CN112617999A - 使用机器学习(ml)来引导心脏消融 - Google Patents
使用机器学习(ml)来引导心脏消融 Download PDFInfo
- Publication number
- CN112617999A CN112617999A CN202011001118.8A CN202011001118A CN112617999A CN 112617999 A CN112617999 A CN 112617999A CN 202011001118 A CN202011001118 A CN 202011001118A CN 112617999 A CN112617999 A CN 112617999A
- Authority
- CN
- China
- Prior art keywords
- ablation
- supplemental
- processor
- initial
- ablated tissue
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
- A61B18/04—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating
- A61B18/12—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating by passing a current through the tissue to be heated, e.g. high-frequency current
- A61B18/14—Probes or electrodes therefor
- A61B18/1492—Probes or electrodes therefor having a flexible, catheter-like structure, e.g. for heart ablation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/25—User interfaces for surgical systems
-
- 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]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
- A61B2018/00315—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body for treatment of particular body parts
- A61B2018/00345—Vascular system
- A61B2018/00351—Heart
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
- A61B2018/00571—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body for achieving a particular surgical effect
- A61B2018/00577—Ablation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
- A61B2018/00636—Sensing and controlling the application of energy
- A61B2018/00696—Controlled or regulated parameters
- A61B2018/00714—Temperature
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
- A61B2018/00636—Sensing and controlling the application of energy
- A61B2018/00696—Controlled or regulated parameters
- A61B2018/00738—Depth, e.g. depth of ablation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
- A61B2018/00636—Sensing and controlling the application of energy
- A61B2018/00696—Controlled or regulated parameters
- A61B2018/00755—Resistance or impedance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
- A61B2018/00636—Sensing and controlling the application of energy
- A61B2018/00773—Sensed parameters
- A61B2018/00791—Temperature
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
- A61B2018/00636—Sensing and controlling the application of energy
- A61B2018/00773—Sensed parameters
- A61B2018/00839—Bioelectrical parameters, e.g. ECG, EEG
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
- A61B2018/00636—Sensing and controlling the application of energy
- A61B2018/00904—Automatic detection of target tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
- A61B2018/00982—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body combined with or comprising means for visual or photographic inspections inside the body, e.g. endoscopes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
- A61B2018/00994—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body combining two or more different kinds of non-mechanical energy or combining one or more non-mechanical energies with ultrasound
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/101—Computer-aided simulation of surgical operations
- A61B2034/105—Modelling of the patient, e.g. for ligaments or bones
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/107—Visualisation of planned trajectories or target regions
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
- A61B2034/2046—Tracking techniques
- A61B2034/2051—Electromagnetic tracking systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
- A61B2034/2046—Tracking techniques
- A61B2034/2063—Acoustic tracking systems, e.g. using ultrasound
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/25—User interfaces for surgical systems
- A61B2034/252—User interfaces for surgical systems indicating steps of a surgical procedure
-
- 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
- A61B5/053—Measuring electrical impedance or conductance of a portion of the body
- A61B5/0538—Measuring electrical impedance or conductance of a portion of the body invasively, e.g. using a catheter
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
Abstract
本发明题为“使用机器学习(ML)来引导心脏消融”。本发明公开了一种系统,所述系统包括接口和处理器。所述接口被配置为接收表征施加到患者的心脏的区域的初始消融操作的数据。如果发现需要,所述处理器被配置为基于所接收的数据来自动指定要施加到所述区域的补充消融操作。
Description
相关申请的交叉引用
本专利申请要求2019年9月22日提交的美国临时专利申请62/903,850的权益,该美国临时专利申请的公开内容以引用方式并入本文。
技术领域
本发明整体涉及电生理信号和消融的处理,并且具体地讲,涉及使用机器学习(ML)来优化心脏消融参数。
背景技术
先前在专利文献中报告了用于基于患者数据来计划和引导消融规程以治疗心律失常的方法和系统。例如,美国专利号9,463,072描述了用于电生理干预的患者特异性计划和引导的方法和系统。从患者的心脏图像数据生成患者特异性解剖心脏模型。基于患者的患者特异性解剖心脏模型和患者特异性电生理测量结果来生成患者特异性心脏电生理模型。使用患者特异性心脏电生理模型来执行虚拟电生理干预。响应于每个虚拟电生理干预而计算模拟心电图(ECG)信号。本发明的实施方案利用高级机器学习算法、用于心脏电生理的几乎实时建模的LBM-EP(针对电生理的Lattice-Boltzmann方法)技术,以及ECG信号的生成的模型,以预测和显示虚拟EP治疗之后的患者特异性心电图。
作为另一个示例,美国专利号9,277,970描述了用于针对心律失常的消融规程的患者特异性计划和引导的方法和系统。基于术前心脏图像数据来生成患者特异性解剖心脏模型。将患者特异性解剖心脏模型配准到在消融规程期间获取的术中图像的坐标系。基于已配准的患者特异性解剖心脏模型和在消融规程期间获取的术中患者特异性测量结果来生成一个或多个消融位点引导标测图。消融位点引导标测图可包括心肌扩散和动作电位持续时间标测图。使用心脏电生理的计算模型来生成消融位点引导标测图,该计算模型通过使用术中患者特异性测量结果来拟合心脏电生理模型的参数而被个性化。由显示设备在消融规程期间显示消融位点引导标测图。在一个实施方案中,将患者特异性解剖心脏模型配准到在消融规程期间获取的术中三维旋转血管造影图像包括使用机器学习算法来计算三维旋转血管造影图像中的心包膜的概率标测图。
发明内容
下文所述的本发明的实施方案提供一种包括接口和处理器的系统。所述接口被配置为接收表征施加到患者的心脏的区域的初始消融操作的数据。如果发现需要,所述处理器被配置为基于所接收的数据来自动指定要施加到所述区域的补充消融操作。
在一些实施方案中,所述处理器被配置为通过以下方式来指定所述补充消融:评估所述初始消融操作的质量,并且响应于发现所述初始消融操作的所述质量不满足质量标准而指定所述补充消融操作。
在一些实施方案中,表征所述初始消融操作的所述数据包括以下中的至少一者:消融灶(lesion)深度;消融灶半径;消融灶长轴;消融灶短轴;消融灶3D位置;消融灶解剖位置;以及消融灶表面积。
在一个实施方案中,在指定所述补充消融操作时,所述处理器被配置为指定重复消融的位置。
在另一个实施方案中,在指定所述补充消融操作时,所述处理器被配置为指示消融点的片段中的间隙。
在又另一个实施方案中,在指定所述补充消融操作时,所述处理器被配置为实时指定将在消融点的片段附近执行附加消融。
在一些实施方案中,在指定所述补充消融操作时,所述处理器被进一步配置为指定将在所述补充消融中使用的一个或多个消融参数的值。
在一些实施方案中,表征所述初始消融操作的所述数据包括以下中的至少一者:体表心电图(ECG)信号;体表ECG信号的变化;心内ECG信号;心内ECG信号的变化;消融电极的阻抗;消融电极的阻抗的变化;消融组织的温度;消融组织的温度的变化;消融组织上的力;消融组织上的力的变化;消融导管类型;消融点的3D位置;消融点的预测解剖位置;消融点的消融持续时间;冲洗速率;以及在消融期间递送的功率。
在其他实施方案中,表征所述初始消融操作的所述数据包括以下中的一者或两者:消融组织的超声反射的变化,以及消融组织的磁共振图像(MRI)的变化。
在一些实施方案中,所述处理器被配置为通过应用经训练机器学习(ML)模型来自动指定所述补充消融操作。
在一个实施方案中,所述ML模型包括自动编码器、变分自动编码器、通用对抗网络(GAN)、随机森林(RF)、受监督的ML和增强型ML中的至少一者。
根据本发明的另一个实施方案,另外地提供了一种方法,所述方法包括接收表征施加到患者的心脏的区域的初始消融操作的数据。如果发现需要,处理器基于所接收的数据来自动指定要施加到所述区域的补充消融操作。
附图说明
结合附图,通过以下对本发明的实施方案的详细描述,将更全面地理解本发明,其中:
图1是根据本发明的示例性实施方案的基于导管的电生理(EP)感测、信号分析和IRE消融系统的示意性图解;
图2示出了根据本发明的示例性实施方案的用于基于自动编码器和随机森林(RF)进行消融灶估计的深度学习算法;
图3是根据本发明的另选示例性实施方案的用于估计和校正消融结果的机器学习(ML)模型的训练和推断用途的流程图;并且
图4是根据本发明的示例性实施方案的使用图3的ML模型来计划的肺静脉隔离(PVI)的可视化的屏幕截图。
具体实施方式
概述
心脏消融是用于通过在患者的心脏组织中形成消融灶来治疗心律失常的常见规程。此类消融灶可通过不可逆电穿孔(IRE)或使用其他类型的消融能量诸如射频(RF)来形成,这两者均可使用导管来施加。在IRE消融中,操纵导管以使得设置在导管的远侧端部上的电极与组织接触。然后,在电极之间施加高电压双极脉冲,并且在组织中产生的强电场脉冲导致细胞死亡和消融灶产生。在RF消融中,通过一个或多个电极将交变RF电流施加到组织,从而通过热量导致细胞死亡。
通常,在用于矫正心律失常的心脏腔室中的消融规程中,重要的是在消融中实现邻接性和透壁性(足够的消融灶深度)。任一者的不存在通常导致波前“泄漏”通过消融的组织。为了检查渗漏,例如在用于实现肺静脉隔离(PVI)的规程中,医师在消融线的一侧对心脏进行起搏(即,将信号注入心脏中)以便刺激心脏,并且检查信号是否出现在另一侧。如果信号不出现,则按照预期已经实现电隔离。然而,如果信号确实出现,则医师通常添加消融点。
可限定参数,诸如消融线邻接性指数(ACLI),以用于对消融线的邻接度和透壁性进行评分。然而,仅在已完成消融规程之后可估计此类参数,使得仅在已执行完整循环之后可检查PVI。
因此,典型的当前工作流程可具有以下步骤:
1.PV隔离的第一“消融循环”
2.经由刺激进行测试
3.基于刺激消融组织以闭合间隙;以及/或者
2.经由引发心律失常的药物(例如,腺苷)进行测试
3.消融组织以闭合间隙
应当理解,上述腺苷挑战步骤2可不在每日临床工作流程中实施,因为其通常用于研究环境。
即使在规程期间实现隔离,心律失常也可在某个稍后日期返回。在这种情况下,规程的“重新进行”可能是必要的。
下文所述的本发明的实施方案提供了用于仅基于在治疗期间获取(例如,使用消融导管本身来获取)的信息来预测心脏消融规程成功的系统和机器学习(ML)方法,如下所述。通过(i)在一些实施方案中估计消融灶特性,诸如消融灶透壁的程度,以及(ii)在其他实施方案中估计消融灶中的邻接性水平和透壁性水平来实现预测。在需要附加消融点的情况下,稍后的实施方案可实时引导医师。
在一些实施方案中,处理器接收表征施加到患者的心脏的区域的初始消融操作的数据。如果发现需要,处理器基于所接收的数据自动指定要施加到该区域的补充消融操作。例如,处理器评估初始消融操作的质量,并且响应于发现初始消融操作的质量不满足质量标准(例如,实现的邻接性和/或透壁性)而指定补充消融操作。
本发明的实施方案可用于提供对聚焦源和重复激活模式(RAP)的推荐。本发明的实施方案还可用于提供对消融质量的估计以及持久性AF驱动因素和维持因素、RAP、聚焦和纤维化组织的“最佳”消融策略。
在本发明的一个实施方案中,生成机器学习(ML)模型,诸如人工神经网络(ANN)。使用初始消融数据来训练ANN模型,该初始消融数据包括体表心电图(ECG)信号、心内ECG(IcECG)信号(也称为电描记图(EGM))、所收集的数据的3D位置信息以及消融参数,该消融参数包括用于消融的功率、消融的时间段、在消融期间测量的温度以及执行消融的导管电极的阻抗。用于训练模型的其他参数包括但不限于所使用的导管、由导管测量的力,以及参数(诸如温度和阻抗)的变化。一旦已生成模型,模型就使用这些参数中的至少一些参数的值来达到由模型制定的结果。
在一些实施方案中,从消融训练数据的临床数据和临床前数据导出的基础实况用于训练。此类数据可包括在一系列消融功率下获得的实际消融灶参数,包括诸如组织坏死的表面积和深度的参数。
当在新患者中执行消融时,处理器使用ML模型来估计已消融的消融灶(例如,其半径和深度),其被提供给医师。通常在图形用户界面(GUI)上提供这些值,该图形用户界面也可提供消融的可视化。
在本发明的其他实施方案中,经训练的ML模型在第一消融循环之后识别作为消融“重新进行”的潜在候选的位置。
此外,刚好在新消融之前和/或期间,处理器可使用模型以便使用针对特定患者的消融数据(即,在消融规程期间获取的任何数据)来预测消融中的邻接性水平和透壁性水平。
与用于上述当前工作流程的时间相比,使用上述ML模型使得医师能够通过预测消融规程的结果来减小在规程花费的时间。模型使得医师能够通过消融线(即,在第一轮消融规程中具有高邻接性和透壁性分数的线)来创建有效隔离。因此,与现有技术系统相比,使用模型允许更简单、更快且更有效的过程。
虽然这里使用ANN模型作为示例,但本领域技术人员可以从可用的其他ML模型中进行选择,诸如决策树学习、支持向量机(SVM)和贝叶斯网络。ANN模型包括例如卷积NN(CNN)、自动编码器和概率神经网络(PNN)。通常,所使用的一个或多个处理器(以下统称为“处理器”)被编程在包含特定算法的软件中,该特定算法使得处理器能够执行上文列出的处理器相关步骤和功能中的每一者。通常,使用包括多个处理器(诸如图形处理单元(GPU)或张量处理单元(TPU))的计算系统来进行训练。然而,这些处理器中的任一个处理器也可以是中央处理单元(CPU)。
基于上文针对ML算法推断描述的有限数据来实时评估消融灶参数(例如,直径、深度)以及消融中的邻接性和透壁性的能力允许简单地评估消融治疗的质量,可导致更准确的消融曲线,并且通常导致消融规程的结果的改善。
系统描述
图1是根据本发明的实施方案的基于导管的电生理(EP)感测、信号分析和IRE消融系统20的示意性图解。系统20可为例如由Biosense-Webster(Irvine,California)生产的3系统。如图所示,系统20包括具有轴22的导管21,该轴被医师30导航到患者28的心脏26(插图25)中。在图示的示例中,医师30将轴22插入穿过护套23,同时利用导管的近侧端部附近的操纵器32操纵轴22。
在本文所述的实施方案中,导管21可用于任何合适的诊断目的和/或组织消融,诸如分别为心脏26的电生理标测和IRE消融。ECG记录仪35可在该过程期间接收由系统20感测的各种类型的ECG信号。
如插图25所示,导管21的轴22的远侧端部配有多电极篮形导管40。插图45示出了篮形导管40的多个电极48的布置。导管21的近侧端部连接到控制台24,以传输例如由电极48获取的电描记图。
控制台24包括处理器41(通常为通用计算机),该处理器具有合适的前端和接口电路38以用于接收来自导管21的电极48的EP信号(例如,ECG信号)以及非EP信号(诸如位置信号)。为此,处理器41经由在轴22内延伸的导线连接到电极48。接口电路38被进一步配置为接收ECG信号,诸如来自可为ECG记录仪35的多通道(例如,12引线)ECG装置的ECG信号,以及来自表面身体电极49的非ECG信号。通常,电极49附接到患者28的胸部和腿部周围的皮肤。处理器41通过延伸穿过电缆39的导线连接到电极49以接收来自电极49的信号。
体表电极49中的四个根据标准ECG协议进行命名:MA(右臂)、LA(左臂)、ML(右腿)和LL(左腿)。Wilson中心端(WCT)可由四个命名体表电极49中的三个形成,并且所得ECG信号VWCT由接口电路38接收。
在EP标测规程期间,当电极48在患者的心脏26内时,跟踪电极的位置。为此,电信号在电极48和体表电极49之间传递。基于信号,并且给定在患者身体上的电极22的已知位置,处理器41计算每个电极22电极在患者的心脏内的估计的位置。可使用美国专利号8,456,182中描述的由Biosense-Webster(Irvine,California)制造的有源电流位置(ACL)系统来执行这种跟踪,该专利的公开内容以引用方式并入本文。
因此,处理器可将从电极48接收的任何给定信号(诸如EGM)与采集信号的位置相关联。处理器41使用包含在这些信号中的信息来构建EP标测图,诸如局部激活时间(LAT)标测图,以呈现在显示器上。在所示实施方案中,使用包括应用于EP和其他数据(例如,冲洗速率)的ML算法的算法,如图2和图3所示,处理器41估计系统所消融的消融灶的邻接性和透壁性。
为了执行IRE消融,将电极48连接(例如,切换)到控制台24中的包括处理器控制的开关电路(例如,继电器阵列,未示出)的IRE脉冲发生器47。使用由所公开的技术提供的估计(诸如消融邻接性的水平),处理器41或医师可选择要连接到脉冲发生器37以施加IRE脉冲的电极(经由开关电路)。
在IRE消融期间,下文限定的初始消融数据可用于上述ML模型中的一者进行的推断,以进一步评估(例如,实时地)消融灶参数,如图2所述,以及一组消融灶的邻接性和透壁性。
处理器41通常在软件中编程以执行本文所述的功能。例如,软件可通过网络以电子形式被下载到处理器,或者另选地或除此之外,软件可被提供和/或存储在非临时性有形介质诸如磁性、光学或电子存储器上。具体地,处理器41运行如本文所公开的诸如包括在图3中的专用算法,该专用算法使得处理器41能够执行本发明所公开的步骤,如下文进一步所述。
使用ML来引导心脏消融
图2是根据本发明的示例性实施方案的机器学习(ML)模型的操作的图示。模型是基于下文所述的消融训练数据由随机森林回归树构建的。随机森林分类器204是决策树的委员会,其中每个决策树已被馈送数据的属性的子集并且基于该子集进行预测。考虑决策树的实际预测值的众数以提供最终的随机森林答案208和210。随机森林分类器通常减轻了存在于独立决策树中的过度拟合,从而得到更稳健和准确的分类器。
模型基于深度学习自动编码器以及随机森林回归树。自动编码器对稍后用作消融灶评估的特征空间的一组特征u执行降维。
自动编码器202包括两个部分:编码器和解码器。编码器经由非线性变换将输入(本文中为ECG信号和/或IcECG信号)映射到隐藏表示(u)。然后,解码器经由另一个非线性变换将隐藏表示映射回重建数据:
本发明的实施方案针对ECG和IcECG重建使用相同的网络架构。L2归一化函数被最小化,以便学习一组θ编码器、权重以重建IcECG(或体表ECG)。使用具有预定数量的层的编码器和解码器的完全连接卷积神经网络(FCN)来实现自动编码器。然后基于已编码表示u、患者的病史(例如,AF持续时间、NYHA分数)参数、患者的人口统计(例如,年龄、BMI)和消融特征(例如,功率、温度曲线)来执行随机森林回归,以便预测消融灶深度。
在该实施方案中,模型使用消融特征空间作为输入层,即使用消融特征空间作为随机森林的输入。消融特征空间是指消融特性(例如,功率、阻抗、阻抗降、稳定性、消融指数以及心脏组织的每个消融点的x、y、z位置)。每个消融点包括作为每秒采样六十(60)次的时间序列的那些特征,因此每个消融点的时变性质也被建模并且用作消融特征空间的一部分。
每个消融点的解剖结构也是模型的输入空间的一部分。例如,如果点被预测为右广域周向消融(WACA)的一部分,则针对WACA的ML模型将消融位点分类为以下中的一者:
1.右下
2.右后
3.右上
4.右前
对于左WACA,每个消融位点与以下中的一者相关联:
1.左下
2.左后
3.左前
4.左上
5.脊
在2020年7月30日提交的标题为“广域周向消融点的解剖结构的自动分割(Automatic Segmentation of Anatomical Structures of Wide Area CircumferentialAblation Points)”的美国临时专利申请号63/059060(该专利申请被转让给本专利申请的受让人)中提供了对消融位点进行分类的ML模型。
所公开的模型提供消融灶表面积(作为半径)210和消融灶深度208的估计作为输出,并且由计算机处理器206操作。在操作中,处理器将算法应用于构建的模型,包括输入来自消融规程的数据,并且输出消融灶估计208和210。
在该实施方案中,所使用的消融训练数据的基础实况是从临床数据和临床前数据导出的。一些数据根据对猪或/和羊执行的活体开胸规程来计算。在规程中,以一定范围的功率创建消融灶,以便在羊和猪中实现心房和心室两者中的不同消融灶深度。收集组织坏死的表面积和深度。
此外,可能以一定范围的功率递送能量以在人类受检者中实现不同的消融灶深度。可使用超声/MRI(磁共振成像)来测量递送到心房和心室两者的能量以及坏死的表面积和深度。
对于动物和人类受试者两者,消融训练数据收集包括ECG和心内ECG信号、消融导管类型(例如,聚焦、套索、篮形、球囊)、消融点的3D位置、每个点的消融持续时间、是否使用冲洗(以及如果是的话,冲洗速率)、消融电极的阻抗、所递送的功率以及在消融期间测量的温度曲线。附加的任选数据包括心内超声、外部超声、实时CT和实时MRI图像。
上面提到的数据用作随机森林回归树模型的输入。
如图2所示,模型通过包括消融灶的平均深度和消融灶的表面积(作为消融灶的半径)的两个输出节点来估计组织坏死的深度和面积。在另选的实施方案中,生成具有三个输出节点的模型,其中使用椭圆的长轴和短轴来估计消融灶的表面积。
在所有的实施方案中,实时显示每次消融之后的坏死的估计表面积。
图3是根据本发明的另选实施方案的用于估计和校正消融结果的机器学习(ML)模型的训练和推断用途的流程图。具体地,图3所述的实施方案有助于决定心腔中是否需要消融重新进行以及在何处需要消融重新进行。
在算法的一个实施方案中,模型可用于在第一“消融循环”之后识别消融重新进行(即,重复消融)的潜在位置。
在本发明的所公开的实施方案中,模型使用具有消融特征空间作为输入层的完全连接神经网络。网络具有两个隐藏层,其包含矫正线性单元(ReLU),以及单个输出神经元—支持二进制的第一分类器—包括消融成功或重新进行。使用梯度下降优化器来估计网络的权重,以使交叉熵损失最小化。
在第一分类器预测到重新进行的情况下,第二分类器将“低深度”“小表面”消融灶标记为用于重新进行消融的潜在位置。
在算法的另一个实施方案中(算法在几次消融之后但在完成第一轮PVI之前被激活),算法识别消融点的片段中的潜在间隙,例如,当存在彼此接近消融点的50mm的片段,并且消融中的一者具有低阻抗降,并且导管与该片段相距20mm时,系统向医师通知这些潜在间隙。
在算法的又另一个实施方案中,系统通常在消融期间“实时”通知先前消融内是否存在潜在间隙或者是否应当在当前消融点附近执行附加消融。
在算法的另一实施方案中,系统向医师指示应当在何处执行下一个消融点。系统还列出了待使用的消融参数及其值,直到完成消融。算法通常确定是否已实现完成,并且相应地通知医师。
根据一个呈现的实施方案,算法被分成两部分:算法准备101和算法使用102。
算法准备执行从ML建模步骤70开始的过程,以生成用于估计消融结果的ML算法。这种模型可以是受监督的ML模型或增强型ML模型、变分自动编码器和通用对抗网络(GAN)以及其他可能选项。模型接受EP和消融结果作为输入,以及下文所述的其他输入。
接下来,在ML算法训练步骤72处,处理器使用包括消融训练数据和基础实况结果的数据库来训练算法。
在一些实施方案中,针对模型的消融训练数据被分成两类:来自实现即时成功的第一消融会话的数据,以及来自需要重新进行规程的第一消融会话的数据(例如,在发现初始消融操作的质量不满足质量标准(诸如实现的邻接性)之后)。
在所公开的实施方案中,消融训练数据可包括从利用系统(诸如CARTO)的实际治疗中获取的信息,例如:
1.消融导管类型
2.消融点的3D位置
3.消融点的解剖位置
4.用于消融的功率
5.点消融持续时间
6.冲洗
7.导管稳定性,即,在消融期间施加到导管的力
8.与消融的面积相关的参数,用于基于“预测的”组织宽度来验证透壁消融。
9.12引线ECG、或任何类型的体表ECG和IcECG
10.组织响应,例如,温度、超声反射变化、ECG信号减小、阻抗变化
11.仅外部设备数据,例如MRI和/或超声数据
12.与项目1至10中的任一项组合的外部设备数据。
1.针对规程阶段中的每一者(左侧PV和右侧PV)以及针对消融的不同阶段,基于不同CARTO标测图LAT、电压、Visitag(例如,图像上的球形标记物,如图4所示。球尺寸和颜色指示传输的功率和传输的时间)等的所生成的图像集。
2.以若干固定视图拍摄的图像。
3.训练的开始,包括左PV隔离和右PV隔离的图像。
训练的第二阶段,包括区段(完整PVI的一部分)隔离的图像。
4.具有相同视图的所有标测图图像,以及用于训练的图像,该训练包括所有CARTO着色方法:电压标测图、LAT标测图、双极性标测图
5.通常仅为机器学习而生成的所有消融标签选项的图像(包括标准CARTOVisitag/SurPoints/Ablation Index和呈现其他参数的附加标测图,诸如通过基于消融期间的导管稳定性对Visitag球着色或通过基于可有助于机器学习的任何其他参数对Visitag球着色):
·标准CARTO消融点
·具有根据以下参数中的任一者的颜色梯度的点:
о供应的能量
о导管力
о导管角
о先前导管位置
о消融功率
о消融时间
о温度
оICEG双极性压降
о导管稳定性
о消融期间的呼吸
о冲洗
在所公开的实施方案的任一者中,第一PVI循环的校正也可用作训练数据的一部分。这些校正可包括如下:
a.附加消融点的参数,诸如消融导管类型、消融点的3D位置、用于消融的功率、点消融的持续时间、冲洗、导管稳定性、导管力和/或:
b.作为校正执行的消融的图像。如果在重新进行之后立即拍摄图像,则图像可包括消融位置和供应的能量。
除了上述训练数据之外,还使用基础实况数据以构建模型,如图所示。基础实况数据通常基于医院数据库,并且可以分成两个部分:
a.即时成功,其通过起搏和/或施加腺苷挑战来确定,使得不需要短期跟进。
b.12个月跟进成功,其通过审查重新进行情况和具有跟进信息的情况以及基于包括跟进的临床研究来确定。
在一些实施方案中,基础实况数据可包括有效性成功和临床成功标准,如在Mansour M等人的标题为“通过接触力感测导管的持久性心房纤颤消融:预期的多中心规则试验(Persistent atrial fibrillation ablation with contact force sensingcatheter:The prospective multicenter PRECEPT Trial)”并且在JACC:临床电生理,第6卷,第8期,2020年8月发表的规则研究中限定的。
在一些实施方案中,基础实况数据可包括由于其不具有已知的临床益处而未呈现给医师的所获取的数据。
虽然以上描述涉及包括两个单独机器学习模型的实施方案,但应当理解,这些实施方案可组合成一个模型,该模型被实现为执行这两个实施方案的功能。
在经训练模型存储步骤74处,算法准备通过将经训练模型存储在非暂态计算机可读介质诸如按键盘(记忆棒)中结束。在另选的实施方案中,预先发送模型,并且在训练之后单独发送其优化参数(诸如ANN的权重)。
算法使用102执行在算法上传步骤76处开始的过程,在该步骤期间用户将整个ML模型或其优化参数(例如,权重)上传到处理器。接下来,处理器(诸如处理器28)在患者数据接收步骤78处分别从电极49和48接收与训练中使用的数据类型类似的患者数据(例如,ECG和EGM)。
接下来,使用经训练ML模型以进行推断,处理器将来自选定患者的数据输入到模型,并且对模型实施算法,使得模型能够例如在消融建议步骤80处输出进行更邻接的消融所需的补充消融操作(例如,校正动作)。在安装到处理器之后,经训练模型可与多个患者一起使用。
图3中所示的示例性流程图完全是为了概念清晰而选择的。本实施方案还可包括算法的附加步骤,诸如接收电极与被诊断组织的物理接触的程度的指示。为了提供更简化的流程图,故意从本文的公开中省略了此步骤和其他可能步骤。
图4是根据本发明的实施方案的使用图3的ML模型来计划的肺静脉隔离(PVI)的可视化的屏幕截图。
图4描述了“评估引擎”(例如,图3的ML算法)的输出,该引擎估计PVI的邻接性和透壁性。在一个实施方案中,在训练阶段期间,评估引擎具有由经训练医师用以下信息标记的一组情况:
1.消融解剖位置(左WACA、右WACA、顶线等)
2.消融类型(有效、无效的消融、即时重新连接消融点或重新进行消融点)
3.消融的宽度和深度
基于上述特征空间,ML算法提供每次消融的针对其有效性(例如,零和一之间的概率)、消融灶的宽度和深度的预测。引擎还可推荐潜在即时重新连接位点或长期(重新进行)重新连接位点的区域。
图中示出的盘402表示消融点,尺寸(和/或盘的灰度)由评估引擎自动创建以描绘PVI的邻接性或透壁性。盘的尺寸可表示消融有效性概率,它们还可表示消融灶的宽度和/或深度。
在一些实施方案中,引擎还可给出消融区域404以避免重新进行情况的建议。
虽然本文所述的实施方案主要涉及心脏消融应用,但本文所述的方法和系统在用相关数据输入进行重新训练并考虑相关成功标准之后也可用于其他医疗应用,诸如肾神经切除。
因此,应当理解,上述实施方案以举例的方式被引用,并且本发明不限于上文具体示出和描述的内容。相反,本发明的范围包括上文描述的各种特征的组合和子组合以及它们的变型和修改,本领域的技术人员在阅读上述描述时将会想到该变型和修改,并且该变型和修改并未在现有技术中公开。以引用方式并入本专利申请的文献被视为本申请的整体部分,不同的是如果这些并入的文献中限定的任何术语与本说明书中明确或隐含地给出的定义相冲突,则应仅考虑本说明书中的定义。
Claims (22)
1. 一种用于引导心脏消融的系统,所述系统包括:
接口,所述接口被配置为接收表征施加到患者的心脏的区域的初始消融操作的数据;以及
处理器,所述处理器被配置为基于所接收的数据来自动指定要施加到所述区域的补充消融操作。
2.根据权利要求1所述的系统,其中所述处理器被配置为通过以下方式来指定所述补充消融:评估所述初始消融操作的质量,并且响应于发现所述初始消融操作的所述质量不满足质量标准而指定所述补充消融操作。
3.根据权利要求1所述的系统,其中表征所述初始消融操作的所述数据包括以下中的至少一者:
消融灶深度;
消融灶半径;
消融灶长轴;
消融灶短轴;
消融灶3D位置;
消融灶解剖位置;以及
消融灶表面积。
4.根据权利要求1所述的系统,其中在指定所述补充消融操作时,所述处理器被配置为指定重复消融的位置。
5.根据权利要求1所述的系统,其中在指定所述补充消融操作时,所述处理器被配置为指示消融点的片段中的间隙。
6.根据权利要求1所述的系统,其中在指定所述补充消融操作时,所述处理器被配置为实时指定将在消融点的片段附近执行附加消融。
7.根据权利要求1所述的系统,其中在指定所述补充消融操作时,所述处理器被进一步配置为指定将在所述补充消融中使用的一个或多个消融参数的值。
8.根据权利要求1所述的系统,其中表征所述初始消融操作的所述数据包括以下中的至少一者:
体表心电图(ECG)信号;
体表ECG信号的变化;
心内ECG信号;
心内ECG信号的变化;
消融电极的阻抗;
消融电极的阻抗的变化;
消融组织的温度;
消融组织的温度的变化;
消融组织上的力;
消融组织上的力的变化;
消融导管类型;
消融点的3D位置;
消融点的预测解剖位置;
消融点的消融持续时间;
冲洗速率;以及
在消融期间递送的功率。
9. 根据权利要求8所述的系统,其中表征所述初始消融操作的所述数据包括以下中的一者或两者:
消融组织的超声反射的变化;以及
消融组织的磁共振图像(MRI)的变化。
10.根据权利要求1所述的系统,其中所述处理器被配置为通过应用经训练机器学习(ML)模型来自动指定所述补充消融操作。
11.根据权利要求10所述的系统,其中所述ML模型包括自动编码器、变分自动编码器、通用对抗网络(GAN)、随机森林(RF)、受监督的ML和增强型ML中的至少一者。
12. 一种用于引导心脏消融的方法,所述方法包括:
接收表征施加到患者的心脏的区域的初始消融操作的数据;以及
由处理器基于所接收的数据来自动指定要施加到所述区域的补充消融操作。
13.根据权利要求12所述的方法,其中指定所述补充消融包括:评估所述初始消融操作的质量,并且响应于发现所述初始消融操作的所述质量不满足质量标准而指定所述补充消融操作。
14.根据权利要求12所述的方法,其中表征所述初始消融操作的所述数据包括以下中的至少一者:
消融灶深度;
消融灶半径;
消融灶长轴;
消融灶短轴;
消融灶3D位置;
消融灶解剖位置;以及
消融灶表面积。
15.根据权利要求12所述的方法,其中指定所述补充消融操作包括指定重复消融的位置。
16.根据权利要求12所述的方法,其中指定所述补充消融操作包括指示消融点的片段中的间隙。
17.根据权利要求12所述的方法,其中指定所述补充消融操作包括实时指定将在消融点的片段附近执行的附加消融。
18.根据权利要求12所述的方法,其中指定所述补充消融操作包括指定将在所述补充消融操作中使用的一个或多个消融参数的值。
19.根据权利要求12所述的方法,其中表征初始消融操作的所述数据包括以下中的至少一者:
体表心电图(ECG)信号;
体表ECG信号的变化;
心内ECG信号;
心内ECG信号的变化;
消融电极的阻抗;
消融电极的阻抗的变化;
消融组织的温度;
消融组织的温度的变化;
消融组织上的力;
消融组织上的力的变化;
消融导管类型;
消融点的3D位置;
消融点的预测解剖位置;
每个点的消融持续时间;
冲洗速率;以及
在消融期间递送的功率。
20. 根据权利要求19所述的方法,其中表征所述初始消融操作的所述数据包括以下中的一者或两者:
消融组织的超声反射的变化;以及
消融组织的磁共振图像(MRI)的变化。
21.根据权利要求12所述的方法,其中自动指定所述补充消融操作包括应用经训练机器学习(ML)模型。
22.根据权利要求21所述的方法,其中所述ML模型包括自动编码器、变分自动编码器、通用对抗网络(GAN)、随机森林(RF)、受监督的ML和增强型ML中的至少一者。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962903850P | 2019-09-22 | 2019-09-22 | |
US62/903850 | 2019-09-22 | ||
US17/016608 | 2020-09-10 | ||
US17/016,608 US20210085387A1 (en) | 2019-09-22 | 2020-09-10 | Guiding cardiac ablation using machine learning (ml) |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112617999A true CN112617999A (zh) | 2021-04-09 |
Family
ID=72603414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011001118.8A Pending CN112617999A (zh) | 2019-09-22 | 2020-09-22 | 使用机器学习(ml)来引导心脏消融 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20210085387A1 (zh) |
EP (1) | EP3795078A1 (zh) |
JP (1) | JP2021049341A (zh) |
KR (1) | KR20210036278A (zh) |
CN (1) | CN112617999A (zh) |
IL (1) | IL277420A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114145838A (zh) * | 2021-05-28 | 2022-03-08 | 南京邮电大学 | 一种心脏射频消融导管系统 |
CN114271927A (zh) * | 2021-12-19 | 2022-04-05 | 复旦大学 | 可实时预测心律失常射频消融损伤深度的方法及射频消融仪 |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11045628B2 (en) | 2018-12-11 | 2021-06-29 | Biosense Webster (Israel) Ltd. | Balloon catheter with high articulation |
US11850051B2 (en) | 2019-04-30 | 2023-12-26 | Biosense Webster (Israel) Ltd. | Mapping grid with high density electrode array |
US11950930B2 (en) | 2019-12-12 | 2024-04-09 | Biosense Webster (Israel) Ltd. | Multi-dimensional acquisition of bipolar signals from a catheter |
US11517218B2 (en) | 2019-12-20 | 2022-12-06 | Biosense Webster (Israel) Ltd. | Selective graphical presentation of electrophysiological parameters |
WO2021173286A1 (en) * | 2020-02-26 | 2021-09-02 | Covidien Lp | Energy based surgical systems and methods based on an artificial-intelligence learning system |
US20220036560A1 (en) * | 2020-07-30 | 2022-02-03 | Biosense Webster (Israel) Ltd. | Automatic segmentation of anatomical structures of wide area circumferential ablation points |
US11950841B2 (en) | 2020-09-22 | 2024-04-09 | Biosense Webster (Israel) Ltd. | Basket catheter having insulated ablation electrodes and diagnostic electrodes |
US11950840B2 (en) | 2020-09-22 | 2024-04-09 | Biosense Webster (Israel) Ltd. | Basket catheter having insulated ablation electrodes |
US11974803B2 (en) | 2020-10-12 | 2024-05-07 | Biosense Webster (Israel) Ltd. | Basket catheter with balloon |
US11918383B2 (en) | 2020-12-21 | 2024-03-05 | Biosense Webster (Israel) Ltd. | Visualizing performance of catheter electrodes |
WO2023286335A1 (ja) * | 2021-07-13 | 2023-01-19 | オリンパス株式会社 | システム、プログラム及び情報処理方法 |
US20230404677A1 (en) | 2022-06-20 | 2023-12-21 | Biosense Webster (Israel) Ltd. | Applying ablation signals to both sides of tissue |
US20240138906A1 (en) * | 2022-10-28 | 2024-05-02 | Biosense Webster (Israel) Ltd. | Alignment Aid for Ablation Procedures |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8456182B2 (en) | 2008-09-30 | 2013-06-04 | Biosense Webster, Inc. | Current localization tracker |
US9277970B2 (en) | 2012-07-19 | 2016-03-08 | Siemens Aktiengesellschaft | System and method for patient specific planning and guidance of ablative procedures for cardiac arrhythmias |
US9463072B2 (en) | 2013-08-09 | 2016-10-11 | Siemens Aktiengesellschaft | System and method for patient specific planning and guidance of electrophysiology interventions |
RU2017140235A (ru) * | 2015-05-12 | 2019-06-13 | Навикс Интернэшнл Лимитед | Оценка очагов поражения посредством анализа диэлектрических свойств |
US10278616B2 (en) * | 2015-05-12 | 2019-05-07 | Navix International Limited | Systems and methods for tracking an intrabody catheter |
WO2018130976A1 (en) * | 2017-01-12 | 2018-07-19 | Navix International Limited | Estimation of effectiveness of ablation adjacency |
CN110198680B (zh) * | 2016-11-16 | 2022-09-13 | 纳维斯国际有限公司 | 消融有效性估计器 |
US20200305970A1 (en) * | 2017-12-05 | 2020-10-01 | Navix International Limited | Electrophysiology procedure without ionizing radiation imaging |
-
2020
- 2020-09-10 US US17/016,608 patent/US20210085387A1/en active Pending
- 2020-09-16 IL IL277420A patent/IL277420A/en unknown
- 2020-09-18 JP JP2020157089A patent/JP2021049341A/ja active Pending
- 2020-09-21 EP EP20197183.5A patent/EP3795078A1/en not_active Withdrawn
- 2020-09-22 KR KR1020200122393A patent/KR20210036278A/ko active Search and Examination
- 2020-09-22 CN CN202011001118.8A patent/CN112617999A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114145838A (zh) * | 2021-05-28 | 2022-03-08 | 南京邮电大学 | 一种心脏射频消融导管系统 |
CN114145838B (zh) * | 2021-05-28 | 2024-03-15 | 南京邮电大学 | 一种心脏射频消融导管系统 |
CN114271927A (zh) * | 2021-12-19 | 2022-04-05 | 复旦大学 | 可实时预测心律失常射频消融损伤深度的方法及射频消融仪 |
CN114271927B (zh) * | 2021-12-19 | 2023-10-17 | 复旦大学 | 可实时预测心律失常射频消融损伤深度的方法及射频消融仪 |
Also Published As
Publication number | Publication date |
---|---|
JP2021049341A (ja) | 2021-04-01 |
US20210085387A1 (en) | 2021-03-25 |
EP3795078A1 (en) | 2021-03-24 |
RU2020130901A3 (zh) | 2022-03-21 |
KR20210036278A (ko) | 2021-04-02 |
RU2020130901A (ru) | 2022-03-21 |
IL277420A (en) | 2021-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210085387A1 (en) | Guiding cardiac ablation using machine learning (ml) | |
RU2767883C1 (ru) | Оценка толщины стенки сердца по результатам ЭКГ | |
US11806126B2 (en) | Property- and position-based catheter probe target identification | |
US20190090774A1 (en) | System and method for localization of origins of cardiac arrhythmia using electrocardiography and neural networks | |
EP3744282A2 (en) | Systems for improving cardiac ablation procedures | |
CN104873191A (zh) | 用于自动定位生物节律紊乱的源的机器和过程 | |
JP2022031248A (ja) | 心臓ペースマッピング部位及びペーシング操作を検出及び識別するためのシステム及び方法 | |
EP4123659A1 (en) | Survival decision tree graphs for personalized treatment planning | |
RU2779871C2 (ru) | Направляемая абляция сердца с использованием машинного обучения (ml) | |
US20220036555A1 (en) | Automatically identifying scar areas within organic tissue using multiple imaging modalities | |
US20220378292A1 (en) | Electrical activity-based procedure guidance | |
JP2022031229A (ja) | アブレーションインデックス計算を最適化するために機械学習アルゴリズムを利用する心臓不整脈を治療するための装置 | |
JP2021194543A (ja) | 心房細動 | |
AU2018265591B2 (en) | Method of segmentation of a three-dimensional image for generating a model of a myocardial wall for the detection of at least one singular zone of electrical circulation | |
US20220238203A1 (en) | Adaptive navigation and registration interface for medical imaging | |
US20230146716A1 (en) | Digital twin of atria for atrial fibrillation patients | |
NL2028170B1 (en) | Method and system for cardiac pacing therapy guidance | |
US20230404676A1 (en) | Visualizing a quality index indicative of ablation stability at ablation site | |
CN114532979A (zh) | 基于恒定荧光镜快照的配准几何形状重建 | |
CN114587370A (zh) | 使用医疗规程信息的导管结构检查和优化 | |
CN114190885A (zh) | 使用多个成像模态自动识别器官组织内的疤痕区域 |
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 |