CN116129060B - 心脏三维解剖模型构建方法和心脏三维标测系统 - Google Patents

Abstract

一种心脏三维解剖模型构建方法和心脏三维标测系统，获取心房样板模型及待建模心房的点云数据，该点云数据为待建模心房中部分特征点的位置坐标信息，采用仿射变换网络将待建模心房中的部分特征点映射至所述心房样板模型中，将映射至所述心房样板模型中的点云数据输入预测网络中，预测得到心房样板模型中控制特征点的位移，并根据控制特征点的位移，对心房样板模型进行变形，得到待建模心房的三维解剖模型；由此，本发明能够通过待建模心房的部分特征点的位置坐标信息，利用训练后的神经网络，构建待建模心房的三维解剖模型，并且，无需人工干预，实现全自动化构建心房三维解剖模型。

Description

心脏三维解剖模型构建方法和心脏三维标测系统

技术领域

本发明涉及心电技术领域，具体涉及一种心脏三维解剖模型构建方法和心脏三维标测系统。

背景技术

心脏标测系统是将电极导管置于心脏内，由磁场或电场来定位电极导管的位置，并通过操作电极导管，使电极紧贴心腔内壁进行空间位置取点，在操作电极导管完整的采样心脏中心房内壁每个位置点的位置坐标信息后，可以得到一个密集采样后的点云数据，再利用点云数据实现心房三维解剖模型的构建。然而，心房中还包括有一些电极导管较难进入的位置，例如左右肺静脉和心耳等位置，极大地增加了操作电极导管的难度，且可能由于采集位置点不够密集而导致构建的三维解剖模型不准确。此外，直接利用点云数据构建心房三维解剖模型还经常需要专业人员手动修改，例如，在三维解剖模型中突出静脉的位置和左上静脉与左心耳之间嵴的位置，或者给二尖瓣和三尖瓣位置开孔等。

综上，目前对心脏三维解剖模型的构建还存在需依赖大量密集采样的位置点、模型构建不准确及需要专业人员手动修改的问题。

发明内容

本发明针对上述问题，提出了一种心脏三维解剖模型构建方法和心脏三维标测系统。

根据第一方面，一种实施例中提供一种基于点云数据的心脏三维解剖模型构建方法，包括：

获取心房样板模型，所述心房样板模型为预设心房边界的三维网格模型；其中，所述心房样板模型上设有多个预设的控制特征点，所述心房样板模型跟随所述控制特征点的位移而进行变形；

获取心脏中待建模心房的点云数据，所述待建模心房的点云数据为所述待建模心房中部分特征点的位置坐标信息；

采用仿射变换网络将所述待建模心房中的所述部分特征点映射至所述心房样板模型中，得到映射至所述心房样板模型中的点云数据；

将所述映射至所述心房样板模型中的点云数据输入预测网络中，预测得到所述心房样板模型中控制特征点的位移；并根据所述控制特征点的位移，对所述心房样板模型进行变形，得到所述待建模心房的三维解剖模型。

根据第二方面，一种实施例中提供一种心脏三维标测系统，包括：

采集装置，用于获取心脏中待建模心房的点云数据；

处理器，用于执行如上述任一项实施例所述的心脏三维解剖模型构建方法，以输出所述待建模心房的三维解剖模型；

显示装置，用于显示所述待建模心房的三维解剖模型。

根据第三方面，一种实施例中提供一种计算机可读存储介质，所述介质上存储有程序，所述程序能够被处理器执行如上述任一项实施例所述的方法。

依据上述实施例的心脏三维解剖模型构建方法和心脏三维标测系统，获取心房样板模型及待建模心房的点云数据，该点云数据为待建模心房中部分特征点的位置坐标信息，采用仿射变换网络将待建模心房中的部分特征点映射至所述心房样板模型中，将映射至所述心房样板模型中的点云数据输入预测网络中，预测得到心房样板模型中控制特征点的位移，并根据控制特征点的位移，对心房样板模型进行变形，得到待建模心房的三维解剖模型；由此，本发明能够通过待建模心房的部分特征点的位置坐标信息，利用训练后的神经网络，构建待建模心房的三维解剖模型，并且，无需人工干预，实现全自动化构建心房三维解剖模型。

附图说明

图1为本发明实施例的一种基于点云数据的心脏三维解剖模型构建方法的流程图；

图2为一种实施例的心脏三维解剖模型构建方法的具体流程图；

图3为本发明实施例的一种心脏三维标测系统的结构示意图。

具体实施方式

下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。

另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。

本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本申请所说“连接”、“联接”，如无特别说明，均包括直接和间接连接（联接）。

下面为本发明实施例所涉及的文献：

文献1：一种高分辨率三维曲面构造算法（Lorensen, W.E.,&Cline, H.E.(1987). Marching cubes: A high resolution 3D surface constructionalgorithm.Proceedings of the 14th annual conference on Computer graphics andinteractive techniques.）；

文献2：一种实时形状变形的线性子空间设计方法（Wang, Y., Jacobson, A.,Barbič, J.,&Kavan, L. (2015). Linear subspace design for real-time shapedeformation. ACM Transactions on Graphics (TOG), 34, 1 - 11.）；

文献3：一种基于患者图像深度学习模拟生成心脏网格的方法（Kong, F.,&Shadden, S.C. (2022). Learning Whole Heart Mesh Generation From PatientImagesfor Computational Simulations. IEEE Transactions on Medical Imaging,42, 533-545.）；

文献4：一种度量空间中点集上的深度层次特征学习方法（Qi, C., Yi, L., Su,H.,&Guibas, L.J. (2017). PointNet++: Deep Hierarchical Feature Learning onPoint Sets in a Metric Space. NIPS.）；

文献5：一种用于3D分类和分割的点集深度学习方法（Qi, C., Su, H., Mo, K.,&Guibas, L.J. (2016). PointNet: Deep Learning on Point Sets for 3DClassification andSegmentation. 2017 IEEE Conference on Computer Vision andPattern Recognition(CVPR), 77-85.）。

在本发明实施例中，根据提前预建好的心房样板模型及少量采集的心房内特征点的位置坐标信息，能够重建得到一个完整、较为准确的心房三维解剖模型。

请参考图1，本发明实施例提供了一种基于点云数据的心脏三维解剖模型构建方法，以下简称心脏三维解剖模型构建方法，心脏三维解剖模型方法包括步骤101至步骤104，下面详细说明。

步骤101：获取心房样板模型，其中，心房样板模型为预设心房边界的三维网格模型，心房样板模型上设有多个预设的控制特征点，心房样板模型跟随所述控制特征点的位移而进行变形。

本实施例中的心房样板模型为预先构建的一个已知的并符合后续电生理分析要求的心房三维网格模型样板，其可以通过多种现有的方式进行构建，本实施例提供了以下构建方式：

选取一个心脏CT扫描图像，从该心脏CT扫描图像中分割出心脏中左心房、右心房的解剖结构，并将分割出的解剖结构转换为三维网格模型，本实施例可以采用Marchingcube（文献1）的方法提取等值面来得到表示心房边界的三维网格模型，该三维网格模型即为心房样板模型。在心房样板模型的网格表面还需选取一些关键点作为控制特征点，这些控制特征点与心房样板模型的网格各点间位置具有一定的线性映射关系，以使控制特征点可用于控制心房样板模型的网格形变，也即是，控制特征点的位移与心房样板模型的各个网格顶点的位移具有线性映射关系，其可以通过Biharmonic coordinates（文献2）来计算得到。在一实施例中，可以通过求解一个涉及biharmonic方程的优化问题来计算得到一个将每个控制特征点与每个网格顶点位移联系起来的线性映射关系（W∈R^(n×c)），其中n表示心房样板模型的网格顶点的个数，c表示心房样板模型中控制特征点的个数，R^(n×c)表示心房样板模型的网格顶点和心房样板模型中控制特征点的映射集合，心房样板模型的网格顶点可以跟随控制特征点的坐标变化来进行平滑的形变，假设心房样板模型的网格顶点的坐标为 P∈R^(n×3)，R^(n×3)表示心房样板模型的网格顶点的位置坐标信息集合，控制特征点的坐标为 Q∈R^(c×3)，R^(c×3)表示控制特征点的位置坐标信息集合，那么网格顶点的坐标和控制特征点的坐标满足P = WQ。假设矩阵S∈R^(c×n)表示从P中选取Q，则应满足线性限制条件SP=Q。

此外，对于控制特征点的选取，可以根据情况按照多种方式进行选取，例如，可以在心房样板模型的网格表面均匀选取多个点作为控制特征点，也可以选取重要心房中重要位置的点作为控制特征点，例如肺静脉入口、心房顶部等。

步骤102：获取心脏中待建模心房的点云数据，其中，待建模心房的点云数据为待建模心房中部分特征点的位置坐标信息。待建模心房可以为心脏中的左心房或右心房。本实施例采用电极导管和/或电极贴片来采集待建模心房中的特征点的位置坐标信息，可以单独利用电极导管采集心房内特征点的位置坐标信息，也可以利用电极导管和电极贴片结合的方式采集心房内特征点的位置坐标信息，其中，电极导管为一种带有一个或多个电极的导管，其通过将导管插入心腔内并移动电极来采集心房内特征点的位置坐标信息，电极贴片则通过贴在被检测体的胸部或背部来实现导管携带电极的位置定位，使得电极导管能够采集到较为准确的特征点的位置坐标信息。

需要说明的是，本实施例中采集的待建模心房的特征点是少量的特征点，无需操作电极导管去进行密集采集。

步骤103：采用仿射变换网络将待建模心房中的部分特征点映射至心房样板模型中，得到映射至心房样板模型中的点云数据。将步骤101和步骤102获取的心房样板模型和点云数据作为仿射变换网络的输入，仿射变换网络输出映射至心房样板模型中的点云数据。

在将点云数据输入仿射变换网络之前，还需要对步骤102获取的点云数据进行归一化处理，其将点云数据中各个特征点的坐标减去点云数据的质心坐标并除以距离质心的最大半径，这样可得到归一化后的点云数据。将归一化后的点云数据输入至仿射变换网络，本实施例采用一个全连接的神经网络来预测点云数据中各个特征点所表示的心房模型与心房样板模型之间的仿射变换，从而将输入的点云数据中的各个特征点映射至心房样板模型中。

在一实施例中，采用仿射变换网络将待建模心房中的所述部分特征点映射至所述心房样板模型中，得到映射至所述心房样板模型中的点云数据包括：

对待建模心房的点云数据进行归一化处理。

将归一化处理后的点云数据输入至全连接神经网络，以预测得到待建模心房和所述心房样板模型之间的仿射变换矩阵。

根据预测得到的仿射变换矩阵，将待建模心房中的部分特征点映射至所述心房样板模型中，得到映射至心房样板模型中的点云数据。

其中，该仿射变换网络包括ReLU激活函数和批标准化层（batch normalization）。如果此仿射变换网络所表示的函数为f，则 f：R^(m×3)→R^q，σ=f_θ(Q，V_init)，其中m表示输入至仿射变换网络的点云数据中特征点的个数，R^(m×3)表示输入至仿射变换网络的点云数据集合，q表示所描述的仿射变换所需要的参数个数，R^q表示仿射变换所需参数的集合，σ 是仿射变换的参数，θ是仿射变换网络的参数。通常一个任意的仿射变换需要12个参数来表示，但是参数的个数也可以根据需求来降低，比如，如果所采集的点云数据对应的心房大致与心房样板模型在一个方向，因此大致对齐心房样板模型仅需要调整点云数据所表示心房的大小，那么就仅需要3个分别在x、y、z方向上表示缩放的参数，而不需要其他表示旋转的参数。最后，仿射变换网络输出的参数将被转化为对应的仿射变换矩阵来将输入的点云数据中的特征点映射到心房样板模型中。

步骤104：将映射至心房样板模型中的点云数据输入预测网络中，预测得到心房样板模型中控制特征点的位移；并根据控制特征点的位移，对心房样板模型进行变形，得到待建模心房的三维解剖模型。

在本实施例中，将点云数据映射至心房样板模型中后，会被输入至预测网络中，预测网络用于预测心房样板模型中控制特征点的位移，将控制特征点的位移和心房样板模型中控制特征点的初始位置进行相加即可对心房样板模型进行变形，基于变形后的心房样板模型和最初输入的点云数据得到待建模心房的三维解剖模型，即V _p =(T ₁ ^-1(WP _init +ΔP) ^T ) ^T ，其中T ₁ ^-1为仿射变换网络所输出的仿射变换的逆变换，V _p 表示待建模心房的三维解剖模型的网格顶点坐标，ΔP表示控制特征点的位移，P _init 表示控制特征点的初始位置。

在一实施例中，预测网络可以采用类似PointNet++结构（文献4）的神经网络，PointNet++神经网络包括多个点集抽象（Set Abstraction）模块，将映射至心房样板模型中的点云数据输入预测网络中，预测得到心房样板模型中控制特征点的位移包括：

将映射至心房样板模型中的点云数据输入至第一个点集抽象模块，再将第一个点集抽象模块输出的数据输入至第二个点集抽象模块中，以此类推，最后一个点集抽象模块输出的数据为预测得到的所述心房样板模型中控制特征点的位移。

其中，在每一个点集抽象模块中，执行如下操作：

在输入的数据中随机采样k个点，并以每个采样到的点作为中心点，在中心点的指定半径的球体内选择m个点；将每个采样到的点对应的m个点作为一组点；提取每组点的特征信息，本实施例可以按照文献5所提供的方式提取特征信息，并利用最大池化操作，得到每个采样到的点对应的全局特征信息；输出所采样的k个点和每个采样到的点对应的全局特征信息。

需要说明的是，本实施例中的预测网络并不同于典型的PointNet++结构的神经网络用最远点采样的方法来从输入的点云数据中随机采样点，本实施例中的预测网络在心房样板模型中用最远点采样的方法来选取指定个数的中心点来对输入的特征点进行分组。由于中心点是可以在心房样板模型中预选取的，在训练和测试过程中便不需要最远点采样的计算，节省了时间，同时，在心房样板模型上直接采中心点而不是在输入的数据中可以确保最终的位移是以控制特征点为中心进行预测的，因此提高了预测的准确性。

综上，本发明实施例提供的心脏三维解剖模型构建方法需要利用仿射变换网络和预测网络，因此，在使用仿射变换网络和预测网络之前，需要先对其进行训练，训练过程如下：

（1）构建训练数据：训练数据包括两部分内容，一部分为心房三维解剖模型的基准真值，另一部分为用于训练的点云数据；对于心房三维解剖模型的基准真值的获取，可以多个心脏CT图像，然后使用现有的机器学习方法（文献3）从多个心脏CT图像中提取用三维网格表示的心房三维解剖模型，将这些从心脏CT图像中提取出的心房三维解剖模型作为训练的基准真值；对于用于训练的点云数据，可以通过模拟电极在心房内取点的过程随机生成点云数据作为用于训练的点云数据。其中，模拟电极在心房内取点的过程随机生成点云数据可以为:由于不同样式电极的形状（线状、网状）皆可用数学解析表示，通过模拟电极在心房中的运动轨迹，可以及时记录电极的坐标，即得到点云数据，电极的运动轨迹可以包括通过平移和旋转到达肺静脉入口和其他心房关键位置，同时，还通过电极的运动轨迹还加入了一定的随机性来模拟实际操作中的不确定性。

将所有的训练数据按比例分为训练集、验证集和测试集，其中，训练集用于训练神经网络并优化其的参数，验证集用来调整该深度学习方法的超参数，测试集用来验证点云网格化的准确性。同时，本发明实施例的训练数据中也可以包含真实采集的心房点云数据来进一步测试训练好的神经网络。

（2）使用训练数据对仿射变换网络和预测网络进行参数优化。

对于仿射变换网络的优化，仿射变换网络为一个全连接神经网络，其根据第一损失函数采用反向传播算法进行训练得到的，所述第一损失函数根据如下表达式确定：

L ₁=||V _init －（T ₁ V ^T _groundtruth ） ^T ||² ₂，

其中，L ₁表示第一损失函数的值，V _init 表示心房样板模型中各个网格顶点的位置坐标信息对应的矩阵，T ₁表示仿射变换矩阵，V _groundtruth 表示待建模心房对应的三维网络模型中各个网格顶点的坐标真值对应的矩阵，|| ||² ₂表示欧几里得范数的平方。

对于预测网络的优化，预测网络是根据第二损失函数采用反向传播算法进行训练得到的，第二损失函数根据如下表达式确定：

L ₂=||V _p －V _groundtruth ||² ₂，

其中，L ₂表示第二损失函数的值，V _p 表示待建模心房的三维网格模型中各个网格顶点的坐标预测值对应的矩阵，V _groundtruth 表示待建模心房对应的三维解剖模型中各个网格顶点的坐标真值对应的矩阵，|| ||² ₂表示欧几里得范数的平方。

根据第一损失函数和第二损失函数，总的损失函数L=L ₁+L ₂，可以采用随机梯度下降的训练方法进行训练。

请参考图2，本发明实施例将采集的心脏中待建模心房的点云数据和心房样板模型（STN）输入仿射变换网络（f）中进行仿射变换，仿射变换网络（f）输出仿射变换后的点云数据，仿射变换后的点云数据为映射至心房样板模型中的点云数据，将仿射变换后的点云数据输入预测网络（PointNet++）中，预测网络（PointNet++）输出预测得到的控制特征点的位移（△P），再根据心房样板模型中控制特征点的初始位置，确定移动后的控制特征点的位置，得到形变后的心房样板模型，最后，基于形变后的心房样板模型和初始采集的心脏中待建模心房的点云数据（对仿射变换后的点云数据进行仿射变换的逆变换T ₁ ^-1），得到最终的待建模心房的三维解剖模型。

请参考图3，本发明实施例还提供了一种心脏三维标测系统，心脏三维标测系统包括：采集装置201、处理器202和显示装置203，采集装置201用于获取心脏中待建模心房的点云数据，处理器202可以用于执行上述任一实施例所提供的基于点云数据的心脏三维解剖模型构建方法。显示装置203用于显示心房三维解剖模型。

采集装置201可以为电极导管和/或电极贴片，其可以单独利用电极导管采集心房内特征点的位置坐标信息，也可以利用电极导管和电极贴片结合的方式采集心房内特征点的位置坐标信息，其中，电极导管为一种带有一个或多个电极的导管，其通过将导管插入心腔内并移动电极来采集心房内特征点的位置坐标信息，电极贴片则通过贴在被检测体的胸部或背部来实现导管携带电极的位置定位，使得电极导管能够采集到较为准确的特征点的位置坐标信息。处理器202可以是一种集成电路芯片，具有信号的处理能力。上述的处理器202可以是通用处理器，包括中央处理器(Central Processing Unit，简称：CPU)、网络处理器(Network Processor，简称：NP)等。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。显示装置203可以为能够实现人机交互功能的装置，其既能够显示心房三维解剖模型，也能够实现接收用户输入命令等功能，例如触摸显示屏等装置，此外，显示装置203也可以单独只显示心房三维解剖模型。

可以理解，图3的结构仅为示意，还可以包括比图3中所示更多或者更少的组件，或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件和/或软件实现。例如心脏三维标测系统还可以包括存储器（图中未示出），用于存储采集到的目标物体结构化的三维图像数据，用于存储可以被处理器202执行以实现上述任一方法实施例提供的心脏三维解剖模型构建方法的技术方案的计算机程序。存储器可以是，但不限于，随机存取存储器(Random Access Memory，简称：RAM)，只读存储器(Read Only Memory，简称：ROM)，可编程只读存储器(Programmable Read-Only Memory，简称：PROM)，可擦除只读存储器(ErasableProgrammableRead-Only Memory，简称：EPROM)，电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory，简称：EEPROM)等。

本领域技术人员可以理解，上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现，也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器、随机存储器、磁盘、光盘、硬盘等，通过计算机执行该程序以实现上述功能。例如，将程序存储在设备的存储器中，当通过处理器执行存储器中程序，即可实现上述全部或部分功能。另外，当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中，通过下载或复制保存到本地设备的存储器中，或对本地设备的系统进行版本更新，当通过处理器执行存储器中的程序时，即可实现上述实施方式中全部或部分功能。

以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。

Claims (10)

1.一种基于点云数据的心脏三维解剖模型构建方法，其特征在于，包括：

获取心房样板模型，所述心房样板模型为预设心房边界的三维网格模型；其中，所述心房样板模型上设有多个预设的控制特征点，所述心房样板模型跟随所述控制特征点的位移而进行变形；

获取心脏中待建模心房的点云数据，所述待建模心房的点云数据为所述待建模心房中部分特征点的位置坐标信息；

采用仿射变换网络将所述待建模心房中的所述部分特征点映射至所述心房样板模型中，得到映射至所述心房样板模型中的点云数据；

将所述映射至所述心房样板模型中的点云数据输入预测网络中，预测得到所述心房样板模型中控制特征点的位移；并根据所述控制特征点的位移，对所述心房样板模型进行变形，得到所述待建模心房的三维解剖模型。

2.如权利要求1所述的方法，其特征在于，所述控制特征点的位移与所述心房样板模型中各个网格顶点的位移具有线性映射关系。

3.如权利要求1所述的方法，其特征在于，所述获取心脏中待建模心房的点云数据包括：

利用电极采集待建模心房中部分特征点的位置坐标信息，得到所述待建模心房的点云数据。

4.如权利要求1所述的方法，其特征在于，采用仿射变换网络将所述待建模心房中的所述部分特征点映射至所述心房样板模型中，得到映射至所述心房样板模型中的点云数据包括：

对所述待建模心房的点云数据进行归一化处理；

将归一化处理后的点云数据输入至全连接神经网络，以预测得到所述待建模心房和所述心房样板模型之间的仿射变换矩阵；

根据预测得到的所述仿射变换矩阵，将所述待建模心房中的所述部分特征点映射至所述心房样板模型中，得到映射至所述心房样板模型中的点云数据。

5.如权利要求4所述的方法，其特征在于，所述全连接神经网络是根据第一损失函数采用反向传播算法进行训练得到的，所述第一损失函数根据如下表达式确定：

L ₁=||V _init －（T ₁ V ^T _groundtruth ） ^T ||² ₂，

其中，L ₁表示第一损失函数的值，V _init 表示所述心房样板模型中各个网格顶点的位置坐标信息对应的矩阵，T ₁表示仿射变换矩阵，V _groundtruth 表示所述待建模心房对应的三维网络模型中各个网格顶点的坐标真值对应的矩阵，|| ||² ₂表示欧几里得范数的平方。

6.如权利要求1所述的方法，其特征在于，所述预测网络包括多个点集抽象模块；将所述映射至所述心房样板模型中的点云数据输入预测网络中，预测得到所述心房样板模型中控制特征点的位移包括：

将映射至所述心房样板模型中的点云数据输入至第一个点集抽象模块，再将第一个点集抽象模块输出的数据输入至第二个点集抽象模块中，以此类推，最后一个点集抽象模块输出的数据为预测得到的所述心房样板模型中控制特征点的位移；

其中，在每一个点集抽象模块中，执行如下操作：

在输入的数据中随机采样k个点，并以每个采样到的点作为中心点，在中心点的指定半径的球体内选择m个点；将每个采样到的点对应的m个点作为一组点；提取每组点的特征信息，并利用最大池化操作，得到每个采样到的点对应的全局特征信息；输出所采样的k个点和每个采样到的点对应的全局特征信息。

7.如权利要求6所述的方法，其特征在于，所述预测网络是根据第二损失函数采用反向传播算法进行训练得到的，所述第二损失函数根据如下表达式确定：

L ₂=||V _p －V _groundtruth ||² ₂，

其中，L ₂表示第二损失函数的值，V _p 表示所述待建模心房的三维网格模型中各个网格顶点的坐标预测值对应的矩阵，V _groundtruth 表示所述待建模心房对应的三维解剖模型中各个网格顶点的坐标真值对应的矩阵，|| ||² ₂表示欧几里得范数的平方。

8.一种心脏三维标测系统，其特征在于，包括：

采集装置，用于获取心脏中待建模心房的点云数据；

处理器，用于执行如权利要求1-7中任一项所述的心脏三维解剖模型构建方法，以输出所述待建模心房的三维解剖模型；

显示装置，用于显示所述待建模心房的三维解剖模型。

9.如权利要求8所述的心脏三维标测系统，其特征在于，所述采集装置包括电极导管和/或电极贴片。

10.一种计算机可读存储介质，其特征在于，所述介质上存储有程序，所述程序能够被处理器执行以实现如权利要求1-7中任一项所述的方法。

Images