889 endothelial cell Anatomy 0.000 description 2
- 238000011404 fractionated radiotherapy Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 231100000086 high toxicity Toxicity 0.000 description 2
- 238000000265 homogenisation Methods 0.000 description 2
- 230000036543 hypotension Effects 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 230000002757 inflammatory effect Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 208000028867 ischemia Diseases 0.000 description 2
- 230000000302 ischemic effect Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 231100000053 low toxicity Toxicity 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000028161 membrane depolarization Effects 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 210000004115 mitral valve Anatomy 0.000 description 2
- 208000010125 myocardial infarction Diseases 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000017074 necrotic cell death Effects 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 239000013610 patient sample Substances 0.000 description 2
- 230000010412 perfusion Effects 0.000 description 2
- 208000008494 pericarditis Diseases 0.000 description 2
- 238000012831 peritoneal equilibrium test Methods 0.000 description 2
- 238000012877 positron emission topography Methods 0.000 description 2
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 description 2
- 229960004618 prednisone Drugs 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010008479 Chest Pain Diseases 0.000 description 1
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- DJBNUMBKLMJRSA-UHFFFAOYSA-N Flecainide Chemical compound FC(F)(F)COC1=CC=C(OCC(F)(F)F)C(C(=O)NCC2NCCCC2)=C1 DJBNUMBKLMJRSA-UHFFFAOYSA-N 0.000 description 1
- 208000006083 Hypokinesia Diseases 0.000 description 1
- 238000010824 Kaplan-Meier survival analysis Methods 0.000 description 1
- 208000009525 Myocarditis Diseases 0.000 description 1
- 206010028813 Nausea Diseases 0.000 description 1
- 206010028851 Necrosis Diseases 0.000 description 1
- 208000005228 Pericardial Effusion Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 206010037765 Radiation pneumonitis Diseases 0.000 description 1
- 208000004301 Sinus Arrhythmia Diseases 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 208000024248 Vascular System injury Diseases 0.000 description 1
- 208000012339 Vascular injury Diseases 0.000 description 1
- 206010047115 Vasculitis Diseases 0.000 description 1
- 238000001793 Wilcoxon signed-rank test Methods 0.000 description 1
- 238000011298 ablation treatment Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009798 acute exacerbation Effects 0.000 description 1
- 208000038016 acute inflammation Diseases 0.000 description 1
- 230000006022 acute inflammation Effects 0.000 description 1
- 230000007059 acute toxicity Effects 0.000 description 1
- 231100000403 acute toxicity Toxicity 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 210000002159 anterior chamber Anatomy 0.000 description 1
- 239000003146 anticoagulant agent Substances 0.000 description 1
- 229940127219 anticoagulant drug Drugs 0.000 description 1
- 230000010100 anticoagulation Effects 0.000 description 1
- 239000000427 antigen Substances 0.000 description 1
- 210000002565 arteriole Anatomy 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000002876 beta blocker Substances 0.000 description 1
- 229940097320 beta blocking agent Drugs 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 210000004413 cardiac myocyte Anatomy 0.000 description 1
- 206010007625 cardiogenic shock Diseases 0.000 description 1
- 230000001756 cardiomyopathic effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000007408 cone-beam computed tomography Methods 0.000 description 1
- 238000002586 coronary angiography Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000002716 delivery method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000003511 endothelial effect Effects 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 210000000981 epithelium Anatomy 0.000 description 1
- 210000003238 esophagus Anatomy 0.000 description 1
- 230000005713 exacerbation Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 208000031352 familial ventricular tachycardia Diseases 0.000 description 1
- 229960000449 flecainide Drugs 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000002594 fluoroscopy Methods 0.000 description 1
- 231100001156 grade 3 toxicity Toxicity 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 210000005003 heart tissue Anatomy 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 230000001969 hypertrophic effect Effects 0.000 description 1
- 230000003483 hypokinetic effect Effects 0.000 description 1
- 208000021822 hypotensive Diseases 0.000 description 1
- 230000001077 hypotensive effect Effects 0.000 description 1
- 238000002786 image-guided radiation therapy Methods 0.000 description 1
- 238000000126 in silico method Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000000297 inotrophic effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003907 kidney function Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000004199 lung function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000006911 nucleation Effects 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 210000003516 pericardium Anatomy 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000001536 pro-arrhythmogenic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000008672 reprogramming Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 210000005241 right ventricle Anatomy 0.000 description 1
- 230000036573 scar formation Effects 0.000 description 1
- 210000001013 sinoatrial node Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000000278 spinal cord Anatomy 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 150000003431 steroids Chemical class 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000013185 thoracic computed tomography Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 208000003663 ventricular fibrillation Diseases 0.000 description 1
- 210000000264 venule Anatomy 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/0035—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for acquisition of images from more than one imaging mode, e.g. combining MRI and optical tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/0036—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room including treatment, e.g., using an implantable medical device, ablating, ventilating
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0044—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the heart
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/361—Detecting fibrillation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/363—Detecting tachycardia or bradycardia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/364—Detecting abnormal ECG interval, e.g. extrasystoles, ectopic heartbeats
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/367—Electrophysiological study [EPS], e.g. electrical activation mapping or electro-anatomical mapping
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/13—Tomography
- A61B8/14—Echo-tomography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2505/00—Evaluating, monitoring or diagnosing in the context of a particular type of medical care
- A61B2505/05—Surgical care
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10084—Hybrid tomography; Concurrent acquisition with multiple different tomographic modalities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10108—Single photon emission computed tomography [SPECT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20128—Atlas-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Radiology & Medical Imaging (AREA)
- Cardiology (AREA)
- High Energy & Nuclear Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Physiology (AREA)
- Optics & Photonics (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Pulmonology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Electrotherapy Devices (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Surgical Instruments (AREA)
Abstract
本文公开了用于确定用于消融的一个或多个心律失常靶的系统和方法。所述方法可以包含接收一个或多个映射、识别一个或多个映射中的异常、组合一个或多个映射、并基于所识别的异常在组合的一个或多个映射中的重叠来定义一个或多个心律失常靶。
Description
相关申请的交叉引用
本申请要求2017年12月13日提交的美国临时专利申请第62/598,162号,2017年12月18日提交的美国临时专利申请第62/607,084号和2018年12月12日提交的PCT专利申请PCT/US2018065278的权益,上述专利申请通过引用整体并入本申请。
技术领域
本申请技术涉及确定用于消融的心律失常靶,并且更具体地,涉及用于确定待消融的心房或心室节段的多模图像映射和风险状况。
背景技术
心脏骤停(SCA:Sudden cardiac arrest)是发达国家中最大的死亡原因。SCA的大部分归因于心律失常,即室性心动过速(VT:ventricular tachycardia)或房颤(AF:atrialfibrillation)。当前的侵入性可视化技术用于针对心律失常治疗的应用,例如心脏导管插入术。侵入性过程可能给患者带来重大风险。用于心律失常的当前治疗包含侵入性导管消融。最近已经开发出使用立体定向体部放射治疗的非侵入性消融用于心律失常的治疗。对于侵入性和非侵入性消融,成像和临床数据由临床医师手动转换为靶进行治疗,从而导致用户的治疗差异。此外,所使用的消融种类以及靶选择(例如大小、位置)是在没有正式决策支持的情况下临时确定的。
因此,需要改善对心律失常靶体积的识别以及用于非侵入性和侵入性心律失常消融的治疗计划,和改善用于心律失常消融的治疗的选择的决策支持。实现了用于映射和治疗患者心律失常的非侵入性过程。
发明内容
本文提供了一种确定一个或多个用于消融的心律失常靶的方法。所述方法可包含接收从电气映射、解剖映射、功能映射及其组合中选择的一个或多个映射;识别一个或多个映射中的异常;组合一个或多个映射;以及基于所识别的异常在组合的一个或多个映射中的重叠来定义一个或多个心律失常靶。在一个方面,所述电气映射可以是心电图图像,所述解剖映射可以是计算机断层扫描图像或磁共振图像中的至少一种,并且所述功能映射可以是光发射计算机断层图像,正电子发射断层图像或超声心动图图像中的至少一种。在一些方面,所述异常可以被识别为一个或多个映射上的一个或多个节段,一个或多个映射上的一个或多个轮廓或其组合。可以手动,自动或其组合地识别异常。在一个方面,所述方法还可以还包含基于附加数据调整一个或多个心律失常靶。所述附加数据可以从接收到的映射的权重,置信度得分,风险,临床数据,演示数据,特定患者的先验知识,先前患者的先验知识,毒性,功效,数据质量,数据重要性,数据可重复性,心脏的生理学,疤痕的大小,室速的数目,心肌病的类型,透壁性,异常的位置,年龄,性别,心脏的大小,射血分数,心脏的厚度,药物,共发症或它们的组合选择。在一些方面,所述方法还可以包含消融所述一个或多个心律失常靶。消融所述至少一个心律不齐靶可以是非侵入性的,例如使用SBRT。在一些方面,所述方法还可以包含对接收到的映射进行加权。在另外的方面,所述方法可以还包含确定置信度得分。
在一些方面,所述方法可以还包含生成决策支持模块。所述决策支持模块还可以包括一个或多个心律失常靶的输出以及以下中的一个或多个:疤痕模式的描述、疤痕负担大小和位置的描述、达到消融的建议量、组合映射的置信度得分、受结构清单、一般建议、非侵入性疗法的预期成功率或采用其他治疗方式的预期成功率。
本文还进一步提供了至少一种非暂时性计算机可读介质,其存储指令,在由至少一个处理器执行时指令使至少一个处理器执行以下操作:接收选自电气映射、解剖映射、功能映射及其组合的一个或多个映射;组合所述一个或多个映射;以及根据所述一个或多个映射的组合,确定用于消融的一个或多个心律失常靶。所述至少一个处理器还可以调节所述用于消融的一个或多个心律失常靶。所述至少一个处理器还可以加权所接收的映射。在一个方面,所述至少一个处理器可以确定置信度得分。所述电气映射可以是心电图图像,所述解剖映射可以是计算机断层扫描图像或磁共振图像中的至少一种,并且所述功能映射可以是光发射计算机断层图像、正电子发射断层图像或超声心动图图像中的至少一种。在另一个方面,所述至少一个处理器可以:接收一种或多种临床映射,包含人口统计学,手术史,有关室性心动过速的信息和先前的电解剖映射中的至少一项;用所述一种或多种临床映射补充组合的一个或多个映射;以及基于补充的组合映射,确定用于消融的一个或多个心律失常靶的一个或多个更新的消融。
在一些方面,所述至少一个处理器还可以生成决策支持模块。所述决策支持模块还可以包括一个或多个心律失常靶的输出以及以下中的一个或多个:疤痕模式的描述、疤痕负担大小和位置的描述、达到消融的建议量、组合映射的置信度得分、有风险的结构清单、一般建议、非侵入性疗法的预期成功率或采用其他治疗方式的预期成功率。
另外的方面和特征在下面的描述中部分地阐述,并且对于本领域技术人员而言,在阅读说明书时将变得显而易见,或者可以通过实践所公开的主题来获知。可以通过参考说明书和附图的其余部分来实现对本公开的本质和优点的进一步理解,所述说明书和附图是本公开的一部分。
附图说明
本公开包含至少一个彩色的执行附图。专利局将应要求和支付必要的费用提供带有彩色附图的本公开的副本。
为了描述可以获得本公开的以上以及其他优点和特征的方式,将通过参考其在附图中示出的特定实施例来对以上简要描述的原理进行更具体的描述。应当理解这些附图仅描绘了本公开的示例性实施例,因此不应被认为是对其范围的限制,本文的原理通过使用附图以附加的特异性和细节来描述和解释:
图1A图示了100的示例方法的流程图。
图1B图示了101的示例方法的流程图。
图2图示了200的示例方法的流程图。
图3A、3B和3C图示了心室节段的横截面的示例。
图4图示了示例系统的实施例。
图5图示了示例机器学习环境。
图6A图示了示例决策支持工具输出。
图6B图示了示例决策支持工具输出。
图6C图示了示例决策支持工具输出。
图7图示了电生理引导、非侵入性心脏放射消融的示例工作流程。
图8A显示5名研究患者中每位患者在治疗前连续3个月并在治疗后持续12个月的室速(VT:ventricular tachycardia)发作的总次数,包含由植入式心脏复律除颤器(ICD)引起的适当电击,适当的ICD抗心动过速起搏以及持续未经治疗的VT。在患者4和5中,VT发作的次数明显大于患者1、2和3;因此,将患者4和5所示的数字除以30,以允许进行相同规模的比较。
图8B显示在与图8A相同的时间范围内,所有5名患者的ICD电击总数。
图8C显示在与图8A相同的时间范围内所有5名患者的抗心动过速起搏的发作次数。
图9A显示通过超声心动图评估的每位患者治疗后左心室射血分数的系列评估。平均值增加了6个百分点(范围为.2至22)。
图9B显示患者1治疗后的连续胸部CT扫描。治疗区域以蓝色显示。在3个月时,肺实质内有邻近的局部炎性变化,这种现象在12个月时几乎消失。
图10A显示从患者5获得的死后心脏样本中的致密性纤维化(右上)和活心肌(左下)的界面处明显的小血管扩张,该患者在治疗3周后发生致命性中风。没有急性心肌炎症或急性细胞坏死。
图10B显示矩形“棚车”形核以及周围扩张的小动脉和小静脉,与放射线照射一致。内皮细胞外观正常(黑色箭头),显示长而薄的无反应核。还可见肥厚型心肌细胞(白色箭头)。
图11显示治疗效果评估。有18例患者存活至6个月。无休止性VT或持续性慢VT低于ICD检测率的患者用菱形标记(n=5);这些发作不包括在总数中。对具有PVC介入的心肌病患者标注加号(n=2)并且表示为在24小时动态心电图监护仪上捕获的PVC负担(百分比)。每行代表一个患者;蓝线代表消融前,红线代表消融后。上限会在200次发作时被人为截断。随访期间患者按复发情况排列,范围从最大(底部)到最小(顶部)。
图12显示24小时PVC负担和左心室射血分数变化。两名PVC相关心肌病患者参加并接受治疗。通过24小时动态心电图监测仪测得的PVC负担在基线时分别为24%和26%。显示了纵向PVC负担(红线)。用超声心动图测量左心室射血分数。显示了纵向LV射血分数(绿线)。随着PVC负担的降低,两名患者的LV射血分数均有改善。
图13A显示所有患者的总生存率的Kaplan-Meier曲线。6个月时精算总生存率为89%而12个月时为72%。
图13B显示在基线和治疗后6个月患者抗心律失常药物使用的堆叠条形图。y轴表示所用抗心律失常药物的总数、每种颜色的大小与该类抗心律失常药物中使用的药物数目成正比。胺碘酮的使用分为高剂量(≥300mg/天)和低剂量(<300mg/天)。I类药物由美西律和氟卡尼组成。III类药物由索他洛尔组成。
图13C以图形的方式表示6个月时存活的18例患者在简易格式-36问卷的3个选定领域中,在基线时,治疗6周和治疗6个月时报告的平均评分-蓝色代表社会功能,绿色代表健康状况变化,紫色代表一般健康状况。星号表示平均得分随时间的显著变化(p<0.05)。
图14显示示例3中的患者的ECG。
图15A和15B显示示例3中的患者的MRI映射。
图16A和16B显示示例3中的患者的CT映射。
图17显示示例3中的患者的PET映射。
图18A、18B和18C显示示例3中的患者的ECGI映射。
图19显示在示例3中的患者的图像的轮廓。
图20A、20B、20C、20D、20E和20F显示为示例3的输入映射识别的节段异常。图20G显示使用颜色编码的概率定义的一个或多个心律失常靶的方法的输出。
图21A和21B显示示例4中的患者的ECG。
图22显示示例4中的患者的CT映射。
23A和23B显示示例4中的患者的PET映射。
图24A、24B、24C和24D显示示例4中的患者的VT1和VT2的ECGI映射。图24E和24F显示示例4中的患者的其他ECGI映射。
图25A和25B显示在示例4中的患者的图像的轮廓。
图26A、26B、26C、26D、26E、26F、26G和26H显示从示例4中的患者的每个输入映射中识别出的节段异常。图26I显示使用颜色编码的概率定义一个或多个心律失常靶的方法的输出。
具体实施方式
下面详细讨论本公开的各种实施例。虽然讨论了特定的实现,但是应该理解,这样做仅出于说明目的。相关领域的技术人员将认识到,在不脱离本公开的精神和范围的情况下,可以使用其他组件和配置。因此,以下描述和附图是说明性的,并且不应解释为限制性的。描述了许多具体细节以提供对本公开的透彻理解。然而,在某些情况下,为了避免混淆描述,没有描述众所周知的或常规的细节。参考本公开中对一个实施例或实施例可以是对相同实施例或任何实施例的参考;并且,这样的参考意味着实施例中的至少一个。
参考“一个实施例”或“实施例”是指结合该实施例描述的特定特征、结构或特性包括在本公开的至少一个实施例中。说明书中各个地方出现的短语“在一个实施例中”不一定全部指的是同一实施例,也不是与其他实施例互斥的单独或替代的实施例。此外,描述了可能由一些实施例而不是其他实施例展现的各种特征。
如本文所用,“磁共振成像”(MRI)是指使用使用磁场和无线电波来形成身体的图像。通常,当在心脏情况下使用时,心血管磁共振成像(CMR)涉及ECG门控,该门控可对抗由心脏跳动产生的伪影。
如本文中所使用的,“计算机断层扫描”(CT)是指以不同角度从患者获取的X射线图像来产生断层扫描(截面)图像。
提及“心电图成像”(ECGI)是指非侵入性地从心电图体表电位重建心外膜电势、心电图和激活序列(等时线)的技术。简而言之,患者穿着记录电活动的电极背心进行CT或MRI扫描。主要的电活动信号来自心脏电活动。然后可以将来自身体表面的电信息注册到源自CT或MRI图像的特定于患者的心脏模型,以显示映射到患者解剖结构上的心脏电活动的特征。有用的信息包含:心脏开始跳动的位置、心脏组织的去极化顺序以及心脏的哪些部分具有异常的去极化行为。通常,在不到30分钟的时间内即可为患者穿上电极背心,获取电数据并执行CT扫描。
提及“立体定向体部放射治疗”(SBRT),也称为立体定向消融放射治疗(SABR)或立体定向放射外科手术(SRS),表示将少数的(通常小于5个)成分的高剂量辐射精确地传递到体内靶,而对正常相邻组织的暴露最小。
在本公开的上下文中以及在使用每个术语的特定上下文中,本说明书中使用的术语通常具有其本领域的普通含义。可以将替代语言和同义词用于此处讨论的任何一个或多个术语,并且对于该术语是否在本文中得到阐述或讨论都没有特殊意义。在某些情况下,提供了某些术语的同义词。一个或多个同义词的逐一列举不排除使用其他同义词。本说明书中任何地方使用的示例,包括本文讨论的任何术语的示例,仅是说明性的,并不意图进一步限制本公开或任何示例术语的范围和含义。同样,本公开不限于本说明书中给出的各种实施例。
在不意图限制本公开的范围的情况下,下面给出根据本公开的实施例的仪器、装置、方法及其相关结果的示例。注意,为了方便读者,可以在示例中使用标题或副标题,这绝不限制本公开的范围。除非另有定义,否则本文中使用的技术和科学术语具有本公开所属领域的普通技术人员通常理解的含义。如有冲突,以本文件及其定义为准。
本公开的附加特征和优点将在下面的描述中阐明,并且部分地从该描述中将是显而易见的,或者可以通过实践本文所公开的原理来获悉。本公开的特征和优点可以通过在所附权利要求中特别指出的工具和组合来实现和获得。根据以下描述和所附权利要求,本公开的这些和其他特征将变得更加显而易见,或者可以通过实践本文阐述的原理来获悉。
本文阐述的方法可用于实施利用多模态成像技术识别心律失常靶的系统和方法。
潜在的心肌病和疤痕最常引起室性心律失常。心肌病引起的疤痕(例如先前的心脏病发作)形成心脏内异常电路的底物,从而导致VT。根据心律失常的症状,严重程度和原因,治疗选择包括但不限于抗心律失常药物,放置起搏器/除颤器,外科手术消融,使用射频能量造成热损伤的基于导管的消融(心内膜,心外膜),SBRT非侵入性消融和/或它们的组合。
在没有心室疤痕(特发性室性心动过速)的情况下,侵入性导管消融术在很大程度上是有效的。然而,心肌病性室性心动过速的导管消融与在6个月复发率高达50%有关。
在电生理学(EP)指导的非侵入性心脏放射消融术(ENCORE)中,通过使用可用的心脏成像和电生理数据并在视觉上与非侵入性ECGI在诱发性VT期间提供的信息进行配准,对患者进行治疗前靶向。例如,在ENCORE-VT工作流程中,可以将多模态成像与疤痕成像和离线电映射相结合,以定义用于凭借SBRT消融的靶。然后在放射治疗计划系统(TPS)中制定计划。在治疗当天,将患者固定以防止患者运动,将治疗单元与患者对齐,然后使用线性加速器进行治疗。
目前,电生理学家和放射肿瘤学家通过对来自TPS的离线靶向数据进行的耗时且不精确的迭代检查,将数据手动转换为SBRT计划CT上的靶。
目前,ENCORE中对室性疤痕的心律失常成分的识别尚不完善,需要使用在各种成像模态之间的离线视觉估计手动创建用于消融的靶体积。这样的视觉估计高度依赖于用户,并且需要各个医师具有显著的一致性和技巧。因此,仅由于从业者的不一致和经验,结果就有可能出现差异。
所公开的技术满足了本领域中对自动识别患者中的一个或多个心律失常以及用户独立的客观治疗计划的需求。公开了用于实施多模态技术的系统、方法和计算机可读存储介质,所述多模态技术用于识别室性心动过速的一种或多种心律失常的成分并产生治疗计划。
本文公开的方法从多模态成像定义了放射治疗靶(治疗区域),其中一些或全部模态用于定义单个感兴趣区域,然后可以加权方式组合以生成最终靶体积。
用于对心律失常进行成像的任何方式都可以与用于对心律失常进行成像的一种或多种其他方式结合使用,因为获取的数据可以是互补的且不可重复的。在一些实施例中,成像可以包含电生理特征和/或解剖特征。成像方式能够是非侵入性的。非侵入性成像方式可以包含但不限于CT、MRI、PET、SPECT、ECGI和12-导联EKG。然而,多模态解剖(CT,MRI)、功能(PET,SPECT)和电生理(ECGI)图像以多种文件格式存在,并且呈现的方式常常使在技术和视觉上都难以将所有信息整合在一个环境中。因此,来自各种来源的图像或映射可以转换为兼容格式以进行组合或比较。在一个示例中,两组或更多组图像或映射可以彼此对齐。因此,可以组合使用用于成像的非侵入性系统来通知受试者的心律失常的非侵入性治疗。
可以手动或自动定义在每个图像映射上的异常或关注区域。在至少一个示例中,专家定义的靶可用于训练模型(例如神经网络),其输入是来自多模态图像或图像本身的信息。然后可以在新的一组多模态图像上使用该模型,以识别异常或推断靶体积(其中靶体积未知)。
17分割模型可用于定义心室的解剖子区域。分割模型可以简化问题,从标记成千上万的单个体素到仅标记17个区域。此外,分割模型克服了需要将单个多模态图像彼此相互配准的挑战。
然后,组合的非侵入性映射或分割模型可以为用于治疗的靶提供一致、客观的识别。一开始的靶勾画的一致性是至关重要的,使得将来通过患者预后评估的“正确”或“最佳”靶的识别不会因不同医师进行的靶向的异质性而混淆。
在一个示例中,定义至少一个心律失常靶的方法可包括针对VT存在对每个映射分别进行评分。在另一示例中,用于定义至少一个心律失常靶的方法可以包含直接推断靶概率。
基于患者和靶属性的半自动或自动疗法选择可以提供统一的治疗选择,并允许对结果进行更可靠的评估。在各个方面,程序推荐可以包含但不限于非侵入性消融、侵入性消融或其组合。在一方面,非侵入性消融方法可以包括但不限于立体定向体部放射治疗、立体定向消融放射治疗、立体定向放射外科手术、分级放射治疗、超分割放射治疗、高频/聚焦超声或激光。
可以使用x-射线/光子(通常使用线性加速器)、γ-射线(例如使用Co-60单元),或带电粒子(例如,质子、碳、氦等)进行辐射。存在各种各样的递送系统,所有的递送系统都有各种的递送方法。在一个示例中,非侵入性治疗可包含SBRT消融。放射治疗递送可能需要优化治疗计划和递送中的固定,评估和运动量,并且需要创建和递送紧凑的精确剂量分布的能力,以最大化达到靶的剂量,同时最小化对健康组织的剂量,并且需要图像指导。放射治疗递送可以包括使用呼吸和心脏运动的独立测量来定义心脏的患者特定运动轨迹,以精确地递送治疗并减小靶体积的大小,从而减轻与对正常组织的脱靶辐射相关的毒性。
I.靶识别
如图1A所示,首先在此描述了一种定义用于消融的心律失常靶的方法。随后将讨论如图1B所示的其替代实施例。当阐述各种实施例时,将在本文中描述这些变化。现在,本公开转向图1A。
通过示例的方式提供了图1A所示的方法,因为该方法有多种实现方式。另外,尽管以特定顺序的块示出了示例方法,但是本领域普通技术人员将理解,图1A及其中所示的块可以以实现本公开的技术优点的任何顺序来执行,并且可以包含比图示少或多的块。图1A中所示的每个块代表在示例方法中执行的一个或多个过程、方法或子例程。
图1A示出了用于识别心律失常靶的示例方法100的流程图。在非限制性示例中,心律失常靶可以是心室心律失常节段、心室轮廓、心房节段和/或心房轮廓。在一些示例中,方法100可以在图像计划系统处实时执行。在其他示例中,方法100可以在图像计划系统计划地执行以供将来使用。
方法100可以开始块105。在块105,至少一个处理器可以接收一个或多个输入映射(例如,对应的心室、对应的心房等的映射)。在一些示例中,一个或多个输入映射可以是先前获取的历史输入映射和/或新需要的输入映射。在一些示例中,一个或多个输入映射可以是来自单个患者的一个或多个图像。例如,一个或多个输入映射可以是一个或多个电生理映射、解剖映射(例如纤维化)、功能映射(例如灌注,运动等)、计算机模拟映射(例如电和/或机械全心脏模型)、临床映射等。在一些示例中,电生理映射可以是但不限于:EKG、VT的12导联ECG(例如,VT/PVC的出射部位等)、窦性心律(SR)的12导联ECG(例如,用于先发性梗死的Q波,PVC定位比较等),VT的ECGI(例如,室速的出口部位、折返传播、舒张电位等)和/或SR的ECGI(例如,慢传导/阻滞区,迟电位区等)。在一些示例中,解剖映射可以是但不限于:CT扫描(例如,心肌变薄(%的壁厚)、钙化等)和/或MRI扫描,包含但不限于钆和/或像素强度图(例如,纤维化的位置(哪个节段;内膜、心肌中膜、上皮)、纤维化的厚度(%的壁厚)、纤维化的体积、纤维化的异质性等)。在一些示例中,功能映射可以是但不限于:SPECT扫描(例如,生存力、梗塞/缺血等)、PET扫描(例如,新陈代谢、炎症等)、MRI扫描(例如,异常壁运动等)、Echo(例如,异常壁运动等)和/或心脏和肺部运动数据(例如,运动敏感序列(例如4D-CT和4D-MRI)可构建预期的运动包络,以实现最佳的靶向和递送)。在一些示例中,临床映射可以是但不限于:人口统计学(例如,年龄、性别、NYHA、CKD、肺、PVD、Charlsonvs SeattleHF模型等)、手术史(例如,心脏手术等),有关临床VT(例如,MMVT或多次VT)和/或先前的电解剖映射/消融的知识。在一些示例中,临床映射是可选的。在一些示例中,临床映射用作补充信息(例如,在风险分析期间)。在一些示例中,出于比较目的(例如,电解剖学映射将不用于节段识别),可以将电解剖映射与创建的图像映射(例如,从方法100的输出)分开显示。在一些示例中,计算机模拟映射可以包含计算机中模型(in silico models)。
在块110,方法100可以在一个或多个输入映射中确定或识别一个或多个异常。可以例如在MRI中通过疤痕位置识别异常,PET/SPECT中的异常可能是非活性区域,电气映射中的异常可能是VT产生的地方等。在各种示例中,可以通过以下方式定义异常:在每个映射上选择异常,手动或自动分割映射并手动选择异常,自动对映射进行轮廓化和手动选择异常,自动对映射进行轮廓化并自动选择异常或其组合。在一些示例中,异常的识别可用于例如,通过使用监督学习或强化学习训练神经网络。例如,医师可以在不同的图像类型中定位异常。异常以及图像和图像的元数据可用于教导神经网络如何自动(或自主)定位异常。
在一个或多个输入映射中定义或识别一个或多个异常可以包含分割一个或多个输入映射。在一些示例中,可以使用分割模型对一个或多个输入映射进行分段。所述至少一个处理器可以确定一个或多个心律失常靶节段中的一个或多个异常。在各种示例中,输入映射可以被分为至少2个节段、至少4个节段、至少6个节段、至少8个节段、至少10个节段、至少12个节段、至少14个节段、至少16个节段、至少18个节段或至少20个节段。在一个示例中,输入映射(例如17导联ECG)可以被分为17节段。该节段可以是相同或相似的大小、不同的大小或其组合。在对输入映射已经被分段之后,可以确定包含异常的节段。
在一些示例中,可以生成17个节段的3D模型。在各种示例中,可以为左心室、右心室和/或心房生成模型。可以使用椭圆锥生成3D模型,但可以使用任意的类心室或类心房形状。在至少一个示例中,对于每个输入映射,可使用所述模型到左心室轮廓的可变形配准,将3D模型覆盖在该映射上。在一些示例中,自由形式(b样条)配准可用于对齐。由于分割模型是对称的,因此可以识别出解剖学界标,例如心尖、前房沟、后房沟和二尖瓣平面,并将其用作锚点,以将模型中的正确节段与正确的解剖位置对齐。在一些示例中,3D模型可以位于心外膜表面,并在体积上扩展到心内膜表面。
在一个或多个输入映射中定义或识别一个或多个异常可以包含使一个或多个输入映射轮廓化。在各种示例中,可以识别一个或多个输入映射上的轮廓。输入映射可以是3D输入映射。例如,用户或医师可以在3D输入映射上物理地绘制轮廓,或者处理器可以在3D输入映射上识别包含异常的轮廓。可以在输入映射中自动定义异常。在一些示例中,可以识别不止一种异常。例如,输入映射中定义的异常可以是单个VT、多个VT、单个VT出口和/或多个VT出口。
在一个示例中,可以使用分割模型在第一输入映射上手动地识别异常,并在另一输入映射(例如ECGI、MRI、CT和/或PET)上手动地绘制轮廓。在另一示例中,可以使用分割模型在第一输入映射上手动地识别异常,并在另一输入映射(例如ECGI、MRI、CT和/或PET)上自动地绘制轮廓。在又一示例中,可以使用分割模型在12导联的ECG上手动地定义异常,并可以在ECGI、MRI、CT和/或PET映射上手动地识别异常。在一个示例中,可以在12导联ECG上自动地定义异常,并且可以在ECGI、MRI、CT和/或PET映射上手动地识别异常。在一些示例中,专家可以分别审查每个输入映射,并可以对每个节段对VT作出的贡献的可能性进行评分。这些分数可以存储在数据库中。然后可以生成针对每个节段s的靶概率,定义为每个患者p的所有输入映射i上的加权平均值(按权重w)。
在又一示例中,可以在所有输入映射上自动地定义异常。在一个示例中,可以通过机器学习在一个或多个输入映射上自动地定义异常。对于每个输入映射,可以提取每个节段中的图像内容。由于每个节段都可以是圆锥形截面,因此可以将其展开为直线3D图像体积。该过程可以生成Ns,p,i个节段,其中s是每个图像的节段数(例如,最多为17个,但可以是任意数量),i是每个患者的输入映射数,并且p是数据库中的患者人数。每个节段可以被标记为VT,无VT,和无法评估。对于两类建模问题,无法评估的节段可以在建模时被忽略。专家也可以分配0到1之间的一组数字的加权参数w,以表示每个节段的置信度。
可以使用任何建模方法来学习可预测每个输入映射上异常(例如,VT)位置的图像特征。例如,可以使用深层卷积神经网络。由于该模型仅包括两个类别(VT/无VT),因此可能不需要深度网络。例如,一个模型可以使用大约5个层块,包含卷积块、卷积层和完全连接的层。在一些示例中,可以使用训练数据对网络进行训练以预测VT/无VT。在一些示例中,可以使用包括白化和归一化在内的预处理。在其他示例中,该模型可以在新的输入映射上执行。然后可以提取节段,并可以使用上面的网络进行推断。在一个示例中,然后可以为每个新输入映射的每个节段生成VT/无VT标签。
在一些示例中,可以通过在神经网络上添加其他层来获悉每种异常的概率(靶概率)。这些可以是完全连接的层,其试图间接地学习权重w的值。标记的数据可以是实际靶概率。在一个示例中,神经网络可以包含将各个节段类别组合为加权平均值的附加层,并试图间接学习加权算法。
在其他示例中,可以首先生成针对每个节段s的靶概率,其定义为每个患者p在所有图像i上的加权平均值(按权重w)。可以先对各个节段图像进行归一化,然后将其级联为深度为i的4D深度图像,然后可以对这些深度图像进行训练以预测连续靶概率。在各种示例中,连续靶概率的范围是0到1。
在块115,方法100可以将一个或多个输入映射与所识别的异常结合。例如,输入映射可以通过重叠分割模型,组合分割模型和3D几何形状或它们的组合来组合。在一些示例中,可以从3D几何中识别出的异常中选择轮廓的重叠。在另一示例中,可以组合具有分割模型的输入映射和至少一个3D输入映射的轮廓。例如,可以将来自12导联ECG的分割模型与从3D几何体(例如,ECGI、MRI、CT、PET)识别出的轮廓进行共配准。
在块120,方法100可以基于来自组合映射的数据的重叠来定义用于消融的靶。心律失常靶可以是一个节段、多个节段或3D体积。在分割模型中,可以通过识别重叠最多或强度最高的区域来定义心律失常靶。对于3D轮廓,可以通过识别3D几何中轮廓的重叠来定义心律失常靶。3D解剖定义的靶(手动或自动)的面积可以比节段更小,更针对患者。在其他示例中,分割模型可以与至少一个3D轮廓共配准,以使节段和轮廓之间的重叠可以识别靶。在一些示例中,可以通过查看单独VT的重叠(针对映射的每个VT/VT出口部位)来识别多个独立定义的用于消融的靶或优先用于消融的靶。
在一些示例中,可以使用一种或多种类型的消融能量技术(例如,SBRT、光子、碳离子、质子、氦气、超声等)识别要消融的一个或多个节段。在一些示例中,可以为非侵入性心律失常引导系统识别一个或多个节段。对于非侵入性立体定向心脏消融,该方法可以与放射治疗计划系统或决策支持模块集成,向其传输数据或存在于其中。在其他示例中,可以确定一个或多个节段用于侵入性消融。对于侵入性导管消融,该方法可以与导管消融系统集成,向导管消融系统传输数据或存在于导管消融系统中。
至少一个处理器可以确定一个或多个用于消融的靶,例如,用于消融的靶可以包含一个或多个心律失常的靶节段。在各种示例中,用于消融的靶可以包括至少1个节段、至少2个节段、至少4个节段、至少6个节段、至少8个节段、至少10个节段、至少12个节段、至少14个节段、至少16个节段、至少18个节段,或至少20个节段。这些节段可以是相同或相似的大小、不同的大小或其组合。例如,用于消融的靶可以确定并格式化为图像映射(例如,输入到治疗计划系统中的图像映射)。在一些示例中,用于消融的靶可以根据输入映射的重叠节段和风险状况来确定。在一些示例中,来自输入映射的节段的重叠可以包含用于消融的节段的初始列表。初始列表然后可以遍历风险状况,以确定来自初始列表的节段的消融的潜在风险。根据风险状况,可以确定一个或多个用于消融的节段。
在一个示例中,在图3A、3B和3C中示出了一个或多个用于消融的节段。图3A、3B和3C示出了心室节段的横截面。例如,心室可分为17个不同的节段-1.基底前(basalanterior);2.基底前间隔(basal anterioseptal);3.基底下间隔(basal inferoseptal);4.基底下(basal inferior);5.基底下外侧(basal inferolateral);6.基底前外侧(basalanterolateral),7.中部前(mid anterior);8.中部前间隔(mid anteroseptal);9.中部下间隔(mid inferoseptal);10.中部下(mid inferior);11.中部下外侧(midinferolateral);12.中部前外侧(mid anterolateral);13.心尖前(apical anterior);14.心尖间隔(apical septal);15.心尖下(apical inferior);16.心尖外侧(apicallateral);和17.尖端(apex)。
图3B进一步示出了基于来自方法100的输出的一个或多个用于消融的节段。例如,节段:1.基底前;2.基底前间隔;6.基底前外侧;和7.中部前已被确定为用于消融的节段。在一个示例中,上述节段已经针对患有非缺血性心肌病的61岁的患者(NYHA4级心力衰竭症状(LVEF 37%;LVEDD 6.1cm),尽管使用胺碘酮和美西律治疗,但针对VT反复ICD电击)识别。在那些药物之前,索他洛尔对患者治疗失败。ICD询问显示至少两个不同的VT周期长度。SBRT靶向一年前曾进行过心内膜消融术,靶是基底前隔膜和前外侧的左心室中的四个不同的VT回路。
在图3B的示例中,相应的输入映射可以是:两个VT-ECG(2,6),ECGI(1,6)的电气映射;MRI(1,2,6,7)和CT(不稀疏)的解剖映射以及Echo(全球HK)的功能映射。每个映射可以标识一个或多个潜在消融的节段。当这些映射组合在一起时,推荐1、2、6和7节段用于消融。该示例的决策支持模块输出如图6A中所示。
图3C进一步示出了基于来自方法200的输出的一个或多个用于消融的节段。例如,节段:13.心尖前,14.心尖间隔,15.心尖下,16.心尖外侧和17.尖端已被确定为指定用于消融的高优先节段,并且节段:7.中部前,8.中部前间隔,9.中部下间隔和10.中部下被确定为指定用于消融的中等优先节段。在一个示例中,一位患有缺血性心肌病的75岁的患者,NYHA4级心力衰竭症状,(LVEF 20%;LVEDD 6.9cm),尽管用胺碘酮和美西律治疗(目前均不耐受),但针对VP反复ICD电击。晚期CKD排除了索他洛尔。ICD询问主要显示一个VT周期长度。以前没有心内膜消融术(并发症的高风险)。
在图3C的示例中,相应的输入映射可以是ECG(14,15,16,17),ECGI(SR LOP 15,16,17),ECGI(VT 15,17)的电气映射;MRI的解剖映射(7,8,9,10,13,14,16,17),CT(7,8,9,13,14,15,16,17);和PET的功能映射(7,8,9,13,14,15,17),MRI(2,3,4,7,8,9,10,13,14,15,17)。每个映射都可以识别一个或多个可能要消融的节段,当这些映射组合在一起时,13-17的节段可以是用于消融的高优先级推荐,而7-10的节段可以是用于消融的中等优先级推荐。此示例的决策支持模块输出如图6B所示。
在一些示例中,可以调整用于消融的心律失常靶。例如,心律失常靶可以根据各种参数进行调整,包括但不限于风险,临床数据,演示数据,特定患者的先验知识,既往患者的先验知识,毒性,疗效,数据质量,数据重要性,数据的可重复性,心脏的生理学,疤痕的大小,VT的数量,心肌病的类型(例如,缺血性或非缺血性),透壁性(例如,厚或薄的疤痕),异常的位置(例如,某些节段可能多少不太成功),年龄,性别,心脏大小,射血分数,心脏厚度(例如,弱或健康的心脏),药物(例如,抗心律失常药物),共病和其组合。在各种示例中,靶的调整可以手动或自动进行。随着对其他患者的治疗,以前的治疗方法可以告知将来的治疗方法,并且可以用来调整当前患者的靶(例如,通过训练神经网络)。在另一示例中,可以基于输入映射的权重或组合映射的置信度得分来调整靶。
在一些示例中,先前患者的先验知识可以来自医学文献和/或来自各个患者输入数据库的数据。在各种示例中,数据可以从提供者、研究人员等手动输入数据库,也可以从电子病历(EMR)自动获取自然语言处理(NLP)的离散数据中自动输入,也可以由患者从设备自动输入。可以自动将数据存储到数据库中的患者设备的非限制性示例包括ICD,电话或可穿戴设备。在一个示例中,可以将ICD注册到报告程序中,以利于自动输入至数据库。在另一示例中,患者的电话可以包含捕获患者报告的结果的应用程序。在又一示例中,可穿戴设备可以包含智能手表、心率监视器或能将任何捕获数据传送到数据库的活动追踪器。
在一些示例中,确定的分段可以分配优先级和/或概率。例如,根据输入映射和风险状况的组合,可以将确定的节段分配高、中或低优先级。在一些示例中,可以为所有心律失常靶节段分配优先级(例如,高,中或低)。在其他示例中,在确定中提供分配了高优先级和中等优先级的节段。
在一些示例中,可以将确定的节段提供在图像映射上以用于消融手术。图像映射可以与侵入性和非侵入性递送平台集成。例如,图像映射可以是用于治疗计划(例如,在治疗计划系统/软件中)的卷(volume)。在一些示例中,图像映射可以用作治疗计划系统的输入(例如,可以执行消融)。图像映射可以为患者提供个性化的治疗计划(例如,并非所有患者都需要或提供所有已知的多模态数据)。
输入映射的加权可以在方法100中的任何时候发生。输入映射的加权可以通过为相对于对患者的其他映射具有更高质量,临床相关性或重要性的输入映射赋予更高的权重来提高靶识别的质量或准确性。例如,输入映射的权重可以发生在组合映射之前,异常识别之后,组合之后,定义靶之后或调整靶之后。每个输入映射可以根据一个或多个因素来赋予权重,多个因素为例如,扫描质量(例如,MRI上的ICD伪影等),输入映射的数量(例如,模态数量),临床相关性(例如,非临床CT诱导等),单个技术的专家接受度,数据的重要性或其组合。在一些示例中,可以在输入映射之间赋予权重,例如,每个输入映射发现之间的相对强度,组之间的一致性等。例如,当高质量扫描的输入映射模态数量较多且输入映射之间的重叠程度较高时,可以确定更高的权重。在另一示例中,当具有各种质量的输入映射模态的数量较少且输入映射之间的重叠程度较低时,可以赋予较低的权重。
在一些示例中,可以确定组合输入映射或确定的心律失常靶的置信度得分。在一个示例中,置信度得分可以是对组合输入映射的评估。置信度得分还可以包含临床数据或用于调整靶的任何数据。例如,输入映射权重、输入映射之间的权重,不同输入映射之间的数据一致性或结果的重叠量(例如,用于消融的节段等)可用于确定置信度得分。例如,可以确定置信度分数以量化用于消融的一个或多个节段或轮廓的质量和再现性。在一些示例中,置信度得分可以随着成像组之间更高程度的重叠(例如,为了消融的节段等)而增加。在其他示例中,如果输入映射不完整,输入映射质量较差,VT数量增加,疤痕尺寸较大(例如,疤痕大于消融)等,则置信度得分可能会降低。
方法100可以还包含确定风险状况。在一些示例中,可以根据历史输入映射、副作用、节段体积限制和/或以前建议的消融节段结果来确定风险状况。例如,可以存储与先前经历方法100(或类似方法)的患者相关的数据以及使用通过方法100获得的数据或映射执行的任何过程的结果,以确定患者的风险状况。在一些示例中,风险状况可用于确定与推荐消融部位相关的对患者的潜在风险或影响。在一些示例中,患者的人口统计信息可用于确定风险状况(例如,年龄,健康状况,以前的手术等)。在一些示例中,历史输入映射,相应的节段确定和消融结果(来自确定)可用于确定哪些心律失常靶节段可以治疗而无高风险和/或并发症,以及哪些节段通常为高风险和/或并发症最多。在至少一个示例中,风险状况会报告给用户/医师以进行疗法选择或毒性咨询。
在一个示例中,初始靶列表可以包含节段1、2、6、7、8、12和13。风险状况可以根据当前患者的历史和/或相似患者的历史来确定节段体积限制应等于四(4)。然后得到的确定消融节段可以是1、2、6和7。在另一示例中,初始列表可以包含节段1、2、6和7。风险状况可以确定这些节段的风险较高,因为,例如,冠状动脉位于这些节段中。然后,可以将节段确定为1、2、6和7,并附有额外的计划信息,用于随访或监测消融后的冠状动脉。在另一示例中,初始列表可以包含节段1、2和6。风险状况可以根据相似患者的病史(例如,相似历史,手术等)确定,节段1、2和6被消融,而节段7也被消融是有利的。然后,得到的用于消融的节段可以是1、2、6和7。本文提供的示例仅是示例性的,并且是非限制性的。
在一些示例中,可以将确定的节段提供在图像映射上以用于消融手术。图像映射可以与侵入性和非侵入性递送平台集成。例如,图像映射可以是用于治疗计划的卷(例如,在治疗计划系统/软件中)。在一些示例中,图像映射可以用作治疗计划系统的输入(例如,可以执行消融)。图像映射可以为患者提供个性化的治疗计划(例如,并非所有患者都需要或提供所有已知的多模态数据)。在一个示例中,靶节段或3D轮廓可用于识别治疗计划软件中的计划靶体积。在一些示例中,规划靶体积和/或分段/轮廓可用于模拟治疗以保证内部质量。
作为示例,提供了图1B中所示的方法,因为有多种方式可以执行该方法。另外,尽管以特定顺序的块示出了示例方法,但是本领域普通技术人员将理解,图1B和其中示出的块可以以实现本公开的技术优点的任何顺序来执行,并且可以包括比图示少或多的块。图1B所示的每个块代表示例方法中执行的一个或多个过程,方法或子例程。
图1B示出了用于确定一个或多个用于消融的节段的示例性方法101的流程图。在一些示例中,用于消融的一个或多个节段可以是心律失常靶。在非限制性示例中,心律失常靶可以是心室心律失常节段或心房节段。在一些示例中,方法101可以在图像计划系统处实时执行。在其他示例中,方法101可以在图像计划系统中计划地执行以供将来使用。方法101包含方法100的步骤,并且还包含在块135处对一个或多个输入映射加权,在块150处确定组合映射的置信度得分,并在块155处确定风险状况。
在块125,至少一个处理器可以接收一个或多个输入映射(例如,对应的心室,对应的心房等)。在一些示例中,一个或多个输入映射可以是先前获取的历史输入映射和/或新需要的输入映射。在一些示例中,一个或多个输入映射可以是来自单个患者的一个或多个图像。例如,一个或多个输入映射可以是一个或多个电生理映射,解剖映射(例如,纤维化),功能映射(例如,灌注,运动等),计算机模拟映射(例如,电和/或机械全心脏模型)或临床映射。在一些示例中,电生理映射可以是但不限于:EKG,VT的12导联心电图(例如,VT/PVC的出口部位等),窦性心律(SR)的12导联心电图(例如,先前梗死的Q波,PVC定位的比较等),VT的ECGI(例如,VT的出口部位,折返传播,舒张电位等)和/或SR的ECGI(例如,慢传导/阻滞区,迟发电位等)。在一些示例中,解剖映射可以是但不限于:CT扫描(例如,心肌变薄(%壁厚),钙化等)和/或MRI扫描,包含但不限于钆和/或像素强度图(例如,纤维化的位置(哪个部分;内膜,心肌中膜,表皮),纤维化的厚度(%壁厚),纤维化的体积,纤维化的异质性等)。在一些示例中,功能映射可以是但不限于:SPECT扫描(例如,生存力,梗塞/局部缺血等),PET扫描(例如,代谢,炎症等),MRI扫描(例如,异常壁运动等),回声(例如异常壁运动等)和/或心脏和肺部运动数据(例如,运动敏感序列(例如4D-CT和4D-MRI)以构造预期的运动包络,以实现最佳的靶向和递送)。在一些示例中,临床映射可以是但不限于:人口统计学(例如年龄,性别,NYHA,CKD,肺,PVD,Charlson vs.Seattle HF模型等)、手术史(例如心脏手术等)、临床VT(例如,MMVT或多个VT)有关知识和/或先前的电解剖映射/消融。在一些示例中,临床映射是可选的。在一些示例中,临床映射被用作补充信息(例如,在风险评估期间)。在一些示例中,可以将电解剖映射与创建的图像映射(例如,方法200的输出)分开显示,以进行比较(例如,电解剖映射将不会用于节段确定)。在一些示例中,计算机模拟映射可以包含计算机中模型。
在块130,方法101可以在一个或多个输入映射中确定或识别一个或多个异常。例如,可以通过疤痕位置例如在MRI中识别异常,PET/SPECT中的异常可能是非活性的区域,电气映射中的异常可能是VT产生的地方。在各种示例中,可以通过以下方式定义异常:在每个映射上选择异常,手动或自动分段映射并且手动选择异常,自动对映射进行轮廓化并且手动选择异常,自动对映射进行轮廓化和自动选择异常或其组合。在一些示例中,例如,通过使用监督学习或强化学习,异常的识别可用于训练神经网络。例如,医师可以在不同的图像类型中定位异常。异常以及图像和图像的元数据可用于教导神经网络如何自动(或自主)定位异常。
在块135,可以对输入映射进行加权。输入映射的加权可以在方法101中的任何时候发生。例如,输入映射的加权可以发生在组合映射之前、异常识别之后、组合之后、定义靶之后或调整靶之后。每个输入映射可以根据一个或多个因素来赋予权重,例如,扫描质量(例如,MRI上的ICD伪影等)、输入映射的数量(例如,模态数量)、临床相关性(例如,非临床CT诱导等)、个别技术的专家接受度、数据重要性等。在一些示例中,可以在输入映射之间赋予权重,例如,每个输入映射发现之间的相对强度、组之间的一致性等。例如,当高质量扫描的输入映射模态数量较多且输入映射之间的重叠程度较高时,可以确定更高的权重。在另一示例中,当各种质量的输入映射模态的数量较少且输入映射之间的重叠程度较低时,可以赋予较低的权重。
在块140,至少一个处理器可以将接收到的输入映射转换成兼容格式。例如,输入映射(例如,CT,MRI,PET,SPECT,ECGI等)可以以多种文件格式存在。多种文件格式可以转换为兼容格式,例如,以实现重叠数据点的关联。在一些示例中,输入映射可能需要重新定位图像。例如,可以实现一种基于模态来定向和转换输入映射的标准过程。在一些示例中,非图像数据(例如12-V EKG、ECGI系统等)可以与输入映射集成。在一些示例中,非图像数据(例如12导联映射)可以显示给用户,并且用户可以与心律失常靶互动或点击心律失常靶。在其他示例中,非图像数据可以与输入映射自动集成。在一些示例中,输入映射可被转换为点云。
在块145处,至少一个处理器可以组合兼容格式输入映射。例如,输入的映射可以组合起来,以提供对映射图像(例如,相应的心室或心房)更可靠的图示。在一些示例中,输入映射可以重叠(例如,基于通用格式映射之间的通用数据点)。例如,每个输入映射都可用于单独确定应被消融的一个或多个心律失常靶节段。然后,可以针对每个输入映射将一个或多个心律失常靶节段组合在一起,以确定所确定的节段重叠。例如,当每个输入映射包含节段1和2(用于消融)并且只有一个映射包含节段4时,确定可以是节段1和2。在一些示例中,输入映射可以转换为点云,并且可以组合点云。
在块150,可以确定一个或多个输入映射的置信度得分。在一些示例中,块150可以位于块140之前,也可以位于方法101中的任何位置。例如,可以为每个输入映射、组合的输入映射或确定的心律失常靶确定置信度得分。在一个示例中,置信度得分可以是对组合输入映射的评估。置信度分数还可以包含临床数据或用于调整靶的任何数据。例如,输入映射权重,输入映射之间的权重、不同输入映射之间的数据一致性或结果重叠量(例如,用于消融的节段等)可用于确定置信度得分。例如,可以确定置信度得分以量化用于消融的一个或多个节段或轮廓的质量和再现性。在一些示例中,置信度得分可以随着成像组之间更高程度的重叠而增加(例如,用于消融的节段等)。在其他示例中,如果输入映射不完整、输入映射质量较差、VT数量增加、疤痕尺寸较大(例如,疤痕大于消融)等,则置信度得分可能会降低。
在块155,可以确定风险状况。在一些示例中,可以从历史输入映射、副作用、节段体积限制和/或先前推荐的用于消融的节段的结果确定风险状况(例如,在块160)。例如,可以存储与先前经历方法101(或类似方法)的患者相关的数据以及使用通过方法101获得的数据或映射执行的任何过程的结果,以确定患者的风险状况。在一些示例中,患者的人口统计信息可用于确定风险状况(例如,年龄、健康状况、以前的手术等)。在一些示例中,历史输入映射,相应的节段确定和消融结果(来自确定结果)可用于确定哪些心律失常靶节段可以治疗而无高危和/或并发症,并且,哪些节段通常为高危和/或并发症最多。在至少一个示例中,风险状况会报告给用户/医师以进行疗法选择或毒性咨询。
在一些示例中,方法100和方法101可以在机器学习环境中使用(如图5所示)。可以使用机器学习自动调整靶,如图2和图5所示。例如,用户随时间定义的已知临床数据和心律失常靶可用于建议针对新的相似临床和多模式数据场景的后续靶向,或建议针对新的相似临床和多模式数据场景的疗法选择。例如,可以使用一个或多个输入(在块105,125)以及一个或多个异常的确定(在块110,130)以及一个或多个心律失常靶的确定(在块120,160)作为到神经网络(例如,人工神经网络,卷积神经网络等)的输入。神经网络的输入还可以包括其他学习技术,例如,监督学习、强化学习等。神经网络可以在一段时间内继续接收输入(例如,训练数据),直到训练了神经网络为止。神经网络的输入还可以包括与治疗成功相关的数据,例如成功结果、生存率、副作用等。例如,当接收到新的输入(例如,从未接收到)并可以产生一个或多个用于消融的节段而无需其他信息(例如,历史信息等)时,对神经网络进行训练。受过训练的神经网络可以被认为是“自主的”。在一个示例中,机器学习环境可用于使用过去的信息(例如与他们的置信度得分相关的患者成功率)来预测消融手术的成功率。
在一些示例中,可以将确定的节段提供在图像映射上以用于消融手术。图像映射可以与侵入性和非侵入性递送平台集成。例如,图像映射可以是用于治疗计划(例如,在治疗计划系统/软件中)的卷。在一些示例中,图像映射可以用作治疗计划系统的输入(例如,可以执行消融)。图像映射可以为患者提供个性化的治疗计划(例如,并非所有患者都需要或提供所有已知的多模态数据)。在一个示例中,靶节段或3D轮廓可用于识别治疗计划软件中的计划靶体积。在一些示例中,计划靶体积和/或节段/轮廓可用于模拟治疗以保证内部质量。
图像映射可以促进心律失常的靶向,从而便于非侵入性和侵入性消融两者的治疗前靶向。在一些示例中,可以使用一种或多种类型的消融能量技术(例如,SBRT,光子,碳离子,质子,氦气,超声等)确定要消融的一个或多个节段。在一些示例中,对于非侵入性心律失常引导系统,可以确定一个或多个节段。对于非侵入性立体定向心脏消融,该方法可以与放射治疗计划系统集成,向其传输数据或存在于其中。在一些示例中,可以通过一个或多个用于消融的节段提供支持指标(例如,如表1和2所示)。在其他示例中,可以针对非侵入性消融确定一个或多个节段。对于侵入性导管消融,该方法可与导管消融系统集成,将数据传输至导管消融系统或存在于导管消融系统中。该方法可用于促进在非侵入性和侵入性消融之间为患者选择治疗。例如,可以识别一个明确定义的小靶,该靶很容易进行导管消融,或者可以识别一个较大的心外膜靶,该靶更适合于非侵入性消融。
在一些示例中,该方法可以直接与非侵入性放射治疗消融递送平台对接,以促进实时或接近瞬时的靶向和递送。例如,表现为已知心律失常(例如,VT或房颤)的患者被送至非侵入性消融单元,并在此输入先前的临床和成像数据。然后可以将ECGI背心放在患者身上,然后患者在单元上进行体积成像。例如,这可以通过带有任何新型线性加速器的锥束CT或带有MR引导单元的体积MRI来完成。ECGI背心可直接与单元通信。与单元的通信可实时显示稳态心律失常数据(例如,如果患者活跃于心律不齐)或提示心律失常的部位或起源的电生理数据。另外,该信号在3D空间中的定位可能是在患者的内部和外部运动过程中实时靶目标位置的另一种方式。心律失常的靶向可以在单元上或附近执行,非侵入性治疗的计划可以在单元上或附近执行。此后不久即可进行非侵入性治疗,通过两种典型方法(例如,机上kV/MV,CBCT,MR,外部/内部基准跟踪)对靶进行跟踪和/或门控,并辅以ECGI提供的实时电生理数据。
代表先前接受治疗的患者的结局的数据可用于增强生成的图像映射方法。在至少一个示例中,患者的风险状况,用于消融的节段和/或治疗成功的情况可能会存储在数据库中,以通知未来的患者风险状况。在一些示例中,风险状况可用于确定与推荐消融部位相关的对患者的潜在风险或影响。在一个示例中,随着时间的流逝,该方法可以预测侵入性导管消融对老年男性左心尖小心内膜病变的持续利用。随后的结果数据显示,该人群的高毒性率,非侵入性消融治疗的患者相似结果显示低毒性率。虽然该方法最初会建议根据先前的治疗方法进一步进行导管消融,但增强模型将建议采用非侵入性消融。在各种示例中,结果数据可以来自本地数据输入,多机构数据或两者结合。
在一个示例中,方法100或101可以作为远程服务部署,中心有可能提交其患者的数据以进行分析、靶向和治疗建议,而不必部署自己的本地方法。
II.决策支持模块
本文还提供了决策支持模块,以向医师提供知情的消融计划,并提供度量以支持关于各种治疗选择的成功和风险以及改善患者预后的机会。在确定靶之后,可以以决策支持模块的形式将所确定的靶呈现给医师。另外,决策支持模块可以包括以下一种或多种描述:疤痕模式的描述,疤痕负担的大小和位置的描述,实现消融的建议量(例如全厚度消融,部分厚度消融等),组合映射的置信度得分,受险结构清单,一般建议,SBRT预期成功,替代治疗方式(例如,导管RF,心律失常药物(例如胺碘酮)等)的预期成功,或其组合。在一些示例中,决策支持模块可以还包括风险状况。在其他示例中,决策支持模块可以包括患者的人口统计信息(例如年龄、性别、肾功能、肺功能等),心脏病史(例如,NYHA级、LVEF、CA优先级、心肌病类型、之前抗心律失常药物的使用等),心脏成像(例如,心脏大小、疤痕大小、疤痕位置、室速的数量等)和/或结果的一致性例如,置信度得分等。
决策支持模块中的信息可以根据患者建议的消融靶和先前患者的历史数据生成,以将与SBRT治疗患者心律失常有关的所有相关信息告知医师。
通过示例的方式提供了图2中所示的方法,因为该方法有多种实现方式。另外,尽管以特定顺序的块示出了示例方法,但是本领域普通技术人员将理解,图2及其中所示的块可以以实现本公开的技术优点的任何顺序来执行,并且可以包括比图示少或多的块。图2所示的每个块代表示例方法中执行的一个或多个过程、方法或子例程。
图2示出了示例性方法200的流程图,该示例性方法200用于生成决策支持模块并确定一个或多个用于消融的节段。在一些示例中,方法200可以在图像计划系统处实时执行。在其他示例中,方法200可以在图像计划系统中计划地执行以便将来使用。方法200可以包含方法100和/或方法101。在块205处,至少一个处理器可以接收如本文以上针对方法100和方法101所述的一个或多个输入映射。在块210处,至少一个处理器可以如本文上文针对方法100和方法101所描述的那样识别一个或多个输入映射中的异常。在一些示例中,异常是心肌基质异常。
在块215处,至少一个处理器可以创建通知的消融计划。可以使用任何可用数据来创建消融计划,例如,消融计划可包括异常节段、选定的用于消融的节段、输入映射权重、置信度得分和/或风险状况。每个患者的数据和/或消融计划可以存储在数据库中,以告知将来的患者治疗。该数据库也可以填充有患者人口统计信息。
在块220处,至少一个处理器可以生成决策支持模块,以将消融计划、风险和其他治疗信息告知医师。在一些示例中,决策支持模块可以被称为决策支持工具。决策支持模块可以包括疤痕模式的描述,疤痕负担大小和位置的描述,建议的靶位置,实现消融的建议体积(例如全厚度消融,部分厚度消融等),组合映射的置信度分数,受险结构列表,一般建议,使用SBRT的预期成功,使用替代治疗方式(导管RF,胺碘酮等)预期成功,或其组合。在一个示例中,决策支持模块可以以能够提供信息的任何形式显示,打印或提供给医师。图6A、6B和6C是决策支持模块的示例输出。
在块225处,至少一个处理器可以确定一个或多个用于消融的节段,如本文上文针对方法100或方法101所述。在对患者进行治疗之后,方法200可以还确定治疗的成功。然后,可以使用成功信息(包括遇到的任何副作用或问题)来更新数据库。成功信息可以调整针对未来患者的治疗建议或消融节段的选择。
在一些示例中,方法200可以在机器学习环境中使用(例如,如图5所示)。可以使用机器学习自动调整靶。可以使用机器学习自动调整未来的消融计划和决策支持模块。例如,块215,220,225和/或230可以使用机器学习来自动调整。机器学习工具和预测分析可以集成在方法200中,以创建临床决策支持基础结构,例如决策支持模块。例如,用户随时间定义的已知临床数据和心律不齐的靶可用于建议针对新的相似临床和多模态数据场景的后续靶向,或建议针对新的相似临床和多模态数据场景的疗法选择。例如,可以将一个或多个输入(在块205)以及一个或多个节段的确定(在块225)用作神经网络(例如,人工神经网络,卷积神经网络等)或学习算法的输入。神经网络的输入还可以包括其他学习技术,例如,监督学习、强化学习等。神经网络可以在一段时间内继续接收输入(例如,训练数据),直到训练了神经网络为止。神经网络的输入还可以包括与治疗成功相关的数据,例如成功结果、生存率、副作用等。例如,当接收到新的输入(例如,从未接收到)并且可以产生一个或多个用于消融的节段和/或决策支持模块而无需其他信息(例如,历史信息等)时,对神经网络进行训练。受过训练的神经网络可以被认为是“自主的”。
决策支持模块可以包括疤痕模式的书面描述。在一些示例中,决策支持模块可以还包含疤痕负担的测量,如图6A,6B和6C所示。疤痕负担的测量可以包括疤痕的体积(例如,以cc为单位)和/或疤痕覆盖的心室心肌的百分比。
决策支持模块可以包含基于识别的用于消融的靶的建议消融位置列表,如图6A,6B和6C所示。在一些示例中,确定的节段可以分配优先级。例如,根据输入映射和风险状况的组合,可以将确定的节段分配为高、中或低优先级。在一些示例中,可以为所有心律失常靶节段分配优先级(例如,高、中或低)。在其他示例中,对部分或全部心律失常靶节段分配数字优先级,或者按优先级顺序列出这些节段。在其他示例中,在确定中提供分配有高优先级和中等优先级的节段。在一个示例中,决策支持模块可以提供确定的靶节段的优先级,或者按优先顺序列出靶节段以进行消融,如图6B所示。
在一些示例中,决策支持模块可以还包含提供在图像映射上的确定的节段以用在消融过程中。图像映射可以与侵入性和非侵入性递送平台集成。例如,图像映射可以是用于治疗计划(例如,在治疗计划系统/软件中)的卷。在一些示例中,图像映射可以用作治疗计划系统的输入(例如,可以执行消融)。图像映射可以为患者提供个性化的治疗计划(例如,并非所有患者都需要或提供所有已知的多模态数据)。在一些示例中,在决策支持模块中提供具有确定节段的图像映射。
决策支持模块可以促进心律失常的靶向,以促进非侵入性和侵入性消融两者的治疗前靶向。对于非侵入性立体定向心脏消融,决策支持模块可以与放射治疗计划系统集成,将数据传输到其中或存在于其中。在其他示例中,可以确定一个或多个节段用于侵入性消融。对于侵入性导管消融,决策支持模块可以与导管消融系统集成,向导管消融系统传输数据或存在于导管消融系统中。决策支持模块可用于促进在非侵入性和侵入性消融之间为患者选择治疗方法。例如,可以识别一个明确定义的小靶,该靶很容易进行导管消融,或者可以识别一个较大的心外膜靶,该靶更适合于非侵入性消融。
在一些示例中,决策支持模块可以直接接口连接到非侵入性放射治疗消融递送平台中,以促进实时或接近瞬时的靶向和递送。决策支持模块可以还包括达到消融的建议量(例如,全厚度消融、部分厚度消融等),例如,如图6A,6B和6C所示。体积可以cc和/或心室心肌的百分比表示。
决策支持模块可以还包含置信度得分。在一些示例中,可以确定组合的输入映射和/或识别出的心律失常靶的置信度得分。在一个示例中,置信度得分可以是对组合输入映射的评估。置信度分数还可以包含临床数据或用于调整靶的任何数据。例如,输入映射权重、输入映射之间的权重、不同输入映射之间的数据一致性或结果的重叠量(例如,用于消融的节段等)可用于确定置信度得分。例如,可以确定置信度得分以量化用于消融的一个或多个节段或轮廓的质量和再现性。在一些示例中,置信度得分可以随着成像组之间更高程度的重叠而增加(例如,用于消融的节段等)。在其他示例中,如果输入映射不完整,输入映射质量较差,VT数量增加,疤痕尺寸较大(例如,疤痕大于消融)等,则置信度得分可能会降低。在一些示例中,置信度得分可以显示为数值或百分比(例如,X/10,X/100)和/或分类显示(例如,低,中/中等或高),如图6A,6B和6C所示。决策支持模块还可以包括关于置信度得分为何在特定范围内的注释或注解,例如,如图6B所示。
决策支持模块可以还包含可能受到识别的消融位置的SBRT治疗影响的受危结构清单。例如,如图6A,6B和6C所示,决策支持模块可以列出有潜在风险的器官,或有潜在风险的器官或组织的缩写。在一些示例中,可能通过对先前患者的治疗来告知处于危险中的结构。例如,先前患者的消融治疗结果可能会填充数据库,并用于建议具有相同或相似消融位置或临床数据的未来患者中的受危结构。
如图6A,6B和6C中的示例所示,决策支持模块可包含有关其他程序、随访/评估、进一步成像等的建议。可以从填充有可能的建议的数据库中提供决策支持模块中提供的建议。该建议可以由先前的患者提供。例如,代表先前治疗的患者的结果的数据可以用于增强生成的图像映射方法和生成的决策支持模块。在一个示例中,随着时间的流逝,该方法可以预测用于老年男性左心尖小心内膜病变的侵入性导管消融的持续利用。随后的结果数据显示,该人群的高毒性率,而非侵入性消融治疗的患者的相似结果显示低毒性率。尽管决策支持模块可能会根据先前的多种治疗方法最初建议进一步进行导管消融,但更新的决策支持模块将建议采用非侵入性消融。在各种示例中,结果数据可以来自本地数据输入、多机构数据或两者结合。
决策支持模块可以还包含采用各种治疗方式的预期成功率。在一个示例中,决策支持模块可以包含采用SBRT、导管RF和/或胺碘酮的预期成功率。在一个示例中,决策支持模块可以还包括用于疗法选择或毒性咨询的风险状况。
在一个示例中,方法200和/或决策支持模块可以部署为远程服务,中心有可能在无需部署自己的本地方法实例的情况下向患者提交有关患者的数据以进行分析、确定靶和提出治疗建议。在其他示例中,方法200和/或决策支持模块可以集成在非侵入性治疗系统内。在一些示例中,决策支持模块可以以能够提供信息的任何形式显示,打印或提供给医师。
现在,本公开转向图4所示的示例系统。图4示出了计算系统400的示例,在其中,系统的组件使用连接405相互通信。连接405可以是经由总线的物理连接,或者是例如在芯片组或片上系统架构中的直接进入处理器410的连接。连接405也可以是虚拟连接,网络连接或逻辑连接。
在一些示例中计算系统400是分布式系统,其中本公开中描述的功能可以分布在一个数据中心、多个数据中心、对等网络、雾网络的整个层等中。在一些示例中,所描述的系统组件中的一个或多个代表许多这样的组件,每一个都执行该组件所描述的部分或全部功能。在一些示例中,这些组件可以是物理或虚拟设备。
示例系统400包含至少一个处理单元(CPU或处理器)410和连接405,其将包含系统存储器415,只读存储器(ROM)42或随机存取存储器(RAM)425在内的各种系统组件连接至处理器410。计算系统400可以包含高速存储器的高速缓存412,高速缓存412与处理器410的一部分直接连接,紧密相邻或作为处理器410的一部分而集成。
处理器410可以包含任何通用处理器以及硬件服务或软件服务,例如存储在存储设备430中的服务432、434和436,构成为控制处理器410以及专用处理器,其中将软件指令合并到实际处理器设计中。处理器410本质上可以是一个完全独立的计算系统,包含多个内核或处理器、总线、内存控制器、高速缓存等。多核处理器可以是对称的或不对称的。
为了实现用户交互,计算系统400包括一个输入设备445,可以表示任意数量的输入机制,例如用于语音的麦克风、用于手势或图形输入的触敏屏幕、键盘、鼠标、运动输入、语音等。计算系统400还可以包括输出设备435,其可以是本领域技术人员已知的多种输出机制中的一种或多种。在某些情况下,多模系统可以使用户提供多种类型的输入/输出以与计算系统400通信。计算系统400可以包括通信接口440,其通常可以管制和管理用户输入和系统输出,并且还可以将计算系统400连接到网络中的其他节点。对于在任何特定硬件装置上的操作没有限制,因此在开发它们时,此处的基本功能可以轻松替换为改进的硬件或固件装置。
存储设备430可以是非易失性存储设备,并且可以是硬盘或其他类型的计算机可读介质,可以存储可由计算机访问的数据,例如磁带,闪存卡,固态存储设备,数字多功能磁盘,盒,电池后备随机存取存储器(RAM),只读存储器(ROM)和/或这些设备的某种组合。
存储设备430可以包含软件服务,服务器,服务等,当由处理器410执行定义了这种软件的代码时,其使系统执行功能。在一些示例中,执行特定功能的硬件服务可以包含存储在计算机可读介质中的软件组件,以及与执行该功能所需的硬件组件(例如处理器410,连接405,输出设备435等)相关的软件组件。
现在,本公开转向图5,其示出了示例机器学习环境500。机器学习环境可以在一个或多个计算设备502A-N(例如,云计算服务器、虚拟服务、分布式计算、一个或多个服务器等)上实现。计算设备502可以包含训练数据504(例如,一个或多个数据库或数据存储设备,包括基于云的存储、存储网络,本地存储等)。计算设备502的训练数据504可以在一段时间(例如,t,t+1,t+n等)内由一个或多个数据源506(例如,数据源1,数据源2,数据源n等)填充。在一些示例中,训练数据504可以被标记为数据(例如,与数据相关联的一个或多个标签)。例如,训练数据可以是一个或多个图像,并且标签(例如,VT或无VT)可以与每个图像相关联。在一些示例中,标记的数据可以是实际靶概率(例如,每个节段作为每个专利的所有接收图像的加权平均值)。计算设备502可以继续从一个或多个数据源506接收数据,直到计算设备502的神经网络508(例如,卷积神经网络,深度卷积神经网络,人工神经网络,学习算法等)被训练为止(例如,拥有足够的无偏数据来响应新的传入数据请求,并提供了自主或接近自主的推荐操作方案和/或实际上提供了输入以执行操作方案)。在一些示例中,神经网络可以是卷积神经网络,例如,利用五层块,包含卷积块,卷积层和完全连接的层。可以在神经网络中添加其他层,例如,以学习靶概率(例如,一个或多个心律不齐靶的概率等)。例如,附加层可以将各个节段组合成一个权重平均值(例如,间接学习加权平均值)。尽管实现了示例性神经网络,但是神经网络508可以是一个或多个各种类型的神经网络,并不具体限于一种类型的神经网络或学习算法。
在其他示例中,可以生成靶概率(例如,每个节段作为通过患者接收数据提供的图像的加权平均值)。在这些情况下,可以将各个节段归一化并级联到特定深度的4D深度图像中。可以基于图像的深度训练神经网络,例如,以预测连续的靶概率(例如,范围从0到1)。训练数据可能需要每位患者使用相等数量的图像,因此,如果存在丢失的图像,则可以基于现有图像生成替代图像(例如,为了启用足够的训练数据,而不会偏向训练数据)。
在一些示例中,虽然这里未示出,但是可以例如通过检查数据源506(和相应的用户输入)相对于先前已知的无偏数据来检查训练数据504是否存在偏差。还实现了用于检查数据偏差的其他技术。数据源可以是本公开中如上所述的用于提供输入图像的任何数据源(例如,MRI、CT、3D建模等)。
计算设备502可以接收与数据源有关的用户(例如,医师)输入510。用户输入510和数据源506可以在时间上相关(例如,通过时间t,t+1,t+n等)。也就是说,用户输入510和数据源506可以是同步的,因为用户输入510以监督学习或强化学习的方式对应并补充了数据源506。例如,数据源506可以在时间t提供MRI图像,并且相应的用户输入510可以在时间t输入该MRI图像的消融。尽管时间t在现实世界中实际上可能有所不同,但它们相对于提供给训练数据的数据在时间上是同步的。在其他示例中,如本文所述,用户输入可以将节段分类为VT或无VT。
训练数据504可以用于训练神经网络508或学习算法(例如,卷积神经网络,人工神经网络等)。可以训练神经网络508在一段时间内仅基于接收到的数据512(例如,成像数据等)自动(例如,自主地)确定用户输入510是什么。例如,通过在足够长的一段时间内接收多个无偏数据和/或相应的用户输入,神经网络将能够确定仅提供数据时用户输入将是什么。例如,受过训练的神经网络508将能够接收MRI图像(例如,512),并且基于MRI图像确定医师将手动识别的消融(并且将在训练期间将其作为用户输入510提供)。在一些示例中,这可以基于如上所述与数据相关联的标签。来自训练后的神经网络的输出可以被提供给用于治疗患者的治疗单元514。在一些示例中,来自训练后的神经网络的输出可以直接输入到治疗单元中,以对患者进行手术。
训练后的神经网络系统516可以包含训练后的神经网络508,接收到的数据512和治疗单位514。接收到的数据512可以是如上所述与患者有关的信息。接收到的数据512可以用作对训练后的神经网络508的输入。然后,受过训练的神经网络508可以基于接收到的数据512,对接收到的数据进行标记(例如,VT或无VT),并且/或者根据如何对神经网络进行训练来确定推荐的治疗患者的操作方案(如上所述)。推荐的操作方案或训练的神经网络508的输出可以用作治疗单元514的输入(例如,以对接收到的数据512所对应的患者执行手术)。在其他情况下,可以以人类可读的形式提供经过训练的神经网络的输出,例如,由医师进行审查以确定操作方案(例如,较少的回避,验证等)。
为了说明的清楚起见,在某些情况下,本技术可以被表示为包含各个功能块,这些功能块包含包括设备、设备组件、以软件体现的方法中的步骤或例程、或者硬件和软件的组合的功能块。
在一些实施例中,计算机可读存储设备,介质和存储器可以包含比特流等的电缆或无线信号。但是,当提到时,非暂时性计算机可读存储介质明确排除了诸如能量、载波信号、电磁波和信号本身之类的介质。
可以使用存储在计算机可读介质中或从计算机可读介质中可用的计算机可执行指令来实现根据上述示例的方法。此类指令可以包括(例如)导致或配置通用计算机,专用计算机或专用处理设备以执行某些功能或一组功能的指令和数据。可以通过网络访问使用的部分计算机资源。计算机可执行指令可以是例如二进制文件、中间格式指令,例如汇编语言、固件或源代码。可用于存储指令,所用信息和/或在根据所述示例的方法期间创建的信息的计算机可读介质的示例包括磁盘或光盘、闪存、配有非易失性存储器的USB设备、网络存储设备,等等。
实现根据这些公开的方法的设备可以包括硬件、固件和/或软件,并且可以采用多种形式因素中的任何一种。这类形式因素的典型示例包括笔记本电脑、智能手机、小型个人计算机、个人数字助理、机架安装设备、独立设备等。本文所述的功能也可以体现在外围设备或附加卡中。通过进一步的示例,这种功能还可以在单个芯片中执行的不同芯片或不同过程之间的电路板上实现。
指令、用于传达这种指令的介质,用于执行它们的计算资源以及用于支持这种计算资源的其他结构是用于提供这些公开中所描述的功能的装置。
尽管使用各种示例和其他信息来解释所附权利要求范围内的方面,但是基于这样的示例中的特定特征或布置,不应暗示对权利要求的限制,因为本领域的普通技术人员将能够使用这些示例来得出各种各样的实现。此外,尽管可能已经以特定于结构特征和/或方法步骤的示例的语言描述了一些主题,但是应当理解,所附权利要求书中定义的主题不必限于这些所描述的特征或动作。例如,这样的功能可以不同地分布或在除本文所标识的组件之外的组件中执行。相反,所描述的特征和步骤被公开为在所附权利要求的范围内的系统和方法的组件的示例。此外,引用一组中的“至少一个”的权利要求语言表示该组中的一个成员或该组中的多个成员满足权利要求。
示例
示例1:
在该示例中描述的治疗是根据患者的临床情况进行的,没有对研究假设进行特定的检验。所有患者均从治疗中的电生理学家和放射肿瘤学家得到了详细的治疗风险解释;所有患者均提供了书面治疗知情同意书。先前已经为使用心电图成像提供了机构审查委员会的批准。在研究时,SBRT设备已获得美国食品药品监督管理局(FDA)的510(k)上市前批准,但在此报告的患者中使用该药物被视为非常规临床使用;此信息已传达给被纳入这项研究的患者。
逐例对具有结构性心脏病,植入式心脏复律除颤器(ICD)的放置和难治性室性心动过速的患者进行了评估,这些患者对于非侵入性心室性心动过速心脏消融(非侵入性放射消融)的常规治疗选择有限。如果患者在前3个月中曾有过至少3次ICD治疗的室性心动过速(尽管已接受了至少两种抗心律失常的药物治疗,并且经历了至少一次导管消融手术(或有导管消融的禁忌症)),则考虑对患者进行非侵入性放射消融。根据机构的护理标准,鼓励对患者进行心脏移植的评估,但移植的资格并不是要考虑的绝对条件。未评估已放置左心室辅助装置的患者是否纳入研究。
非侵入性放射消融的程序工作流程如图7所示。在治疗前,患者应在诱发性室性心动过速期间进行非侵入性心电图成像,以准确绘制室性心动过速回路。对于心电图成像,患者身穿256电极背心(BioSemi),并进行了胸部CT扫描。然后将患者带到电生理实验室,并通过使用留置ICD诱发室性心动过速进行非侵入性程序性刺激。获得了心电图成像图的数据,并使用ICD通过短暂的超速起搏动作终止了室性心动过速。创建了心电图成像图以识别室性心动过速(“出口部位”)中最早的电激活部位。
当在临床上可用时,通过使用标准技术(图7),通过静息单光子发射CT(SPECT)或对比增强的心脏MRI,使用附加的心脏成像来识别解剖学疤痕区域。来自心脏电图成像的电信息和来自解剖疤痕的信息被结合起来,建立了一个用于消融的体积靶,该靶针对的是前10毫秒的室性心动过速(出口部位)的面积以及相关的室性疤痕的整个心肌厚度。
另外,在治疗前,患者要进行计划的CT扫描,包括使用真空辅助装置(BodyFIX,Elekta)将整个身体从胸部固定到腿部,并进行与呼吸相关的CT扫描(四维CT),评估心脏和肺部运动的总和。通过扩展靶(如上定义)来制定最终靶(计划靶体积),以解决运动、设置不确定性和递送不确定性的问题。
规定将单一组分的25Gy的总剂量施用于计划靶体积,以期达到最大剂量覆盖范围,同时避免对周围器官(包含食道、胃、肺和脊髓)的剂量超过计算的剂量限制。在递送之前,所有计划均已通过校准的模型(phantom)接受并通过了标准的内部物理质量保证。
SBRT是通过使用配有图像引导的放射治疗的线性加速器(速光刀,瓦里安医疗系统(TrueBeam,Varian Medical Systems))进行的,该加速器使用锥形束CT来获取胸部图像,可以直接将其注册到计划的CT中。该程序可形成心脏和靶体积的精确对准,而无需侵入性放置基准标记。在治疗过程中,将患者放置在定制的固定装置中,该装置与锥形束CT对准,并通过荧光检查验证对准。所有患者均在治疗过程中未使用任何额外的成像,并且未进行镇静或麻醉。
治疗后,按照护理标准对接受室速消融的患者进行随访。所有ICD均以100bpm的仅监护区重新编程以评估室性心动过速缓慢。将患者纳入用于设备的远程监控程序中,以增强对ICD检测到的任何心律失常的快速识别和解释。治疗后的2个月患者每2周到门诊就诊,进行ICD询问,随后4个月每月一次,然后治疗后1年时到门诊就诊,进行ICD询问。
每次访问时,都试图让患者停止使用抗心律失常药物,以减轻这些药物已知的短期和长期毒性作用。如果未发现进一步的室性心律失常,则应减少或停止服用抗心律失常药物,以在6周访问后停止使用所有抗心律失常药物为目标。患者在治疗前后继续接受药物治疗(包括β受体阻滞剂)以治疗心力衰竭。
室性心动过速的发作次数计算为适当的ICD电击,适当的ICD抗心动过速起搏以及持续(>30秒)未处理的室性心动过速的总和。主治电生理学家裁定所有ICD询问。患者在基线,治疗后1、6和12个月接受超声心动图检查,以评估心脏不良事件。患者还应在基线时以及在3和12个月时接受胸部CT检查,以按照常规的SBRT胸腔护理标准评估胸腔不良事件。
从2015年4月至2015年11月,对9例患者进行了非侵入性放射消融评估;其中5例接受了治疗。在4名未接受治疗的患者中,两名拒绝参加(一名选择进入临终关怀并在1周后死于室性心动过速的并发症,另一名选择接受侵入性手术治疗室性心动过速),一名患者在治疗前死于进行性心源性休克,另一名患者植入左心室辅助装置,术后复发性心室性心动过速。
表1列出了每位患者的人口统计学和临床数据。
5位接受治疗的患者的平均年龄为66岁(范围为60至83)。治疗前3个月,每名患者的平均室性心动过速发作数为1315(范围:5至4312)。所有患者在评估时均服用两种抗心律失常药物。先前的侵入性导管消融手术在3例患者中均失败。2名患者有侵入性导管消融禁忌症:1名(患者2)有新的机械性人工二尖瓣并有心外膜心动过速的证据,另一名(患者5)被认为对于任何侵入性手术而言都太脆弱。所有5名患者都有纽约心脏协会的III级或IV级心衰症状。左心室平均射血分数为23%(范围为15至37)。
所有患者均接受了非侵入性心电图成像,用以反映其室性心动过速。4例患者发生诱发性室性心动过速(平均回路数,3;范围,1到6个)。在所有诱发的室性心动过速发作期间进行心电图成像。一名患者(患者3)无法诱发室性心动过速,也无法获得心电图成像,因此使用12导联心电图和先前的侵入性导管映射的结果来指导体积靶的创建。表1提供了治疗特点。消融靶体积为17至81ml(平均值,49)。工作台上治疗(on-table treatment)的时间为11到18分钟(平均14分钟)。
在随访平均12个月,治疗后发生的室性心动过速的负担明显减轻(表1和图9A-9C)。在治疗前的15个患者-月中,总共发生了6577例次室性心动过速。在消融后的6周内(“观察期”,由于消融后炎症可能导致心律失常),出现680次室性心动过速。在6周观察期后,接下来的46个患者-月中出现4次室性心动过速,相对于基线减少99.9%。
图8A示出了每个患者每月室性心动过速的发作次数。每个患者的室性心动过速负担都有所减轻。在存活12个月的4名患者中,有3名没有接受任何抗心律失常药物治疗。患者3在第一次心动过速起搏治疗后9个月重新开始胺碘酮治疗。患者4由于室性心动过速停止不完全而在治疗后第4周接受了额外的侵入性导管消融术,此后不再发作。观察到ICD电击次数(治疗前55次ICD电击vs治疗后1次电击)(图8B)和ICD抗心动过速起搏(治疗前6577次vs治疗后3次)均得到改善(图8C)。
在治疗或首次住院期间未发生并发症。3名患者在治疗后第二天报告疲劳。治疗后未立即出现急性心力衰竭加重。患者在治疗后1至3天出院。
在治疗后的任何时候都没有观察到ICD系统性能,铅阈值或铅阻抗的不利影响。连续超声心动图显示无心包积液。在最后一次随访中,左心室射血分数的平均变化绝对增加了6个百分点(范围为0.2至22)(图9A)。治疗后未出现肺部症状。在3个月时进行的CT扫描显示,与胸部SBRT典型的邻近肺组织炎症变化相一致,在12个月时几乎完全消退(图9B)。在12个月时,没有胸痛或治疗的靶区域CT上没有心肌或冠状动脉的明显改变。
在随访期间,胺碘酮停用后,3例患者的窦房结功能恢复。窦性心律的心率偶尔超过ICD设定的检测截止率(100bpm)。这种情况需要ICD重新编程以避免不适当的治疗。
一名患者(患者5)在治疗3周后发生了致命性中风。这位83岁的妇女有房颤、严重的心肌病和其他中风危险因素的病史。由于存在与脆弱相关的出血的风险,因此未建议口服抗凝药预防中风。治疗后3周,她的室性心动过速负担减轻了82%(从治疗前一个月的1777次抗心动过速起搏降至治疗后322次)。她的左心室射血分数从15%增加到30%。在超声心动图或病理评估中未见心内血栓。目前尚不清楚中风是否与SBRT相关或与先前存在的使她处于中风的高风险的医疗状况相关。
获得患者5的死后心脏病理评估同意书。在密集的疤痕和存活的心肌的界面处(疤痕边界区)识别出明显的直肠血管(图10A)。这种模式已被描述为急性血管损伤的一部分,通常在辐射暴露后的最初几周内观察到。在这种情况下,损伤模式通常伴有内皮细胞肿胀,真空形成和血管周组织水肿。但是,在该患者中,这些血管的内皮层似乎正常且无反应,没有急性血管炎或组织水肿的迹象(图10B)。没有观察到急性心肌细胞坏死、出血或急性炎症的迹象。远端心肌梗塞和急性心脏SBRT对致密疤痕形成的相对贡献尚不清楚。
示例2:
ENCORE-VT试验是在单个中心进行的前瞻性单臂I/II期试验。当地机构审查委员会(IRB)根据对线性加速器和心电图成像技术的使用适应症和风险的解释,批准了这项研究,而没有研究性设备豁免(IDE)。所有参与者均提供了知情同意和独立的数据,并且安全监控委员会每半年审查一次数据,并为继续研究提供指导。在研究参加后,FDA审查了该方案并将该研究归类为重大风险研究,需要IDE的批准。研究人员,IRB和FDA共同努力确保适当的人类受试者保护措施到位。
符合条件的患者年龄≥18岁并且具有a)≥3次持续性单形VT,或b)与单形PVC(PVC>20%)有关的心肌病(左心室射血分数(LVEF)<50%),以及要求≥1种抗心律失常药物和≥1种导管消融失败(或有导管消融禁忌症)。患者不可能接受过往预期治疗领域的放疗。如果患者因正性肌力和/或左心室辅助装置而出现心力衰竭,或被认为不太可能在没有VT的情况下存活12个月,则被认为不合格。如果患者在非侵入性程序刺激(NIPS)测试中具有多形性VT或心室纤颤,超过3种不同的临床VT形态或5种以上诱导的VT形态,则也没有资格。
靶向
协议规定的针对靶向的基线研究包含心脏CT,心脏MRI,PET/CT,12导联心电图以及在NIPS测试期间诱导性VT期间获得ECGI。NIPS和ECGI方法已在前面进行了描述。影像学研究和电生理映射的综合用于指导每位患者的SBRT,其原理是靶向心室疤痕的接近具有相关回路的VT出口部位的所有区域。
治疗和随访
患者接受利用SBRT递送至上述致心律失常靶的单剂量25Gy。治疗完成后,对所有患者实施了预先指定的ICD编程计划,其中包含比最慢的临床或诱发性VT至少慢20毫秒的检测区域。作为临床护理的一部分,对ICD进行了远程监控。如果没有禁忌,则在治疗后的第一个月内应口服抗凝药。研究访问发生在第3天,2、4和6周,6和12个月,此后每年一次。持续评估不良事件,并在每次研究访问时进行ICD询问。第3天,第6周,第3、6和12个月时获得了12导联心电图。对于PVC患者,分别在第6周,第3、6和12个月进行24小时动态心电图监测,并在第3和12个月进行胸部CT和ECGI(无NIPS)检查。
成果指标和统计分析
ENCORE-VT试验设计有(1)安全性和(2)疗效的共同主要终点。主要安全终点(使用与治疗相关(可能,很可能或绝对与研究治疗相关)的不良事件通用术语标准(CTCAE,v4.0))被定义为≤90天的严重不良事故(SAE)的比率。SAE被定义为需要住院的任何3级毒性,或任何4-5级毒性。设置早期停止规则以在前10名患者中有5名或更多患有SAE的情况下终止协议注册。
主要疗效终点定义为比较SBRT之前和之后的6个月(治疗后有6周的观察期以观疗效),针对VT的ICD治疗次数或24小时PVC负担的数量减少的受试者人数。ICD治疗包括ICD电击和抗心动过速起搏(ATP)。本发明记载的其他精选的预先指定的次要目标包含更严格的疗效终点(降低50%,降低95%),患者来源的终点(VT患者的电击减少,PVC的心功能改善),总生存期,晚期(>90天至1年)的不良事件和生活质量(通过SF-36问卷测量)。
该研究旨在确保安全性的高可能性与对疗效的初步评估之间的平衡。考虑到所有患者在阻止VT的先前治疗中均失败了,该研究的人群预计会有更高的风险,并假设SAE率高达20%,疗效低至40%在临床上是可以接受的。使用单侧单样本比例测试,有19名患者提供75.4%的能力来确定SAE率确实不高于20%(范围,5-20%,alpha=0.0829),并且提供81.5%的能力来确定疗效不低于40%(范围,40-65%,alpha=0.0885)。
连续变量报告为中位数和范围。使用Wilcoxon符号秩检验比较基线和6个月时间点之间的VT事件,ICD电击和ATP事件的数量。McNemar的配对测试用于评估抗心律失常使用比例的变化。为了进行生活质量分析,使用重复测量方差分析(ANOVA)和Greenhouse-Geisser校正,比较了简易格式-36量度在基线,6周和6个月中的平均值。计算了中位随访,从治疗之日到最后一次计划随访或死亡之日。Kaplan-Meier分析用于估计生存功能。所有统计信息均在Windows版IBM SPSS Statistics,版本24.0,纽约州阿蒙克,2016年中进行。
患者与治疗
表2列出了该人群的人口统计学数据,其特征是中位年龄为66岁,男性为89.5%(n=17),缺血性心肌病(n=11,57.9%),中位LVEF为25%(范围为15-58),纽约心脏协会(NYHA)的III/IV级(73.7%)。
表2
参加前既往导管消融的中位数为1(范围,0-4)。3例因以下原因而未进行导管消融术:机械性AVR和MVR(n=1),伴有阻碍血流动力学支持的医学共发症的严重降低的射血分数(n=1),存在活动性左室血栓(n=1)。中位随访时间为13个月,无患者丢失随访。
参加的患者患有ICD治疗的VT(n=17)或PVC相关的心肌病(n=2)。在17例接受ICD治疗的VT患者中,有10例被认为是VT风暴(24小时内发生了3次或更多的VT发作),其中2例在治疗时处于持续性VT中。超过一半(n=11,57.9%)的患者服用>1种抗心律失常药物,并且在治疗时每天服用≥300mg胺碘酮。
靶向和治疗特征见表3。10例患者由于遗弃了ICD导线而被排除在心脏MRI之外。所有患者均接受了CT、核素显像和VT诱发,并随后进行了12导联的ECG和ECGI图像。患者诱发2次(中位)VT(范围,1-5)。
表3
中位总目标量为25.4cc(范围:6.4-88.6)。PVC患者的GTV最小(6.4cc,11.5cc)。考虑到运动和设置和递送的保守余量,中位计划靶体积为98.9cc(范围,60.9-298.8)。大多数患者(n=17,89.5%)接受了容积调制电弧治疗技术的治疗。束照射时间的中位数为15.3分钟(5.4-32.3)。
安全性
在SBRT期间或之后未观察到急性毒性。在SBRT期间或之后未观察到ICD的不良反应。两名患者(10.5%)经历了与3级治疗相关(可能,很可能或绝对相关)的SAE。在治疗后65天,一名患者因心力衰竭加重(3级)住院,并保守地被评为可能。另一例患者在第80天因心包炎住院,但用泼尼松改善后,被评为很可能。没有记录到4级毒性。另一名患者在疗养院接受治疗后17天死亡,其原因是被记为无关的事故,并且该患者没有对6个月的主要疗效终点做出贡献。不符合提前停止的规则,DSMB建议完成研究。
很可能或肯定与治疗有关的不良事件通常为1-2级(4名患者中有8个事件,(22%))。短暂性的1级疲劳和低血压很常见。3名患者因在两周内出现低血压而需要调整降压药物。其他常见的1-2级不良事件包括头晕,呼吸困难和恶心。两名患者(11.1%)发展为2级放射性肺炎,可通过类固醇消退。在5例患者中有6次记录了心包积液(占28%);3例次无症状,有1例次经过医疗处理已消退,2例次属于较高级别(心外膜穿刺后,1例次可能是3个相关的3级,1例次是不相关4级)。对有症状的4心包炎或肺炎患者,以泼尼松每日1mg/kg(最大560mg)的剂量治疗,根据症状每周减量10-20mg。6名患者(33%)在随访期间的任何时候都至少有一次(6)因心力衰竭而入院。
功效
在18个存活6个月的患者中,有17/18(94%)患者达到了减少VT发作或减少PVC负担的主要疗效终点。图11示出了所有18个患者在非侵入性心脏放射消融前后VT发作的频率和24小时PVC负担。
对于16个接受ICD治疗的VT的可评估的患者,在治疗前的6个月内,总共有1778例VT发作。在6周的观察期内,总共有149次。对于接下来的4.5个月,有111次VT发作(总VT发作减少了94%)。从消融前6个月(119,范围4-292)到消融后6个月(3,范围0-31,p<0.001)VT发作的中位数下降。ICD电击的中位数显著减少(消融前4,范围0-30VS消融后0,范围0-7,p=0.002),并且被观察到对于ICD ATP(消融前81,范围0-292VS消融后3.5,范围0-29,p=0.001)。
对于2名具有PVC相关的心肌病患者,其24小时PVC负担从24%降低至2%,从26%降低至9%。如在图12中示出,LVEF分别提高了13%和8%。
预先指定的次要终点包含VT发作或24小时PVC负担降低50%和95%。94%和61%的患者分别达到了这一终点。在89%的患者中,VT发作的频率或PVC负担降低了75%。预先设定的次要终点是消除ICD电击和/或改善LVEF,这在72%的患者中得以实现。尽管几乎全部减轻了VT负担,但许多人(11/16,69%)在6周观察期结束和6个月之间有一定程度的VT复发。在6个月时的总生存率为89%并且在12个月时总生存率为72%(图13A)。
图13B示出了治疗前和6个月时抗心律失常药物的使用分布。双重抗心律失常药物的使用率从58%下降至11%(p=0.008)。大剂量胺碘酮(每天>300mg)的使用率从58%降至11%。1级药剂的使用率从67%降低到11%。4名患者完全停止了抗心律失常药物治疗。
治疗后,选择的患者报告的生活质量评分显示在图13C中(在基线、6周和6个月时)。在感知健康变化和社会功能类别中观察到显著改善。在通常健康领域中没有观察到变化。生活质量得分在任何领域均未下降。
示例3:
该示例提供患者样本数据以及用于确定用于消融的节段的方法的示例输出。该患者是一名50岁具有非缺血性心肌病的人(正常的冠状动脉造影)。该患者在2.5年前进行过心内膜LV映射/消融手术,并且正在服用抗心律失常药物。该患者具有单形性VT,周期长度(CL)为300-320ms,发作了183次心动过速。
如在图3A示出,左心室被分割。先前的图/消融识别了在节段10中的最小异常信号,并执行了节段10的经验性导管消融。
在图14中示出了患者的ECG,示出了在节段10的VT1,具有300ms的CL和200bpm的HR。这表明心脏内的EGM与临床VT匹配。
MRI识别壁运动障碍,发现节段11,12,5和6运动功能减退。带钆的MRI在节段5,6,11,12和10识别密集的疤痕,并在节段1和2识别心肌中疤痕,例如,如图15A和图15B示出。CT扫描在节段5识别了一个薄区域,例如图16A和图16B示出。PET生存力扫描(非炎性)识别了在节段5和11的摄取减少区域,例如,如在图17中示出。
如在图18A,18B和18C中示出,ECGI识别最早的节段是10和6,因此心内膜节段11可能是起源,因为如在图3A中示出,节段11位于节段10和6的两个心外膜突触之间。识别了具有小R波的局部EGMs。在节段10、11、6和5中识别出窦性心律失常。
轮廓如图19中示出。出口部位被识别为节段10。附近的疤痕被识别为节段11和12。消融被扩展回至节段5。在节段1和2的疤痕没有被靶向。由于ECG完全是优先指挥的,因此节段6没有被靶向。
通常,该患者具有复杂的疤痕,包括几乎透壁的下外侧疤痕,在下和前外侧边缘处的斑块状的疤痕过渡,并且在前间隔基底中的中心肌“条带”。临床VT容易被引发,并且ECGI和ECG映射至下中左LV出口部位(可能是心内膜,在ECGI上有两个心外膜出口)。由于先前的心脏映射与MRI疤痕不一致,因此ECG和ECGI使靶向成为可能。
来自图14、15A、15B、16A、16C、17、18A、18B、18C和19的映射是用于确定一个或多个用于消融的心律失常靶的方法中的输入映射。图20A、20B、20C、20D、20E和20F示出了从每个输入映射(分别为EKG,MRI运动,MRI疤痕,CT,PET,ECGI)识别出的节段异常。图20G是定义一个或多个心律失常靶的方法的输出,示出了每个靶的概率。例如,较高的概率靶是红色,中等靶是橙色,较低的靶是黄色。在该示例中,最终靶是节段5,10,11和12。
示例4:
该示例提供患者样本数据以及用于确定用于消融的节段的方法的示例性输出。该患者是一名56岁的男子,患有缺血性心肌病(LVEF<25%)。该患者先前曾进行过4次导管消融,并且正在接受双重抗心律失常治疗。
如图3A所示,左心室被分割。在图21A中示出了患者的ECG,在节段7示出了VT1,并且在图21B中,在节段14示出了VT2。
由于患者的起搏器处于选择性更换间隔(ERI)中,所以无法获得MRI映射。CT扫描识别出节段7、13、14、15、16和17处的心尖动脉瘤变薄,例如图22中所示。PET扫描识别出在节段7、13、14、15、16和17处有较大的前尖部动脉瘤,例如如图23A和23B所示。
如在图24A、24B、24C和24D中示出,ECGI在节段7、12、13和16中识别了VT1,在节段15和16中识别了VT2。另外,如图24E和24F中示出,ECGI在节段13、14、15、16和17中识别出窦性心律的大心尖动脉瘤,以及节段13和16中的等时晚激活。
轮廓如图25A和25B中所示。通常,患者的前心尖大疤痕有两个不同的VT,均从疤痕的两个不同边缘出来,并且感兴趣的窦性心律激活与VT部位对齐。ECGI与VT1 ECG一致,但与VT2 ECG不同。与更受重视的方法相比,靶治疗方案平衡了疤痕均匀化(大)。12导联上的VT是两个不同的区域,相距较远,需要更广泛的消融。完全的疤痕均匀化将需要节段7、13、14、15、16和17,而仅ECGI会推荐疤痕的外侧边缘,只有节段13、15、16。
来自图21A、21B、22、23A、23B、24A、24B、24C、24D、24E、24F、25A和25B的映射是输入到用于识别一个或多个用于消融的心律失常靶的方法中的输入映射。图26A、26B、26C、26D、26E、26F、26G和26H显示了从每个输入映射(EKG代表VT1,EKG代表VT2,CT、PET、ECGI代表VT1,ECGI代表VT2,ECGI代表窦性心律疤痕,以及ECGI代表窦性心律最新激活)中识别出的节段异常。图26I是定义一个或多个心律失常靶的方法的输出,显示了每个靶的概率。例如,较高的概率靶是红色,中等的靶是橙色,较低的靶是黄色。在该示例中,最终靶是节段7、13、14、15、16、和17。
Claims (20)
1.一种确定一个或多个用于消融的心律失常靶的方法,所述方法包括:
接收从电气映射、解剖映射、功能映射及其组合中选择的一个或多个映射;
识别所述一个或多个映射中的异常;
组合所述一个或多个映射;以及
基于所识别的异常在组合的一个或多个映射中的重叠来定义一个或多个心律失常靶。
2.根据权利要求1所述的方法,其中,所述异常被识别为所述一个或多个映射上的一个或多个节段,所述一个或多个映射上的一个或多个轮廓或其组合。
3.根据权利要求2所述的方法,其中,手动地、自动地或采用手动和自动组合的方式识别异常。
4.根据权利要求1所述的方法,还包括基于附加数据调整所述一个或多个心律失常靶。
5.根据权利要求4所述的方法,其中,所述附加数据选自:接收到的映射的权重,置信度得分,风险,临床数据,演示数据,特定患者的先验知识,先前患者的先验知识,毒性,功效,数据质量,数据重要性,数据可重复性,心脏的生理学,疤痕的大小,室速的数目,心肌病的类型,透壁性,异常的位置,年龄,性别,心脏的大小,射血分数,心脏的厚度,药物,共发症或它们的组合。
6.根据权利要求1所述的方法,还包括消融所述一个或多个心律失常靶。
7.根据权利要求4所述的方法,其中,消融所述一个或多个心律失常靶是非侵入性的。
8.根据权利要求1所述的方法,还包括对接收到的映射进行加权。
9.根据权利要求1所述的方法,还包括确定置信度得分。
10.根据权利要求1所述的方法,其中,所述电气映射是心电图图像,所述解剖映射是计算机断层扫描图像或磁共振图像中的至少一种,并且所述功能映射是光发射计算机断层图像,正电子发射断层图像或超声心动图图像中的至少一种。
11.根据权利要求1所述的方法,还包括生成决策支持模块。
12.根据权利要求11所述的方法,其中,所述决策支持模块包括所述一个或多个心律失常靶的输出以及以下中的一个或多个:疤痕模式的描述、疤痕负担大小和位置的描述、达到消融的建议量、组合映射的置信度得分、受险结构清单、一般建议、非侵入性疗法的预期成功率或采用其他治疗方式的预期成功率。
13.至少一种非暂时性计算机可读介质,所述至少一种非暂时性计算机可读介质存储指令,所述指令在由至少一个处理器执行时使所述至少一个处理器执行以下操作:
接收选自电气映射、解剖映射、功能映射及其组合的一个或多个映射;
组合所述一个或多个映射;以及
根据所述一个或多个映射的组合,确定用于消融的一个或多个心律失常靶。
14.根据权利要求13所述的至少一种非暂时性计算机可读介质,还包括当由所述至少一个处理器执行时使所述至少一个处理器调节用于消融的所述一个或多个心律失常靶的指令。
15.根据权利要求13所述的至少一种非暂时性计算机可读介质,还包括当由所述至少一个处理器执行时使所述至少一个处理器加权所接收的映射的指令。
16.根据权利要求13所述的至少一种非暂时性计算机可读介质,还包括当由所述至少一个处理器执行时使所述至少一个处理器确定置信度得分的指令。
17.根据权利要求13所述的至少一种非暂时性计算机可读介质,其中,所述电气映射是心电图图像,所述解剖映射是计算机断层扫描图像或磁共振图像中的至少一种,并且所述功能映射是光发射计算机断层图像、正电子发射断层图像或超声心动图图像中的至少一种。
18.根据权利要求13所述的至少一种非暂时性计算机可读介质,还包括下述指令:当所述指令由所述至少一个处理器执行时,所述指令使所述至少一个处理器执行以下操作:
接收一种或多种临床映射,所述一种或多种临床映射包含人口统计学,手术史,有关室性心动过速的信息和先前的电解剖映射中的至少一项;
用所述一种或多种临床映射补充组合的一个或多个映射;以及
基于补充的组合映射,确定用于消融的一个或多个心律失常靶的一个或多个更新的消融。
19.根据权利要求13所述的至少一种非暂时性计算机可读介质,还包括当由所述至少一个处理器执行时使所述至少一个处理器生成决策支持模块的指令。
20.根据权利要求19所述的至少一种非暂时性计算机可读介质,其中,所述决策支持模块包括所述一个或多个心律失常靶的输出和以下中的一个或多个:疤痕模式的描述、疤痕负担的大小和位置的描述、实现消融的建议量、组合映射的置信度得分、受险结构清单、一般建议、非侵入性疗法的预期成功率或其他治疗方式的预期成功率。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762598162P | 2017-12-13 | 2017-12-13 | |
US62/598,162 | 2017-12-13 | ||
US201762607084P | 2017-12-18 | 2017-12-18 | |
US62/607,084 | 2017-12-18 | ||
PCT/US2018/065278 WO2019118640A1 (en) | 2017-12-13 | 2018-12-12 | System and method for determining segments for ablation |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111566695A true CN111566695A (zh) | 2020-08-21 |
Family
ID=66820707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880080669.2A Pending CN111566695A (zh) | 2017-12-13 | 2018-12-12 | 确定用于消融的节段的系统和方法 |
Country Status (7)
Country | Link |
---|---|
US (2) | US20210137384A1 (zh) |
EP (1) | EP3724847A4 (zh) |
JP (1) | JP7414283B2 (zh) |
CN (1) | CN111566695A (zh) |
AU (1) | AU2018386091B2 (zh) |
CA (1) | CA3085448A1 (zh) |
WO (1) | WO2019118640A1 (zh) |
Families Citing this family (52)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DK3642743T3 (da) | 2017-06-19 | 2021-12-06 | Viz Ai Inc | Fremgangsmåde og system til computerunderstøttet triage |
US11259871B2 (en) | 2018-04-26 | 2022-03-01 | Vektor Medical, Inc. | Identify ablation pattern for use in an ablation |
US11504073B2 (en) | 2018-04-26 | 2022-11-22 | Vektor Medical, Inc. | Machine learning using clinical and simulated data |
US11065060B2 (en) | 2018-04-26 | 2021-07-20 | Vektor Medical, Inc. | Identify ablation pattern for use in an ablation |
EP3815096A4 (en) * | 2018-08-10 | 2022-04-06 | Southern Methodist University | IMAGE ANALYSIS USING MACHINE LEARNING AND HUMAN CALCULATION |
EP3860710A2 (en) | 2018-10-05 | 2021-08-11 | Medtronic, Inc. | Multi-tier prediction of cardiac tachyarrythmia |
US10835761B2 (en) * | 2018-10-25 | 2020-11-17 | Elekta, Inc. | Real-time patient motion monitoring using a magnetic resonance linear accelerator (MR-LINAC) |
US11083913B2 (en) | 2018-10-25 | 2021-08-10 | Elekta, Inc. | Machine learning approach to real-time patient motion monitoring |
AU2019379084B2 (en) | 2018-11-13 | 2024-06-27 | Vektor Medical, Inc. | Augmentation of images with source locations |
WO2020154664A1 (en) * | 2019-01-25 | 2020-07-30 | The Johns Hopkins University | Predicting atrial fibrillation recurrence after pulmonary vein isolation using simulations of patient-specific magnetic resonance imaging models and machine learning |
US11694804B2 (en) | 2019-05-06 | 2023-07-04 | Medtronic, Inc. | Reduced power machine learning system for arrhythmia detection |
US11723577B2 (en) | 2019-05-06 | 2023-08-15 | Medtronic, Inc. | Visualization of arrhythmia detection by machine learning |
US11475998B2 (en) | 2019-05-06 | 2022-10-18 | Medtronic, Inc. | Data preparation for artificial intelligence-based cardiac arrhythmia detection |
US20200352466A1 (en) | 2019-05-06 | 2020-11-12 | Medtronic, Inc. | Arrythmia detection with feature delineation and machine learning |
US11583687B2 (en) * | 2019-05-06 | 2023-02-21 | Medtronic, Inc. | Selection of probability thresholds for generating cardiac arrhythmia notifications |
US11776691B2 (en) | 2019-05-06 | 2023-10-03 | Medtronic, Inc. | Machine learning based depolarization identification and arrhythmia localization visualization |
JP7391112B2 (ja) * | 2019-05-17 | 2023-12-04 | コーニンクレッカ フィリップス エヌ ヴェ | 磁気共鳴イメージングのための自動的な視野整列 |
US10709347B1 (en) | 2019-06-10 | 2020-07-14 | Vektor Medical, Inc. | Heart graphic display system |
US10595736B1 (en) | 2019-06-10 | 2020-03-24 | Vektor Medical, Inc. | Heart graphic display system |
FR3095332B1 (fr) * | 2019-06-27 | 2023-07-21 | Quantum Surgical | Méthode de planification d’une ablation de tissus basée sur l’apprentissage profond |
US11462318B2 (en) | 2019-06-27 | 2022-10-04 | Viz.ai Inc. | Method and system for computer-aided triage of stroke |
US11631500B2 (en) * | 2019-08-20 | 2023-04-18 | Siemens Healthcare Gmbh | Patient specific risk prediction of cardiac events from image-derived cardiac function features |
US11350888B2 (en) * | 2019-09-03 | 2022-06-07 | Siemens Healthcare Gmbh | Risk prediction for sudden cardiac death from image derived cardiac motion and structure features |
AU2020351232A1 (en) | 2019-09-18 | 2022-04-28 | Geisinger Clinic | ECG based future atrial fibrillation predictor systems and methods |
EP4051376A4 (en) | 2019-10-29 | 2023-11-22 | Elekta Ltd. | HEART ABBLATION USING MR LINAC |
US20230005153A1 (en) * | 2019-12-05 | 2023-01-05 | Arbind Kumar GUPTA | Quantification and visualization of myocardium fibrosis of human heart |
WO2021163227A1 (en) * | 2020-02-10 | 2021-08-19 | The Regents Of The University Of California | Functional computed tomography for identifying arrhythmogenic cardiac substrate |
CN112819789A (zh) * | 2020-02-28 | 2021-05-18 | 上海联影智能医疗科技有限公司 | 用于心脏评估的设备和方法 |
US11663727B2 (en) * | 2020-02-28 | 2023-05-30 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for non-invasive cardiac assessment |
US10811138B1 (en) * | 2020-03-11 | 2020-10-20 | Memorial Sloan Kettering Cancer Center | Parameter selection model using image analysis |
US20230230230A1 (en) * | 2020-06-30 | 2023-07-20 | Shanghai Microport Ep Medtech Co., Ltd. | Image processing method and apparatus, and computer device, storage medium and mapping system |
CN114144135A (zh) * | 2020-07-03 | 2022-03-04 | 瓦里安医疗系统公司 | 射频消融处理系统和方法 |
EP4176416A1 (en) * | 2020-07-03 | 2023-05-10 | Varian Medical Systems, Inc. | Methods and apparatus for determining radioablation treatment |
US20220008126A1 (en) * | 2020-07-07 | 2022-01-13 | Biosense Webster (Israel) Ltd. | Optimized ablation for persistent atrial fibrillation |
AU2021304685A1 (en) * | 2020-07-09 | 2023-02-09 | University Of Sydney | System and method for cardiac structure tracking |
CN116133721A (zh) | 2020-07-22 | 2023-05-16 | 美敦力公司 | 对可治疗事件的检测 |
WO2022020803A1 (en) * | 2020-07-24 | 2022-01-27 | Viz.ai Inc. | Method and system for computer-aided aneurysm triage |
US20220031385A1 (en) * | 2020-07-28 | 2022-02-03 | Biosense Webster (Israel) Ltd. | Automatically performing irreversible electroporation ablation during heart refractory period |
US20220079499A1 (en) * | 2020-09-14 | 2022-03-17 | Biosense Webster (Israel) Ltd. | Identification of ablation gaps |
JP2023544896A (ja) * | 2020-10-13 | 2023-10-25 | バイオセンス・ウエブスター・(イスラエル)・リミテッド | 個人に応じた不整脈治療計画 |
US11974853B2 (en) | 2020-10-30 | 2024-05-07 | Vektor Medical, Inc. | Heart graphic display system |
US11338131B1 (en) | 2021-05-05 | 2022-05-24 | Vektor Medical, Inc. | Guiding implantation of an energy delivery component in a body |
US11694807B2 (en) | 2021-06-17 | 2023-07-04 | Viz.ai Inc. | Method and system for computer-aided decision guidance |
WO2023018626A2 (en) * | 2021-08-09 | 2023-02-16 | Vektor Medical, Inc. | Tissue state graphic display system |
WO2023056205A1 (en) * | 2021-09-30 | 2023-04-06 | Varian Medical Systems, Inc. | Methods and apparatus for radioablation treatment area targeting and guidance |
US11534224B1 (en) | 2021-12-02 | 2022-12-27 | Vektor Medical, Inc. | Interactive ablation workflow system |
EP4195215A1 (en) * | 2021-12-08 | 2023-06-14 | Koninklijke Philips N.V. | Thrombus treatment metric |
WO2023104559A1 (en) * | 2021-12-08 | 2023-06-15 | Koninklijke Philips N.V. | Thrombus treatment metric |
WO2023238110A1 (en) * | 2022-06-10 | 2023-12-14 | Biosense Webster (Israel) Ltd. | Systems and methods for recommending ablation lines |
EP4296966A1 (en) * | 2022-06-23 | 2023-12-27 | Inheart | Method of identification of radiotherapy targets for treating and preventing cardiac arrhythmias |
US20240001145A1 (en) * | 2022-06-30 | 2024-01-04 | Varian Medical Systems, Inc. | Systems and methods for radiation dose planning for cardiac radiation therapy |
US20240001147A1 (en) * | 2022-06-30 | 2024-01-04 | Varian Medical Systems, Inc. | Systems and methods for planning of cardiac radiation therapy |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5172699A (en) * | 1990-10-19 | 1992-12-22 | Angelase, Inc. | Process of identification of a ventricular tachycardia (VT) active site and an ablation catheter system |
US20070299352A1 (en) * | 2006-06-13 | 2007-12-27 | Doron Harlev | Non-contact cardiac mapping, including moving catheter and multi-beat integration |
WO2017078757A1 (en) * | 2015-11-06 | 2017-05-11 | Washington University In St. Louis | Noninvasive imaging and treatment system for cardiac arrhythmias |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5458620A (en) * | 1992-02-20 | 1995-10-17 | Angeion Corporation | Cardiac arrhythmia detection using interdependent multiple parameter settings |
US6773397B2 (en) * | 2001-10-11 | 2004-08-10 | Draeger Medical Systems, Inc. | System for processing signal data representing physiological parameters |
EP1828981A2 (en) * | 2004-12-15 | 2007-09-05 | Koninklijke Philips Electronics N.V. | Registration of multi-modality images |
US8014576B2 (en) * | 2005-11-23 | 2011-09-06 | The Medipattern Corporation | Method and system of computer-aided quantitative and qualitative analysis of medical images |
US20080171931A1 (en) * | 2007-01-16 | 2008-07-17 | Michael Maschke | Device and procedure for cardiac treatment with a MRI - X-ray hybrid system |
WO2008115830A2 (en) | 2007-03-16 | 2008-09-25 | Cyberheart, Inc. | Radiation treatment planning and delivery for moving targets in the heart |
US8315691B2 (en) | 2007-09-26 | 2012-11-20 | Cyberheart, Inc. | Radiosurgical ablation of the myocardium |
US7953204B2 (en) | 2008-03-14 | 2011-05-31 | Cyberheart, Inc. | Radiation treatment planning and delivery for moving targets in the heart |
JP5562598B2 (ja) * | 2008-10-24 | 2014-07-30 | 株式会社東芝 | 画像表示装置、画像表示方法および磁気共鳴イメージング装置 |
US9205279B2 (en) | 2009-07-17 | 2015-12-08 | Cyberheart, Inc. | Heart tissue surface contour-based radiosurgical treatment planning |
US8702688B2 (en) * | 2009-10-06 | 2014-04-22 | Cardiofocus, Inc. | Cardiac ablation image analysis system and process |
US9171130B2 (en) * | 2009-11-24 | 2015-10-27 | Penrad Technologies, Inc. | Multiple modality mammography image gallery and clipping system |
US8913804B2 (en) * | 2010-06-14 | 2014-12-16 | Boston Scientific Neuromodulation Corporation | Programming interface for spinal cord neuromodulation |
KR101899866B1 (ko) * | 2011-11-03 | 2018-09-19 | 삼성전자주식회사 | 병변 경계의 오류 검출 장치 및 방법, 병변 경계의 오류 수정 장치 및 방법 및, 병변 경계의 오류 검사 장치 |
US9101333B2 (en) * | 2011-11-14 | 2015-08-11 | Biosense Webster (Israel) Ltd. | Integrative atrial fibrillation ablation |
US10912476B2 (en) * | 2013-01-16 | 2021-02-09 | University Of Vermont | Catheters, systems, and related methods for mapping, minimizing, and treating cardiac fibrillation |
US10925511B2 (en) * | 2014-07-24 | 2021-02-23 | Cardiosolv Ablation Technologies, Inc. | System and method for cardiac ablation |
US9433363B1 (en) * | 2015-06-18 | 2016-09-06 | Genetesis Llc | Method and system for high throughput evaluation of functional cardiac electrophysiology |
JP2017042386A (ja) * | 2015-08-27 | 2017-03-02 | セイコーエプソン株式会社 | 生体情報処理システム及びプログラム |
US10402966B2 (en) * | 2015-12-03 | 2019-09-03 | Cardiosolv Ablation Technologies, Inc. | Systems and methods for identifying optimized ablation targets for treating and preventing arrhythmias sustained by reentrant circuits |
CA3006777A1 (en) * | 2015-12-22 | 2017-06-29 | The Regents Of The University Of California | Computational localization of fibrillation sources |
JP6864298B2 (ja) * | 2016-09-21 | 2021-04-28 | アナリティクス フォー ライフ インコーポレイテッド | リスクのある心臓組織の可視化のための方法およびシステム |
-
2018
- 2018-12-12 CA CA3085448A patent/CA3085448A1/en active Pending
- 2018-12-12 US US16/771,981 patent/US20210137384A1/en active Pending
- 2018-12-12 JP JP2020531981A patent/JP7414283B2/ja active Active
- 2018-12-12 EP EP18887472.1A patent/EP3724847A4/en active Pending
- 2018-12-12 WO PCT/US2018/065278 patent/WO2019118640A1/en active Application Filing
- 2018-12-12 CN CN201880080669.2A patent/CN111566695A/zh active Pending
- 2018-12-12 AU AU2018386091A patent/AU2018386091B2/en active Active
-
2022
- 2022-05-31 US US17/804,645 patent/US20220369930A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5172699A (en) * | 1990-10-19 | 1992-12-22 | Angelase, Inc. | Process of identification of a ventricular tachycardia (VT) active site and an ablation catheter system |
US20070299352A1 (en) * | 2006-06-13 | 2007-12-27 | Doron Harlev | Non-contact cardiac mapping, including moving catheter and multi-beat integration |
WO2017078757A1 (en) * | 2015-11-06 | 2017-05-11 | Washington University In St. Louis | Noninvasive imaging and treatment system for cardiac arrhythmias |
CN108778131A (zh) * | 2015-11-06 | 2018-11-09 | 圣路易斯华盛顿大学 | 心脏心律失常的非创伤性成像和治疗系统 |
Also Published As
Publication number | Publication date |
---|---|
JP2021510092A (ja) | 2021-04-15 |
US20220369930A1 (en) | 2022-11-24 |
JP7414283B2 (ja) | 2024-01-16 |
AU2018386091A1 (en) | 2020-06-25 |
EP3724847A1 (en) | 2020-10-21 |
AU2018386091B2 (en) | 2024-01-04 |
WO2019118640A1 (en) | 2019-06-20 |
CA3085448A1 (en) | 2019-06-29 |
EP3724847A4 (en) | 2021-09-01 |
US20210137384A1 (en) | 2021-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7414283B2 (ja) | アブレーションの対象となるセグメントを決定するためのシステム及び方法 | |
US11380055B2 (en) | Computational localization of fibrillation sources | |
US9463072B2 (en) | System and method for patient specific planning and guidance of electrophysiology interventions | |
JP7153973B2 (ja) | 発生源位置を有する画像の拡張 | |
US11338131B1 (en) | Guiding implantation of an energy delivery component in a body | |
JP2024040163A (ja) | シミュレート心拍動曲線の較正 | |
Behar et al. | The role of multi modality imaging in selecting patients and guiding lead placement for the delivery of cardiac resynchronization therapy | |
Catanzaro et al. | Planning and Guidance of Cardiac Resynchronization Therapy–Lead Implantation by Evaluating Coronary Venous Anatomy Assessed with Multidetector Computed Tomography | |
Lozoya | Radiofrequency ablation planning for cardiac arrhythmia treatment using modeling and machine learning approaches | |
US20230005625A1 (en) | Computational cardiac depolarization and repolarization simulation library mapping for non-invasive arrhythmia risk stratification | |
US20210244341A1 (en) | Method of providing ventricular arrhythmia localization with a heart model derived from machine learning | |
WO2023178110A1 (en) | System and method for automatic segmentation and registration of the cardiac myocardium | |
Secretariat | Advanced electrophysiologic mapping systems: an evidence-based analysis | |
Daniel | Characterisation of heart and diaphragm motion: Implications for treatment planning and delivery of radiotherapy for ventricular tachycardia | |
Narducci et al. | Cardiac arrhythmias and stereotactic radioblation: Pros and cons | |
Long | Medical Imaging | |
Lozoya | THÈSE DOCTORALE | |
Robinson et al. | Phase I/II Study of EP-guided Noninvasive Cardiac Radioablation (ENCORE) for Treatment of Ventricular Tachycardia Protocol#: 5.0 Version Date: 09/26/2018 Principal Investigators Phillip Cuculich, MD |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |