CN115546412A - 心脏三维标测重建方法、装置和电子设备 - Google Patents

心脏三维标测重建方法、装置和电子设备 Download PDF

Info

Publication number
CN115546412A
CN115546412A CN202211293763.0A CN202211293763A CN115546412A CN 115546412 A CN115546412 A CN 115546412A CN 202211293763 A CN202211293763 A CN 202211293763A CN 115546412 A CN115546412 A CN 115546412A
Authority
CN
China
Prior art keywords
dimensional
mapping
cardiac
heart
coordinates
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
Application number
CN202211293763.0A
Other languages
English (en)
Inventor
杨宇轩
周强强
阴杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Aikemai Medical Technology Co ltd
Original Assignee
Suzhou Aikemai Medical Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Aikemai Medical Technology Co ltd filed Critical Suzhou Aikemai Medical Technology Co ltd
Priority to CN202211293763.0A priority Critical patent/CN115546412A/zh
Publication of CN115546412A publication Critical patent/CN115546412A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Surgery (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Analysis (AREA)
  • Veterinary Medicine (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Mathematics (AREA)
  • Public Health (AREA)
  • Robotics (AREA)
  • Computer Graphics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请涉及一种心脏三维标测重建方法、装置和电子设备。该心脏三维标测重建方法包括：获取二维心脏图像并对所述心脏图像进行初步三维重建，以获取心脏三维坐标；采集标测点并确定标测点坐标；通过训练反向传播神经网络以获得将所述标测点坐标映射到所述心脏三维坐标的映射模型；以及，通过所述映射模型将所述标测点坐标映射为更新的心脏三维坐标，并基于所述更新的心脏三维坐标重建心脏三维模型。这样，通过基于神经网络算法的心脏三维模型配准，可以提供更加精确的心脏三维模型。

Description

心脏三维标测重建方法、装置和电子设备
技术领域
本申请涉及深度学习技术领域，更为具体地说，涉及一种心脏三维标测重建方法、装置和电子设备。
背景技术
心房颤动，简称房颤，是最常见的持续性心率失常，往往随着年龄的增长而增加发病率。房颤病因是由心房主导折返环引起许多小折返环导致的房律紊乱。按照第六次人口普查数据，我国年龄标准化房颤患病率为1.6％，估算患病人数达2000万。男性高于女性，城市与农村无显著差异。中部最高，其次为西部，而东部最低。据估计，全球成人房颤患病率在2％～4％。房颤会导致患者出现心悸、胸闷、头晕甚至昏倒等症状，心房收缩功能丧失以及长期的心率增快，可以导致心脏的扩大和心功能不全，就容易产生心力衰竭，严重影响生活质量。更为危险的是房颤可以大大增加血栓以及脑梗塞的危险；除此以外，房颤的患者死亡率是正常人群的两倍。
房颤的治疗方法众多，传统的抗心律失常药在房颤的治疗中占有重要的地位，但因其疗效有限，安全性小，加之易产生耐药性，故很难让人满意。
房颤非药物治疗法主要有三种。第一种：外科迷路术，包括采用冷冻或高频能量作用于左房或右房，以此来阻断导致房颤的最常见折返。通常是隔离肺静脉、切除或缝合左心耳。该方法仅限于病人正在进行心脏外科手术(如二尖瓣修补或更换术)。第二种：预防性心房起搏治疗，通过改变心肌细胞周围的基质减少房颤的发生，或是通过超速起搏来抑制潜在的房颤触发点的激动。尽管理论上十分诱人，但房颤对于应用预防性心房起搏来说认识有争议的指征。在2002年的心脏起搏器和抗心律失常器械植入指南中，通过起搏器预防房颤仅是IIb类适应症。如确需植入起搏器，应首选基于心房的真正“生理性”起搏，即AAI起搏，而不是单纯心室起搏或房室顺序起搏(DDD)，因为现已证实，增加心室起搏的比例将会增加房颤的发生率。第三种：导管消融术，主要策略目前主要包括以下三种：肺静脉电隔离术、肺静脉前庭电隔离术、左心房线性消融术。肺静脉电隔离治疗阵发性房颤是通过阻断存在于肺静脉中的心房肌袖所发放的快速重复异位电活动实现的。最近报导的随机临床试验证明肺静脉电隔离较药物性节律控制优点多。在临床上五结构性心脏病的患者中，该方法可使75％-85％的病人心率达标，而抗心律失常药仅为5％-35％。
介于传统心内电生理检查与标测方法的固有缺陷：不能直观的显示心脏解剖结构，导致心律失常射频消融手术成功率较低，目前临床已经引入电生理标测系统，利用获取标测导管在人体内的位置以及在心脏中的坐标，构建心脏三维模型，在心脏三维模型的指导下进行心脏射频消融手术。这大大提高了消融手术的成功率。现有心脏标测系统通常在心脏中采集几十上百个点进行心脏三维标测重建，导致心脏三维模型精确度较低，而最新的心脏三维标测系统引入了CT/MR图像进行进一步的配准，提高了心脏三维模型的精确度。
相应地，仍然期望提供更加精确的心脏三维模型的心脏三维标测重建方案。
发明内容
本申请实施例提供了一种心脏三维标测重建方法、装置和电子设备，其通过基于神经网络算法的心脏三维模型配准，可以提供更加精确的心脏三维模型。
根据本申请的一方面，提供了一种心脏三维标测重建方法，包括：获取二维心脏图像并对所述心脏图像进行初步三维重建，以获取心脏三维坐标；采集标测点并确定标测点坐标；通过训练反向传播神经网络以获得将所述标测点坐标映射到所述心脏三维坐标的映射模型；以及，通过所述映射模型将所述标测点坐标映射为更新的心脏三维坐标，并基于所述更新的心脏三维坐标重建心脏三维模型。
在上述心脏三维标测重建方法中，在获取心脏三维坐标之后进一步包括：对所述心脏三维坐标进行归一化，所述归一化对所述心脏三维坐标的坐标值进行统一计算，所述坐标值的最大值和最小值为所有坐标点中的最大值和最小值。
在上述心脏三维标测重建方法中，通过训练反向传播神经网络以获得将所述标测点坐标映射到所述心脏三维坐标的映射模型包括：基于预定标测点的标测点坐标与所述心脏三维坐标之间的距离，确定所述距离最小的心脏三维坐标为与所述预定标测点的标测点坐标对应的心脏三维坐标。
在上述心脏三维标测重建方法中，所述标测点坐标映射到所述心脏三维坐标的映射模型为仿射模型，表示为：X＝aX′+b，其中X′表示标测点坐标，X表示心脏三维坐标，系数a和b由所述反向传播神经网络训练获得。
在上述心脏三维标测重建方法中，所述反向传播神经网络包括输入层、隐含层和输出层，激活函数为Sigmoid函数：
Figure BDA0003902286060000031
并且损失函数为：
Figure BDA0003902286060000032
其中τ表示X与aX′+b的距离。
在上述心脏三维标测重建方法中，所述反向传播神经网络的训练过程包括：进行所述隐含层和所述输出层的权值矩阵和损失函数的阈值的初始化；计算隐藏层各单元输入和输出，和输出层各单元输入和输出；计算输出层和中间层的误差损失函数；以及，进行反向传播神经网络中的损失函数的梯度的反向传播以更新所述隐含层和所述输出层的权值矩阵的参数。
在上述心脏三维标测重建方法中，基于所述更新的心脏三维坐标重建心脏三维模型包括：对所述更新的心脏三维坐标的坐标值进行反归一化处理。
根据本申请的另一方面，提供了一种心脏三维标测重建装置，包括：心脏坐标获取单元，用于获取二维心脏图像并对所述心脏图像进行初步三维重建，以获取心脏三维坐标；标测点坐标获取单元，用于采集标测点并确定标测点坐标；映射模型训练单元，用于通过训练反向传播神经网络以获得将所述标测点坐标映射到所述心脏三维坐标的映射模型；以及，心脏模型重建单元，用于通过所述映射模型将所述标测点坐标映射为更新的心脏三维坐标，并基于所述更新的心脏三维坐标重建心脏三维模型。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的心脏三维标测重建方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的心脏三维标测重建方法。
本申请实施例提供的心脏三维标测重建方法、装置和电子设备，可以通过基于神经网络算法的心脏三维模型配准，提供更加精确的心脏三维模型。
附图说明
通过阅读下文优选的具体实施方式中的详细描述，本申请各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。说明书附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。显而易见地，下面描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。而且在整个附图中，用相同的附图标记表示相同的部件。
图1图示了根据本申请实施例的心脏三维标测重建方法的流程图。
图2图示了根据本申请实施例的心脏三维标测重建方法中的反向传播神经网络的训练过程的示意性流程图。
图3图示了根据本申请实施例的心脏三维标测重建装置的框图。
图4图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
示意性方法
图1图示了根据本申请实施例的心脏三维标测重建方法的流程图。
如图1所示，根据本申请实施例的心脏三维标测重建方法包括以下步骤。
步骤S110，获取二维心脏图像并对所述心脏图像进行初步三维重建，以获取心脏三维坐标。
具体地，可以通过CT/MR扫描的方式采集心脏图像，或者也可以从图像库中直接获取需要进行心脏三维模型重建的心脏图像。例如，可以采用16排以上CT或者1.5T及以上的MR增强扫描，获取被测者的心腔所有解剖结构及进出血管的图像，比如用于显示心房舒张期各解剖结构的图像。当然，本领域技术人员可以理解，所述心脏图像也可以是心室收缩期各解剖结构的图像，例如用于永久性房颤患者时。
然后，将获取到的二维心脏图像进行初步三维重建以获取心脏三维坐标。这里，初步三维重建可以基于从二维图像构建三维模型的各种算法，例如移动立方体(MarchingCubes：MC)算法。所述移动立方体算法的具体操作如下：
1.将图像的4个切片读取到内存中；
2.按照体元扫描2个切片；
3.通过将体元的8个顶点值与所取得等值面值相比较，计算立方体的索引；
4.使用索引从查找表中查找边列表；
5.使用每个边缘顶点的灰度值，通过线性插值计算得到三角面片顶点的确切位置；
6.计算每个体元顶点的单位法线，并将法线插值到三角形面片的每个顶点；
7.输出三角形面片的顶点和法线。
这样，在初步构建心脏三维模型之后，就可以获取心脏三维坐标。并且，在本申请实施例中，对所述心脏三维坐标进行归一化处理。
例如，可以采用mapminmax函数，将所述心脏三维坐标归一化至[0,1]范围内，具体为：
Figure BDA0003902286060000051
其中Y代表归一化结果，Ymax和Ymin表示归一化上下限，X表示当前待归一化的坐标值，Xmax和Xmin表示坐标值最大最小值。值得注意的是，由于在本申请实施例中采用仿射模型，所以在进行归一化运算时，三维坐标的x、y、z坐标值不应分开计算，且Xmax和Xmin值应由所有坐标点中的最大最小值决定，也就是，Xmax和Xmin值是所有坐标点中的所有x、y、z坐标值中的最大值和最小值。
因此，在根据本申请实施例的心脏三维标测重建方法中，在获取心脏三维坐标之后进一步包括：对所述心脏三维坐标进行归一化，所述归一化对所述心脏三维坐标的坐标值进行统一计算，所述坐标值的最大值和最小值为所有坐标点中的最大值和最小值。
步骤S120，采集标测点并确定标测点坐标。具体地，可以利用标测导管及磁电双定位技术采集标测点并确定标测点坐标。
步骤S130，通过训练反向传播神经网络以获得将所述标测点坐标映射到所述心脏三维坐标的映射模型。
在本申请实施例中，由于所述标测点坐标与从二维图像重建获得的心脏三维坐标通常不在一个数量级，即标测点坐标的数量远小于心脏三维坐标的数量，所以在对标测点坐标和心脏三维坐标进行配准映射之前，需要选取合适的心脏三维坐标。具体地，在本申请实施例中，计算标测点与心脏三维坐标点之间的距离，并将距离预定标测点最近的心脏三维坐标确定为与预定标测点的标测点坐标对应的心脏三维坐标，可以表示为：
Figure BDA0003902286060000061
因此，在根据本申请实施例的心脏三维标测重建方法中，通过训练反向传播神经网络以获得将所述标测点坐标映射到所述心脏三维坐标的映射模型包括：基于预定标测点的标测点坐标与所述心脏三维坐标之间的距离，确定所述距离最小的心脏三维坐标为与所述预定标测点的标测点坐标对应的心脏三维坐标。
通常，在进行坐标点之间的配准映射时，均基于标测点空间和图像数据模型空间是正交的前提。但是，在实际情况下，二者的空间坐标系可能并不是正交关系，由此，在本申请实施例中，采用仿射关系取代传统的刚体模型，则标测点坐标到心脏三维坐标的映射公式如下：
Figure BDA0003902286060000062
可以简化表示为：
X＝aX′+b
Xμ表示标测点坐标，X表示心脏三维坐标，其中系数a和系数b最终由反向传播神经网络训练获得。
因此，在根据本申请实施例的心脏三维标测重建方法中，所述标测点坐标映射到所述心脏三维坐标的映射模型为仿射模型，表示为：
X＝aX′+b
其中X′表示标测点坐标，X表示心脏三维坐标，系数a和b由所述反向传播神经网络训练获得。
具体地，所述反向传播神经网络可以包括输入层、隐含层和输出。其中激活函数采用Sigmoid函数：
Figure BDA0003902286060000071
并且损失函数的计算遵循公式：
Figure BDA0003902286060000072
其中τ表示X与aXμ+b的距离。
这里，所述反向传播神经网络的训练过程如图2所示。图2图示了根据本申请实施例的心脏三维标测重建方法中的反向传播神经网络的训练过程的示意性流程图。
如图2所示，在步骤S210，进行权值和阈值初始化。然后，在步骤S220，计算隐藏层各单元输入、输出，公式如下：
Figure BDA0003902286060000073
矩阵a和矩阵b为权值矩阵，激活函数选取sigmoid函数。
然后，在步骤S230，计算输出层各单元输入、输出，其计算方式与步骤S220中的隐藏层各单元输入、输出的计算方式相同。
之后，在步骤S240和步骤S250，分别计算输出层和中间层的误差损失函数，计算公式为：
Figure BDA0003902286060000074
其中τ表示X与aX′+b的距离。
之后，在步骤S260，进行反向传播神经网络中的损失函数的梯度的反向传播，具体地，在计算误差损失函数之后，如果误差损失函数大于设定值，则将误差损失函数进行反向传播，即求前项权值的偏导，以此达到修正权值的目的。
这样，所述反向传播神经网络通过反复进行以上计算，调整各层权值，直到误差损失函数值小于设定值，则认为标测点坐标与心脏三维坐标之间得到了最优配准映射。
因此，在根据本申请实施例的心脏三维标测重建方法中，所述反向传播神经网络包括输入层、隐含层和输出层，激活函数为Sigmoid函数：
Figure BDA0003902286060000081
并且损失函数为：
Figure BDA0003902286060000082
其中τ表示X与aX′+b的距离。
并且，在根据本申请实施例的心脏三维标测重建方法中，所述反向传播神经网络的训练过程包括：进行所述隐含层和所述输出层的权值矩阵和损失函数的阈值的初始化；计算隐藏层各单元输入和输出，和输出层各单元输入和输出；计算输出层和中间层的误差损失函数；进行反向传播神经网络中的损失函数的梯度的反向传播以更新所述隐含层和所述输出层的权值矩阵的参数。
步骤S140，通过所述映射模型将所述标测点坐标映射为更新的心脏三维坐标，并基于所述更新的心脏三维坐标重建心脏三维模型。
这里，由于心脏三维坐标通过归一化处理将数值范围映射到了[0,1]的范围内，因此，在基于所述更新的心脏三维坐标重建心脏三维模型，需要对所述更新的心脏三维坐标的坐标值进行反归一化处理，并由此重建心脏三维模型。
也就是，在根据本申请实施例的心脏三维标测重建方法中，基于所述更新的心脏三维坐标重建心脏三维模型包括：对所述更新的心脏三维坐标的坐标值进行反归一化处理。
这样，根据本申请实施例的心脏三维标测重建方法基于反向传播神经网络，采用仿射模型相较于刚性模型对坐标正交性依赖更小。并且，同时，通过误差损失函数的反向传播来对标测点坐标和心脏三位坐标进行配准映射，相对于传统的配准映射算法，可以通过计算前项偏置来修正权值，计算更加合理，计算结果更加精确，有利于建立更加精确的心脏三维模型。
示例性装置
图3图示了根据本申请实施例的心脏三维标测重建装置的框图。
如图3所示，根据本申请实施例的心脏三维标测重建装置300包括：心脏坐标获取单元310，用于获取二维心脏图像并对所述心脏图像进行初步三维重建，以获取心脏三维坐标；标测点坐标获取单元320，用于采集标测点并确定标测点坐标；映射模型训练单元330，用于通过训练反向传播神经网络以获得将所述标测点坐标映射到所述心脏三维坐标的映射模型；以及，心脏模型重建单元340，用于通过所述映射模型将所述标测点坐标映射为更新的心脏三维坐标，并基于所述更新的心脏三维坐标重建心脏三维模型。
在一个示例中，在上述心脏三维标测重建装置300中，所述心脏坐标获取单元310在获取心脏三维坐标之后进一步用于：对所述心脏三维坐标进行归一化，所述归一化对所述心脏三维坐标的坐标值进行统一计算，所述坐标值的最大值和最小值为所有坐标点中的最大值和最小值。
在一个示例中，在上述心脏三维标测重建装置300中，所述映射模型训练单元330用于：基于预定标测点的标测点坐标与所述心脏三维坐标之间的距离，确定所述距离最小的心脏三维坐标为与所述预定标测点的标测点坐标对应的心脏三维坐标。
在一个示例中，在上述心脏三维标测重建装置300中，所述标测点坐标映射到所述心脏三维坐标的映射模型为仿射模型，表示为：X＝aX′+b，其中X′表示标测点坐标，X表示心脏三维坐标，系数a和b由所述反向传播神经网络训练获得。
在一个示例中，在上述心脏三维标测重建装置300中，所述反向传播神经网络包括输入层、隐含层和输出层，激活函数为Sigmoid函数：
Figure BDA0003902286060000091
并且损失函数为：
Figure BDA0003902286060000092
其中τ表示X与aX′+b的距离。
在一个示例中，在上述心脏三维标测重建装置300中，所述反向传播神经网络的训练过程包括：进行所述隐含层和所述输出层的权值矩阵和损失函数的阈值的初始化；计算隐藏层各单元输入和输出，和输出层各单元输入和输出；计算输出层和中间层的误差损失函数；以及，进行反向传播神经网络中的损失函数的梯度的反向传播以更新所述隐含层和所述输出层的权值矩阵的参数。
在一个示例中，在上述心脏三维标测重建装置300中，所述心脏模型重建单元340用于：对所述更新的心脏三维坐标的坐标值进行反归一化处理。
这里，本领域技术人员可以理解，上述心脏三维标测重建装置300中的各个单元和模块的具体功能和操作已经在上面参考图1到图2的心脏三维标测重建方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的心脏三维标测重建装置300可以实现在各种终端设备中，例如计算机、服务器等。在一个示例中，根据本申请实施例的心脏三维标测重建装置300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该心脏三维标测重建装置300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该心脏三维标测重建装置300同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该心脏三维标测重建装置300与该终端设备也可以是分立的设备，并且该心脏三维标测重建装置300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图4来描述根据本申请实施例的电子设备。
图4图示了根据本申请实施例的电子设备的框图。
如图4所示，电子设备10包括一个或多个处理器11和存储器12。
处理器13可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的心脏三维标测重建方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如心脏三维坐标、标测点坐标等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括重建的心脏三维模型等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图4中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
本申请的实施例可以具体实现为计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述部分中描述的根据本申请实施例的心脏三维标测重建方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述部分中描述的根据本申请实施例的心脏三维标测重建方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (8)

1.一种心脏三维标测重建方法，其特征在于，包括：
获取二维心脏图像并对所述心脏图像进行初步三维重建，以获取心脏三维坐标；
采集标测点并确定标测点坐标；
通过训练反向传播神经网络以获得将所述标测点坐标映射到所述心脏三维坐标的映射模型；以及
通过所述映射模型将所述标测点坐标映射为更新的心脏三维坐标，并基于所述更新的心脏三维坐标重建心脏三维模型。
2.根据权利要求1所述的心脏三维标测重建方法，其中，在获取心脏三维坐标之后进一步包括：
对所述心脏三维坐标进行归一化，所述归一化对所述心脏三维坐标的坐标值进行统一计算，所述坐标值的最大值和最小值为所有坐标点中的最大值和最小值。
3.根据权利要求1所述的心脏三维标测重建方法，其中，通过训练反向传播神经网络以获得将所述标测点坐标映射到所述心脏三维坐标的映射模型包括：
基于预定标测点的标测点坐标与所述心脏三维坐标之间的距离，确定所述距离最小的心脏三维坐标为与所述预定标测点的标测点坐标对应的心脏三维坐标。
4.根据权利要求1所述的心脏三维标测重建方法，其中，所述标测点坐标映射到所述心脏三维坐标的映射模型为仿射模型，表示为：
X＝aX′+b
其中X′表示标测点坐标，X表示心脏三维坐标，系数a和b由所述反向传播神经网络训练获得。
5.根据权利要求1所述的心脏三维标测重建方法，其中，所述反向传播神经网络包括输入层、隐含层和输出层，激活函数为Sigmoid函数：
Figure FDA0003902286050000021
并且损失函数为：
Figure FDA0003902286050000022
其中τ表示X与aX′+b的距离。
6.根据权利要求5所述的心脏三维标测重建方法，其中，所述反向传播神经网络的训练过程包括：
进行所述隐含层和所述输出层的权值矩阵和损失函数的阈值的初始化；
计算隐藏层各单元输入和输出，和输出层各单元输入和输出；
计算输出层和中间层的误差损失函数；以及，
进行反向传播神经网络中的损失函数的梯度的反向传播以更新所述隐含层和所述输出层的权值矩阵的参数。
7.根据权利要求2所述的心脏三维标测重建方法，其中，基于所述更新的心脏三维坐标重建心脏三维模型包括：
对所述更新的心脏三维坐标的坐标值进行反归一化处理。
8.一种心脏三维标测重建装置，其特征在于，包括：
心脏坐标获取单元，用于获取二维心脏图像并对所述心脏图像进行初步三维重建，以获取心脏三维坐标；
标测点坐标获取单元，用于采集标测点并确定标测点坐标；
映射模型训练单元，用于通过训练反向传播神经网络以获得将所述标测点坐标映射到所述心脏三维坐标的映射模型；以及
心脏模型重建单元，用于通过所述映射模型将所述标测点坐标映射为更新的心脏三维坐标，并基于所述更新的心脏三维坐标重建心脏三维模型。
CN202211293763.0A 2022-10-21 2022-10-21 心脏三维标测重建方法、装置和电子设备 Pending CN115546412A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211293763.0A CN115546412A (zh) 2022-10-21 2022-10-21 心脏三维标测重建方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211293763.0A CN115546412A (zh) 2022-10-21 2022-10-21 心脏三维标测重建方法、装置和电子设备

Publications (1)

Publication Number Publication Date
CN115546412A true CN115546412A (zh) 2022-12-30

Family

ID=84735598

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211293763.0A Pending CN115546412A (zh) 2022-10-21 2022-10-21 心脏三维标测重建方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN115546412A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116129060A (zh) * 2023-04-18 2023-05-16 心航路医学科技(广州)有限公司 心脏三维解剖模型构建方法和心脏三维标测系统
TWI843542B (zh) * 2023-04-27 2024-05-21 中國醫藥大學 左心耳封堵器決定方法、左心耳參數取得方法及其系統

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116129060A (zh) * 2023-04-18 2023-05-16 心航路医学科技(广州)有限公司 心脏三维解剖模型构建方法和心脏三维标测系统
TWI843542B (zh) * 2023-04-27 2024-05-21 中國醫藥大學 左心耳封堵器決定方法、左心耳參數取得方法及其系統

Similar Documents

Publication Publication Date Title
CN106456269B (zh) 对包括心脏的电传导系统的影响在内的患者特定心脏电生理的实时仿真的系统和方法
CN108431720B (zh) 用于定位纤颤源的系统和方法
JP7366623B2 (ja) ニューラルネットワークを使用したスパース位置測定による左心房形状再構成
US10483005B2 (en) System and method for characterization of electrical properties of the heart from medical images and body surface potentials
CN115546412A (zh) 心脏三维标测重建方法、装置和电子设备
US9463072B2 (en) System and method for patient specific planning and guidance of electrophysiology interventions
US10354758B2 (en) System and method for patient-specific image-based simulation of atrial electrophysiology
Li et al. Localization of the site of origin of cardiac activation by means of a heart-model-based electrocardiographic imaging approach
US10860754B2 (en) Calibration of simulated cardiograms
US11475570B2 (en) Computational simulations of anatomical structures and body surface electrode positioning
US10335238B2 (en) System and method for non-invasively estimating electrophysiological maps and measurements from cardio-thoracic 3D images and electrocardiography data
Brooks et al. Electrical imaging of the heart
US10531922B2 (en) Method for computationally predicting optimal placement sites for internal defibrillators in pediatric and congenital heart defect patients
CN116705330B (zh) 确定血管壁的弹性特征的方法、计算设备和介质
Lydiard et al. Cardiac radioablation for atrial fibrillation: target motion characterization and treatment delivery considerations
EP2540222A2 (en) Method and apparatus for diagnosing cardiac arrhythmia
CN104825133B (zh) 基于彩色多普勒3d成像的准静态心室‑心脏磁场模型
US20050228626A1 (en) System and method for health analysis
CN114224481B (zh) 用于心脏再同步治疗中的手术辅助系统及手术机器人系统
Harnod et al. A transferable in-silico augmented ischemic model for virtual myocardial perfusion imaging and myocardial infarction detection
Farina et al. Non-invasive model-based localization of ventricular ectopic centers from multichannel ECG
Comas et al. Use of a 4-d cardiac phantom to quantify Karhunen-Loeve images applied to myocardial gated spect
CN114224481A (zh) 用于心脏再同步治疗中的手术辅助系统及手术机器人系统
Cámara Vázquez Convex optimization and statistical learning for non-invasive electrical cardiac activity estimation in atrial fibrillation
Boonstra et al. Optimizing cardiac source model accuracy by incorporating endocardial electro-anatomical structures

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