CN116685284A

CN116685284A - 生成用于跟踪电极的位置的映射函数

Info

Publication number: CN116685284A
Application number: CN202180088753.0A
Authority: CN
Inventors: R·R·维尔德布尔; B·H·W·亨德里克斯; R·J·M·扬森; D·舍费尔
Original assignee: Koninklijke Philips NV
Current assignee: Koninklijke Philips NV
Priority date: 2020-12-31
Filing date: 2021-12-20
Publication date: 2023-09-01
Also published as: US20230397958A1; WO2022144198A1; EP4023182A1; DE112021006734T5

Abstract

一种用于生成映射函数的机制，所述映射函数用于将在交叉电场内的电极处进行的测量映射到多维坐标系内的一个或多个位置。使用第一机器学习算法生成针对映射函数的系数的值，所述第一机器学习算法接收电极的示例测量(或响应)作为输入，并且提供针对所述映射函数的系数的值作为输出。提出了一种用于执行该机制的方法和处理系统。

Description

生成用于跟踪电极的位置的映射函数

技术领域

本发明涉及电极位置跟踪领域，并且特别地，涉及便于在交叉电场内跟踪电极的映射函数。

背景技术

对对象内的电极(或多个电极)的位置的准确跟踪对于对对象执行准确且安全的侵入性手术变得越来越重要。

在基于电场的电极跟踪系统中，两个或更多个交叉电场由被定位于对象外部(诸如对象的表面上)的电极(“外部电极”)阵列引起。这些电场在被放置在身体内的电极(“内部电极”)内引起位置相关的响应，诸如电压响应。因此，可以通过监测电极对这些电场的响应来跟踪内部电极的位置。特别地，可以使用适当的映射函数将内部电极的电响应映射到多维(欧几里德/笛卡尔)坐标系内的位置。

跟踪电极的位置重要的一个场景是在消融程序中，其中，介入设备(例如，导管或可以安装这样的电极的其他设备)的正确定位对于最小化对对象的无意损伤(诸如由在不正确的位置处执行消融引起的损伤)是重要的。

准确跟踪电极位置重要的另一场景是在医学成像中，这是对对象进行诊断和/或处置的关键要素。介电成像过程包括跟踪并迭代地记录一个或多个内部电极的位置，并且基于记录的位置(重新)构建对象的内部解剖结构的解剖模型。解剖模型的构建是可能的，因为可以假设内部电极将仅位于对象的腔内，从而允许构建腔的边界。

具有公开号EP3568068A1的欧洲专利申请公开了用于基于内部电极对由外部电极引起的交叉电场的响应来构建对象的内部解剖结构的模型的合适机制的一个示例。

持续期望改进用于将内部电极的(对交叉电场的)电响应转换为多维坐标系中的位置的映射函数。这将改进跟踪电极的位置的准确性和/或通过处理跟踪的位置而生成的任何解剖模型的准确性。

发明内容

本发明由权利要求限定。

根据依据本公开的一个方面的示例，提供了一种用于生成映射函数的计算机实施的方法，所述映射函数将电极对对象内的交叉电场的响应映射到多维坐标空间中的位置。

所述计算机实施的方法包括：获得被安装(包括)在介入设备上的一个或多个电极对在所述对象内引起的所述交叉电场的电响应(的集合)；使用第一机器学习算法来处理所获得的电响应(的集合)，以获得针对所述映射函数的相应的一个或多个参数的一个或多个值；并且基于所获得的针对所述映射函数的所述相应的一个或多个参数的一个或多个值来定义所述映射函数。所述机器学习算法是经训练的机器学习算法，使得基于其电响应的输入，其输出映射函数的相关联的参数。

本公开利用机器学习算法来确定用于将电极的响应(例如，电压响应)变换到多维坐标空间内的位置的映射函数的参数和/或特性。特别地，第一机器学习算法确定针对所述映射函数的参数(例如系数)的值。

常规地，如例如在EP3568068Al中所公开的，使用最小化函数来确定针对映射函数的参数的值，例如使得由映射函数预测的位置符合电极的已知特性(诸如两个或更多个电极之间的距离或间隔)。另一种方法可以是使用解析解来确定针对参数的值，例如使用线性回归。这可能是耗时的和/或导致更不精确的映射函数。

本公开内容认识到，可以使用机器学习算法代替预先存在的方法来计算针对映射函数的参数的值。在本文中认识到，这种方法改进了(准确地)计算映射函数的参数/系数的值所需的速度和/或计算处理能力。由此，可以提供改进的解剖标测和/或介入设备跟踪和导航。例如，可以提供更快且最终实时的这样特征。

由此，所提出的方法通过使用机器学习算法定义参数的值(例如，映射函数的变量的权重或系数)来提供用于改进映射函数和/或生成映射函数的机制。这提供了用于生成映射函数的改进方法。在此背景下的变量基于输入数据(例如，电极响应数据，诸如例如电压、电流或阻抗数据)。这样的响应数据可以如本文定义的那样根据感测两个或更多个交叉电场来获得。

通常，映射函数利用定义的变量集合和相关联的参数集合。因此，映射函数的类型可以由其变量集合和/或其参数集合来定义。对于特定定义类型的映射函数，经训练的第一机器学习算法可以用于在被馈送有变量的值的集合时基于一个或多个电响应馈送来找到针对参数的值的最佳集合。

在一些示例中，可以获得例如具有针对特定参数(例如，权重或系数)的模板、空白或预定值的初始映射函数。第一机器学习算法可以定义通用映射函数的权重/系数(或其他参数)的值，以有效地调谐针对特定用例场景的通用映射函数。

所述第一机器学习算法可以特定于所述介入设备的类型和/或所述介入设备的其他性质。该实施例认识到介入设备的性质对应当如何生成映射函数具有影响，因为由映射函数预测的不同位置之间的关系将根据介入设备而不同。在特定示例中，第一机器学习算法取决于介入设备的几何性质、电性质和/或机械性质，并且特别地，取决于被安装在介入设备上的电极之间的间距。

所述方法还可以包括获得初始映射函数的步骤，并且定义所述映射函数的步骤可以包括基于所获得的一个或多个值来定义所述初始映射函数的一个或多个参数。

在一些示例中，所述初始映射函数特定于所述介入设备的类型和/或所获得的电响应。优选地，所述第一机器学习取决于所述初始映射函数。

所述方法还可以包括以下步骤：通过使用第二机器学习算法处理所获得的电响应来获得所述第一机器学习算法，以识别多个潜在的第一机器学习算法中的一个来用作所述第一机器学习算法。

因此，可以使用第二(不同的)机器学习算法来预测应该使用哪个第一机器学习算法来生成针对映射函数的参数的值(例如，通用或基本映射函数的权重/系数的值)。

该方法促进了用于选择适当的第一机器学习算法以用于生成映射函数的简单且自动化的方法。继而，这提供了用于生成针对所生成的映射函数的值的更准确的机制。

当然，可以采用用于获得第一机器学习算法的其他方法，例如，使用单个第一机器学习算法、使用查找表(例如，将关于介入设备的信息与特定的第一机器学习算法相关)、使用用例集决策树(use-set decision tree)等。

在一些示例中，获得所述第一机器学习算法的所述步骤包括：使用所述第二机器学习算法来处理所获得的电响应以识别所述介入设备的类型；并且基于所识别的所述介入设备的类型来识别哪个潜在的第一机器学习算法用作所述第一机器学习算法。

该实施例认识到，在生成针对映射函数的值时应当不同地处置不同类型的介入设备。该实施例还认识到，可以基于由介入设备生成的电响应来预测介入设备的类型(例如，由于不同介入设备之间的电响应之间的关系的差异等)。

替代方法可以是使用查找表等(例如，将电响应映射到一种类型的介入设备)。又一种方法可以是接收指示介入设备的类型的用户输入或自动传送的输入(设备标识符)，并且基于所识别的介入设备的类型来识别要用作第一机器学习算法的潜在的第一机器学习算法。自动传送的标识符可以在设备连接到如本文定义的处理系统时传送，所述设备在连接时主动发送这样的标识符，或者在连接时处理系统从设备检索这样的标识符。

任选地，处理所获得的电响应的步骤包括：对所获得的电响应进行归一化；并且使用第一机器学习算法处理经归一化的获得的电响应，以获得针对映射函数的相应的一个或多个参数的一个或多个值。对所获得的电响应进行归一化意味着它们更容易用作网络输入，并且特别地，可以防止机器学习算法的“爆炸”。

可以以其他方式/另外地对所获得的电响应执行其他预处理步骤，例如，居中/集中、噪声去除、移动补偿、截断、滤波等。这些方法可以使电响应更容易被机器学习算法解读，并且改进机器学习算法的输出的准确性。

获得电响应的所述步骤可以包括从被安装在被定位在所述对象内的介入设备上的两个或更多个电极获得所述电响应中的至少一些。在其他示例中，从存储被安装在介入设备上的两个或更多个电极的电响应的存储器获得电响应。当然，可以使用这两种方法的组合(例如，可以从介入设备和/或存储器获得电响应)。

优选地，使用计算机生成的合成电响应来训练第一机器学习算法。当然，仅使用合成电响应来训练第一机器学习算法不是必需的(例如，除了合成电响应之外或代替合成电响应，可以使用“真实”或输入电响应)。在任何情况下，用于训练的电响应的集合被标记或注释有参数值的集合，当用于预定义的映射函数时，所述参数值的集合引起映射函数给出电响应到多变量坐标空间中的位置的良好映射。

所述电响应可以是所述一个或多个电极在所述对象的解剖学周期的预定部分内的电响应。解剖学周期是对象的任何可预测的周期运动或移动，诸如心动周期或呼吸周期。对象的其他合适的可预测解剖学周期对于本领域技术人员将是显而易见的。

该实施例认识到，最适当的映射函数(用于位置的准确预测)可以在对象的解剖学周期期间改变，例如，由于在解剖学周期期间对象的介电性质的改变，这导致位于对象中的相同位置处的电极的电响应的改变。

通过有效地门控所获得的电响应(即，使得它们仅对应于解剖学周期的预定部分)，可以使映射函数特定于解剖学周期的特定部分，以改进跟踪交叉电场内的电极的位置的一致性和准确性。

在一些示例中，电响应被滤波和/或修改以例如通过使用运动补偿来补偿在解剖学周期的过程期间的电响应的行为响应(即，预期变化)。

在特定示例中，可以针对解剖学周期的不同部分产生或生成不同的映射函数。因此，可以使用针对解剖学周期的不同部分的不同电响应来重复所描述的方法。这种方法便于更连续地跟踪电极的位置。

在一些实施例中，所述第一机器学习算法取决于所述对象的所述解剖学周期的所述预定部分。

第一机器学习算法可以包括递归神经网络、卷积神经网络和/或深度展开网络。其他合适形式的机器学习算法对于本领域技术人员将是显而易见的。

还提出了一种识别对象内的电极在多维坐标空间中的位置的计算机实施的方法。

所述计算机实施的方法包括：获得映射函数，诸如使用本文描述的方法生成的映射函数；获得电极对所述对象内的交叉电场的所述电响应；并且通过使用所述映射函数处理所述电极的所述电响应来确定所述电极在多维坐标空间中的位置。在本发明构思的其他方面中，可以使用其他映射函数(例如，使用常规方法生成的)。

所述方法还可以包括：获得对所述交叉电场内的元件的一个或多个介电性质和/或所述介入设备和/或电极的性质的变化进行响应的指示数据；并且响应于指示变化的所述指示数据，例如通过执行本文描述的方法来重新生成映射函数。

该实施例认识到，交叉电场内的元件的介电性质的变化(例如，由于消融等引起的解剖结构的变化)或介入设备(例如，冷冻球囊的膨胀)影响映射函数的准确性。通过响应于这种变化而重新生成映射函数，可以维持/保留映射函数的准确性。

还提出了一种生成解剖腔的解剖模型的计算机实施的方法，所述计算机实施的方法包括：通过执行本文描述的方法来迭代地识别一个或多个电极在解剖腔内的位置；并且通过处理所述一个或多个电极的所识别的位置来生成所述解剖腔的解剖模型。用于基于解剖腔内的电极(或多个电极)的记录位置来生成解剖模型的机制对本领域技术人员来说是众所周知的。

还提出了一种计算机程序产品，包括计算机程序代码单元，所述计算机程序代码单元当在具有处理系统的计算设备上运行时使所述处理系统执行本文描述的任何方法的所有步骤。

类似地，还提出了一种包括指令的计算机可读(存储)介质，所述指令在由计算机或处理系统运行时引起所述计算机或处理系统执行本文描述的任何方法(的步骤)。还提出了一种其上存储有先前描述的计算机程序(产品)的计算机可读数据载体。还提出了一种承载先前描述的计算机程序(产品)的数据载体信号。

还提出了一种用于生成映射函数的处理系统，所述映射函数将电极对对象内的交叉电场的响应映射到多维坐标空间中的位置。

所述处理系统被配置为：在输入接口处获得被安装在介入设备上的一个或多个电极对在所述对象内引起的所述交叉电场的电响应；使用第一机器学习算法来处理所获得的电响应，以获得针对所述映射函数的相应的一个或多个参数的一个或多个值；并且基于所获得的针对所述映射函数的所述相应的一个或多个参数的一个或多个值来定义所述映射函数。

所述处理系统还可以被配置为使用所定义的映射函数来处理接收到的对多坐标空间中的位置的电响应。

本文定义的处理系统可以是映射系统的一部分。这样的映射系统还可以包括电场生成系统，所述电场生成系统包括用于为电极的集合生成电信号的电场发生器，所述电极的集合被配置为在使用时提供交叉电场。任选地，所述映射系统可以包括以下中的一个或多个：介入设备，其具有被配置为连接到所述处理系统的一个或多个电极；以及用于在对象的感兴趣区域内生成交叉电场的电极的集合，所述电极的集合被配置为连接到所述电场生成系统。

根据本公开，提供了一种用于生成经训练的第一机器学习算法的计算机实施的方法，所述经训练的第一机器学习算法能够提供针对映射函数的相应的一个或多个参数的值。所述映射函数被配置用于将表示感兴趣对象内的交叉场的电响应变换到多维坐标空间中的位置。所述方法包括接收训练数据集的步骤，其中，所述训练数据集包括电响应的一个或多个集合，每个集合被注释有针对映射函数的一个或多个参数的相关联值，所述映射函数能够将所述电响应的集合变换到所述多维坐标空间中的代表性位置的集合。所述方法还包括使用学习方法使机器学习算法经受所述训练数据以提供经训练的机器学习算法的步骤，所述经训练的机器学习算法包括经训练的机器学习算法参数，所述经训练的机器学习算法参数被优化用于基于电响应的集合的输入来输出针对所述映射函数的所述一个或多个参数的预测值。所述方法还包括提供所述经训练的机器学习算法或所述经训练的机器学习算法的任选步骤。

还提出了一种使用训练数据集训练机器学习算法以提供映射函数的参数的方法。所述训练数据集包括如本文定义的电响应的多个集合。响应的每个集合被标记或注释有针对特定电响应的集合的适当映射函数的参数值。该训练方法可以包括使用训练数据集的监督学习或由使用训练数据集的监督学习组成。监督训练基于由机器学习算法针对电响应的集合预测的参数集合与针对电响应的集合的标记参数集合之间的差异(误差)的迭代减少。可以采用用于这种或其他训练的已知方法。

在用于训练机器学习算法的计算机实施的方法的一些示例中，所述电响应的一个或多个集合包括仅利用一种类型的电极配置获得的电响应。例如，电极配置可以是具有一个或多个电极的配置，所述一个或更多个电极被设置在导管的线性远端部分上、或者被设置在基于球囊或样条线或网格型导管上。可以使用一种特定类型的介入设备来获得响应。因此，可以提供针对该类型的设备优化的映射函数，同时它适用于许多对象。

训练数据集优选地还包括另外的标签，诸如导管的类型、或电极的相互距离和/或相互取向。学习数据集可以是使用数学模型生成的合成集，所述数学模型用于计算在解剖结构模型内的电极上引起的电场及其响应。替代地或另外地，关于真实解剖结构的实际测量数据结合映射函数的优化参数可以用于学习数据。也可以使用本领域中已知的其他类型的训练。

训练方法可以在包括计算机程序代码单元的计算机程序产品中实施，所述计算机程序代码单元当在具有处理系统的计算设备上运行时使处理系统执行如权利要求中或本文中以其他方式定义的方法的步骤。计算机程序产品可以存储在诸如非瞬态计算机可读介质或存储设备的计算机可读介质上。

本领域技术人员将能够容易地适配处理系统和映射系统以执行本文描述的任何方法，并且反之亦然。

本公开的这些和其他方面将参考下文描述的(一个或多个)实施例变得显而易见并将参考下文描述的(一个或多个)实施例得以阐述。

附图说明

为了更好地理解本公开并且为了更清楚地示出它可以如何被实施，现在将会仅以示例的方式参考附图，其中：

图1图示了针对被位于对象上的外部电极的集合的位置；

图2图示了用于定义由外部电极生成的电场的方向的坐标系；

图3图示了处理系统；

图4图示了用于根据点云来重建解剖模型的方法；

图5图示了映射函数；

图6是图示方法的流程图；

图7是图示另一种方法的流程图；

图8是图示处理系统的框图；并且

图9图示了包括处理系统的映射系统。

图10图示了机器学习训练方法的流程图。

具体实施方式

将参考附图描述本发明。

虽然指示了装置、系统和方法的示例性实施例，但是详细描述和具体示例仅旨在用于说明的目的，而不旨在限制本发明的范围。根据以下描述、所附权利要求和附图，将更好地理解本公开的装置、系统和方法的这些和其他特征、方面和优点。附图仅仅是示意性且并未按比例描绘。在整个附图中使用相同的附图标记来指示相同或相似的部分。

本公开提供了一种用于生成映射函数的机制，所述映射函数用于将在交叉电场内的电极处进行的测量映射到多维坐标系内的一个或多个位置。使用第一机器学习算法生成映射函数的系数的值，所述第一机器学习算法接收电极的示例测量(或响应)作为输入并且提供针对映射函数的系数的值作为输出。提出了一种用于执行该机制的方法和处理系统。

实施例基于以下认识：用于生成映射函数的过程是复杂的任务，其可以利用机器学习算法来改进。此外，应当认识到，可以使用机器学习算法而不是传统的最小化/线性回归方法来实现生成映射函数的系数的值的过程。这有助于更灵活地生成映射函数。

本公开的概念可以在其中将在对象中引起的交叉电场内的响应(优选地电响应或电磁响应)映射到空间中的位置将是有益的任何情况下被采用，诸如用于在外科手术/介入程序期间跟踪例如介入设备的电极和/或用于执行解剖结构或解剖腔的成像。

在本公开的背景下，介入设备可以是用于进入诸如人类或动物的对象的感兴趣区域的任何设备。示例可以包括内窥镜、导管或外科手术或其他处置设备。这可以包括用于电生理处置、经食管超声描记术或用于心内超声描记术或用于光学检查的导管。外科手术器械可以包括用于切割组织或消融组织的设备或用于注射药物或用于取样(例如活检)的针。其他处置设备可以包括用于移除血管阻塞或将支架或其他修复设备引入体内的处置设备。所有这些将具有关于可能影响用这种电极测量的电响应的电极位置附近的几何形状和/或材料的特定设计。例如，电极的尺寸和相互间隔以及取向可以是不同的。替代地或另外地，介入设备的远端的材料可以与其不同，从而施加所测量的电响应的效果。作为示例，电生理导管有各种设计。它们中的一些具有线性设计，其中，线性分布的间隔开的电极位于其远端上，诸如冠状窦导管或套索型导管。其他具有带有3D设计(非线性)的远端，其上具有电极，诸如具有多个远端区段导管(例如，Boston Scientific的IntellamapOrion^TM或Abbott的FIRMap^TM或Advisor^TM或Biosense Webster的Pentaray^TM)。在类似类型的不同导管(例如线性导管)中，设计的不同之处在于电极可以具有特定尺寸或它们之间的相互间隔。本公开提供了处理这种差异的方法，因为根据类型和有时的设计，可以选择一个或多个映射函数参数的改进的一组值，以将特定类型或设计对其上的电极的位置的电响应变换到多坐标位置空间。

出于背景理解的目的，下文中将描述在对象(即个体，诸如人或动物)或其感兴趣区域内引起(交叉)电场的原理和目的。

图1图示了被定位在对象190上的外部电极的集合的位置。外部电极是被定位在对象外部的电极，并且与可定位在对象内的内部电极形成对比。外部电极被定位为使得它们在对象190的感兴趣区域内产生交叉电场。虽然参考图1描述了利用外部电极产生交叉场以及如何将其用于映射和定位或导航，但是可以创建交叉场，并且可以替代地或另外地通过使用例如其他介入设备(诸如导管)的内部电极来完成映射和定位/导航。这样的原理例如在具有编号WO2018/134747的国际申请的公开中公开，其中，冠状窦导管用于生成交叉电场以用于使用另一导管进行映射以及对另一导管进行导航。WO2018/134747通过引用并入本文。

交叉电场是具有沿着至少两个非平行方向的场的电场。这样的场将允许电极在至少两个非平行方向上(即，沿着多维空间中的两个独立的坐标轴)的定位，经由时间施加和检测或通过同时施加有至少一个其他特性(这些特性可以被检测并彼此区分开)，如将在下文中更详细地描述的。

再次参考图1，所图示的外部电极的集合包括第一外部电极101、第二外部电极102、第三外部电极103、第四外部电极104、第五外部电极105和第六外部电极106。所图示的集合还包括参考电极107，其可以充当用于定义对象中的电场活动的基础/背景水平的“接地”。

控制提供给每个外部电极的电信号，从而定义电极之间的交叉电场。特别地，第一外部电极101和第二外部电极102形成第一对外部电极(“外部电极对”)，并且可以控制提供给第一外部电极对的信号以在其之间引起第一电场。第三外部电极103和第四外部电极104形成第二外部电极对，并且可以控制提供给第二外部电极对的信号以在其之间引起第二电场。第五外部电极105和第六外部电极106形成第三对外部电极，并且可以控制提供给第三外部电极对的信号以在其之间引起第三电场。

提供给每个外部电极并且特别是提供给每对电极的电信号可以控制交叉电场的频率和/或幅值/强度。提供给电极的电信号可以由电场生成器(图1中未图示)控制。例如，可以通过来自电极对的交流电流的受控注入和/或交流电压的提供来生成场。典型的频率例如在10kHz至几百kHz内。

将关于图3描述用于控制电极提供信号的系统。

可以控制每个电场以按时间顺序提供。换句话说，可以按时间顺序提供用于在不同电极对之间提供场的信号，以便能够通过根据时间戳提供的场的方向来区分电极上的电响应。这提供了来自电极的方向信号的时间分辨。

替代地或另外地，可以控制每个电场以具有特定/不同的频率。这有助于通过评估电极对电场的特定频率的响应来确定电极相对于每个电场的相对位置。因此，在这种情况下，提供给电极的信号在电极对之间产生具有略微不同的频率(例如，δ频率可以在50Hz至几百Hz的范围内)但在时间上交叠的场，使得在检测到响应时，仍然可以例如使用傅里叶变换或其他信号分离技术来执行定向响应信号的基于频率的分离。

例如，如果仅需要两个交叉电场(例如，用于执行二维跟踪过程)，则可以省略外部电极对中的一个。

对进行这样的跟踪的这种方法的更详细解释可以在例如欧洲专利申请EP0775466A2、EP3568068Al和EP3607879Al中找到。然而，可以使用用于将场相关数据变换为位置的其他技术。电响应可以用于有效地识别或预测电极相对于由电场定义的坐标系的位置。

交叉电场可用于跟踪或识别位于交叉电场(的重叠)内的电极的位置。特别地，电极对每个电场的响应(例如，电压或电流响应)将随着电场内的位置改变(例如，距电场的源/汇的距离改变)而改变。电极对交叉电场的响应可以使用映射函数映射到多维坐标系内的特定位置或与多维坐标系内的特定位置相关联。

换句话说，可以使用适当的映射函数来处理内部电极对交叉电场的电响应(其可以替代地被标记为“测量”)以确定内部电极(例如，并且因此包括内部电极的任何介入设备)在对象的解剖腔内的相对位置。

特别地，可以提供将电极的电响应映射到多维坐标空间内的位置(即，空间中的位置，即欧几里得/笛卡尔坐标空间)的映射函数。

需要映射函数，因为电场是非线性的并且尤其取决于场被施加到的感兴趣区域的局部结构特性，这意味着单独使用响应(即，没有映射)定义的位置不一定与实际空间中的位置相关。映射函数的参数值(系数)表示例如缩放因子和/或局部失真，以将电场空间(或V空间，如果使用电压响应的话)中的位置映射到“真实”空间(或R空间)中的预测位置。这种“真实”空间可以是欧几里德空间。

作为简化的示例，映射函数可以将电响应Vx映射到位置Rx。映射函数的一个示例采用Rx＝ax*Vx+bx的形式。因此，映射函数包含变量Vx以及需要获取其值的系数或参数ax和bx。在三维示例中，存在针对Ry和Rz的类似函数，每个函数具有其对应的Vy和Vz变量以及相关联的ay、by和az、bz参数。可以代替地使用其他更复杂的映射函数，例如使用对定义附加参数c和d的Vx的附加二次(c*V²x)和/或三次(d*V³x)依赖性。然而，可以使用对Vx的其他依赖性。在任何情况下，这样的更复杂的函数可以是非线性的和/或包括多于两个(多个)参数。所有这些优选地在三维x、y和z坐标中。

图2示意性地图示了用于定义由外部电极生成的电场的方向的坐标系。坐标系定义三个基本平面210、220、230。这些可以与多变量坐标空间对准，例如是xy、xz和yz平面。例如，当每个电场的方向平行于相应的基本位置210、220、230时，交叉电场可以被最佳地定位。然而，应当注意，虽然相互正交的电场通常是优选的，但是电场不需要是正交的。可以使用任何交叉场，只要这些交叉场允许分解响应，使得映射到多坐标空间的不同坐标是可能的。还应当注意，虽然两个交叉场可以允许映射到二维坐标，并且三个这样的场可以映射到三维坐标，但是多于三个交叉场也可以用于这样的目的。

交叉电场(例如，诸如使用图1所示的集合生成的交叉电场)的意图是有助于识别电极(或电极组)相对于坐标系(诸如图2所示的坐标系)的位置。

出于背景理解的目的，下文中描述了如何跟踪内部电极相对于交叉电场(即，在对象内)的位置以及可选地如何进一步利用该信息例如用于构建对象的解剖腔的解剖模型的更完整示例。

图3概念性地图示了包括处理系统390的映射系统300，处理系统390用于生成用于预测电极在对象305的解剖腔301(例如，血管、胃肠道、心脏系统等)内的位置的映射函数。映射系统300还可以被配置为生成对象内的解剖腔的解剖模型和/或跟踪电极在解剖模型内的相对位置。

在特定示例中，映射系统300可以被配置为使用介电成像过程来生成(解剖腔的，诸如血管和/或腔室的)解剖模型。

映射系统300包括彼此分开或集成的示例性电场生成系统310和处理系统390。在图3中未示出的一些实施例中，处理系统还可以被配置为控制电场生成系统生成用于电场生成系统的电极的信号，所述电场生成系统的电极用于在对象305的感兴趣区域(虚线圆周内的区域)内产生交叉场。处理系统390被配置为生成用于将设备335的电极的电响应映射到多维坐标空间内的位置(即，欧几里德/笛卡尔坐标空间中的位置)的映射函数。因此，处理系统390充当映射函数生成器。

处理系统390还可以包含电介质成像处理器390b作为单独或集成的部分，但这可以替代地定位在处理系统390的外部。

电场生成系统310包括相对于对象305外部地定位的外部电极321、322、323、324、325、327集合(例如，作为被提供在对象的皮肤上的电极贴片)。外部电极的集合310可以包括相对于彼此成角度(例如，彼此正交)的多个电极对，使得由电极对生成的任何电场相对于彼此成角度以提供交叉电场。这些电极对可以包括第一电极对(由第一外部电极321和第二外部电极322形成)、第二电极对(由第三外部电极323和第四外部电极324形成)和第三电极对(由第五外部电极325和第六外部电极(不可见)形成)。可以省略这些电极对中的一个。外部电极的集合还可以包括参考电极327。外部电极可以与图1中图示的外部电极的集合类似的方式放置。

电场生成系统310还包括电场生成器330，其适于提供或控制供应给每个外部电极的电信号(例如电压和/或电流)(的特性)。在一些示例中，这可以形成处理系统390的一部分。

映射系统、处理系统和/或电场发生器可以包括合适的信号和/或数据通信单元(例如，输入、输出、接口和诸如电线等的传输单元)，以在不同部分之间传输信号和/或数据。例如，这样的单元可以用于在电场发生器和外部电极之间传输信号，或用于在处理系统和内部电极之间传输信号。此外，这样的单元可以用于在处理系统和场发生器之间或在处理系统和用户输入/输出设备之间传输控制信号。

处理系统(390)可以包括用于将电极的信号或测量处理成可以由处理系统处理的电响应的装置。在一些实施例中，这样的装置包括被配置为将(例如模拟形式的)电测量转换为可以由数据处理器处理的响应(即数字形式的响应)的电子电路。在一些实施例中，这涉及能够接收模拟信号并将它们转换为表示这种信号的数字数据的信号处理器。

电场生成系统310被配置为使用外部电极生成多个(这里：三个)交叉(体内)电场。这使用提供给每个外部(或内部，如果适当的话)电极的电信号的适当控制来执行。

特别地，可以适当地控制每个电极对以在每个电对之间引起电场。因此，在存在三个电极对的情况下，可以生成三个电场。优选地，每个生成的电场的频率被控制为不同的，以有助于更容易地识别位于交叉电场内的电极的相对位置。

所生成的电场可用于定义或建立位于交叉电场内的(内部)电极的相对位置。如先前所解释的，内部电极对电场的(电)响应随着内部电极的相对位置在对象周围移动而改变。这至少部分是因为引起的电场的分布由于被询问组织的不同介电特性和吸收率(与电导率有关)而固有地不均匀。因此，交叉电场的原理有助于使用处理系统390跟踪内部电极的预测位置，处理系统390监测任何内部电极对交叉电场的响应，例如通过将电极的(电)响应映射到对象内的预测位置或使用合适的映射/传递函数(例如下面描述的“V2R函数”)来确定电极的(一个或多个)相对位置。

作为进一步解释，出于改进的概念理解的目的，如果交叉电场被控制为相对于彼此具有不同的频率，则内部电极对每个频率的响应可以用于确定对应电场的每个源/汇之间的相对距离。该原理可以用于有效地对交叉电场内的内部电极的相对位置进行三角测量。

例如，如果存在被定位为发射相对于彼此成角度(例如，近正交)的不同频率的电场(E₁、E₂、E₃)的三个外部电极对，则内部电极的电压响应(V₁、V₂、V₃)(识别在这三个频率中的每一个处的电压(例如，在电极和参考电极之间或在电极和生成电场的电极之间))将根据解剖腔内的位置而不同。

本领域技术人员将理解，确定内部电极331、332、333的位置也有助于确定安装电极的介入设备325的位置、取向和/或角度。具体地，介入设备上的电极的位置关系可以是已知的/预定的，并且用于导出介入设备的取向(例如，定义介入设备所位于的轴线)。

内部电极的其他形式的响应(例如，电流和/或阻抗响应和/或电容响应，例如，指示内部电极和外部或内部电极之间的阻抗/电容的变化)对于技术人员将是显而易见的。

电场生成器330可以被配置为控制使用外部电极的集合生成的电场，以在例如30-100kHz的频率范围内操作。该频率范围特别适用于与对象的身体区域一起使用，同时提供在动物或人体组织中衰减而对组织没有显著损害/伤害的频率范围。参考电极用作由电极进行的所有测量的电参考，例如用作针对内部电极的响应的参考。

安装在单个介入设备上的一个或多个内部电极的响应能够用于构建(和更新)映射函数，所述映射函数用于将内部电极的响应映射到解剖腔内(例如，在一些欧几里德/笛卡尔空间内)的预测位置。虽然一个电极的响应足以用于此目的，但是两个或更多个电极的响应是优选的。这是因为同时测量的响应两个或更多个电极的一些响应通过所涉及的电极的相互距离和取向固有地将一些响应与空间信息相关。

下文中描述了用于使用处理系统生成或构建映射函数(“V2R函数”)的过程，以便改进背景理解。本公开涉及用于生成该映射函数的新的/不同的过程。

如前所述，处理系统利用定位在解剖腔内并在解剖腔内移动的一个或多个内部电极331、332、333(例如，被定位在要被插入到解剖腔中的介入设备335上的电极)。在使用多个电极的情况下，每个内部电极之间的空间关系(例如，距离)可以是预定的和/或已知的。

映射函数生成器390A(未单独示出)和处理系统390的一部分被配置为从/向内部电极331、332、333接收(和可选地提供)信号(例如，在输入接口391处)，以确定内部电极对交叉电场的响应。

然后针对介入设备335的不同位置和/或取向迭代地记录内部电极331、332、333的响应(例如，对由外部电极外部施加的电场的响应)，即，以当介入设备在腔301内移动(环绕)时从每个内部电极获得“测量”。然后，处理系统可以重复地定义/更新并应用映射函数或传递函数(“V2R函数”)，其将每个记录的响应变换到欧几里德/笛卡尔坐标(R空间)，同时确保内部电极和/或介入设备335的已知性质和/或空间关系(例如，电极间距和电重量长度)以及一组其他约束被维持。例如，映射/传递函数可以通过将已知的电极间距离作为参考来有效地学习和线性化测量的响应与三维中的实际位置之间的失真关系。仅作为示例，如果内部电极具有与先前测量的响应匹配的响应，则与由其他内部电极测量的响应的相对距离可以被确定并用于改进映射/传递函数。

换句话说，映射/传递函数有效地确定或预测每个电极在欧几里德和/或多维空间或坐标系(“R空间”)中的相对/预测位置。以这种方式，当内部电极在解剖腔内移动时，可以建立和更新R空间点云(已知的欧几里德/笛卡尔坐标)。然后迭代地分析该R空间点云，以迭代地更新映射函数以遵守内部电极和/或介入设备的已知性质，诸如内部电极的空间关系。

欧洲专利申请EP0775466A2、EP3568068Al和EP3607879Al公开了用于生成映射函数的过程以及其用于在空间中跟踪介入电极和/或根据响应集合重建解剖结构的解剖模型的用途的其他描述和/或实施例。

如所提到的，一个或多个内部电极的预测位置也可以用于构建解剖腔(即，介入设备能够在其中移动的腔)的解剖模型。该过程被称为介电成像过程，并且可以由介电成像处理器390B执行。

概括地说，介电成像处理器390B可以通过处理R空间点云来构建对象内的解剖腔301(例如，腔室、血管或空隙)的解剖模型。使用经更新的R空间点云(诸如在映射函数的构建期间产生的R空间点云)，重建算法生成解剖腔(的研究部分)的解剖模型。解剖模型可以例如是描绘或建模解剖腔(的已知边界)的3D表面。

在图4中概念性地图示了根据点云重建解剖模型的过程，图4展示了其中R空间点云410(“点云”)被变换成解剖模型420的过程450。在所图示的示例中，这通过从点云数据产生(3D)表面来执行，其方法对于本领域技术人员而言将是显而易见的。

例如，可以使用表面重建方法将点云转换成多边形网格或三角形网格模型(或其他表面模型)。在Berger,Matthew等人的"A survey of surface reconstruction frompoint clouds"(Computer Graphics Forum.Vol.36.No.1.2017)中讨论了各种合适的方法，并且另外的机制对于本领域技术人员来说将是显而易见的。

以这种方式，“全局场”测量(即，由外部电极生成的电场对内部电极的影响)可以用于生成解剖腔的粗略解剖模型。

欧洲专利申请EP0775466A2、EP3568068Al和EP3607879Al公开了用于使用映射函数用于在空间中跟踪介入电极和/或根据响应集合重建解剖结构的解剖模型的过程的其他描述和/或实施例。

返回参考图3，可以通过监测内部电极331、332、333对局部电场(例如，由其他内部电极生成的场)的响应来执行解剖模型的边界和特征的更精确的识别。因此，在一些实施例中，介电成像处理器390B还可以控制内部电极331、332、333以生成电场(其可以由其他内部电极检测)。与内部电极对外部引起电场的响应(其可以被标记为“全局场测量”)相比，内部电极对局部电场的响应可以被标记为“局部场测量”。

例如，局部电场(为在两个内部电极331、332、333之间引起的电场)的变化可以指示两个内部电极之间或附近组织的存在或不存在。因此，内部电极对局部电场的响应可以用于识别组织的存在或不存在，从而便于解剖模型的调谐或更新。

在一些示例中，可以执行全局场测量的附加处理(即，内部电极对由外部电极引起的电场的响应)以改进解剖模型的边界和特征的精度。

例如，可以识别在电场响应中具有固有标记的陡峭梯度的区域。应认识到，这样的区域指示解剖腔的边界和/或其他信息，例如血管流入或流出心脏腔室以及心脏腔室的瓣膜。这些特征从而可以由系统唯一地识别，并且即使在没有用接入设备335物理地访问它们的情况下也被成像。

组合的全局和局部场测量实现不一致性和异常值、电极屏蔽/覆盖水平(例如，通过测量位置互相关)、起搏(饱和)以及生理漂移的复杂检测和有效处理。漂移可以例如使用随时间推移的移动窗口来检测并且被连续地校正，由此内部电极位置在整个程序中保持准确，使得系统对漂移有弹性。

上面提供的介电成像过程的描述仅是示例，并且本领域技术人员将能够容易地适当地修改所描述的过程。

如所提到的，导出的映射/传递函数(“V2R函数”)也可以用于跟踪一个或多个内部电极相对于相对于多维坐标空间并且因此相对于构建的解剖模型(如果在这样的空间中表示的话)的位置。这可以有助于生成和显示解剖模型以及安装内部电极331、332、333的介入设备335相对于解剖模型的当前定位/位置的指示符。当然，可以在输出显示器399处生成并提供任何生成的解剖模型和/或确定的位置的视觉表示。

处理系统390包括输入接口391，输入接口391用于接收对内部电极对由电场生成系统生成的电场的电响应进行响应的信号。处理系统390还可以包括用于提供用于控制输出显示器399的信号的输出接口392。

本公开涉及一种用于生成映射函数的新机制，以促进改进的和/或更准确的映射函数和/或以更快的方式。改进的映射函数继而将改进跟踪介入设备的位置的准确性、和/或使用利用映射函数获得的数据生成的解剖模型的准确性。

图5概念性地图示了映射函数的参数的确定所面临的问题。具体地，图5图示了用于在被图示为非椭圆形网格的电响应(例如，“V空间”中的位置)与被图示为椭圆形网格的多维坐标空间中的位置(例如，“R空间”中的位置)之间进行映射的示例映射函数500(即，非线性变换)。

该映射函数清楚地展示了在交叉电场中发生的场非线性，这意味着电响应在没有变换(通过映射函数)的情况下不能直接表示多维坐标空间中的真实位置。这强调了变换的非平凡性、以及获得针对映射函数的参数/系数的准确值的困难性。

图6图示了根据本公开的实施例的用于生成映射函数635的计算机实施的方法600。

方法600包括获得被安装在介入设备上的一个或多个(优选地两个或更多个)电极对在对象内引起的交叉电场的电响应的步骤610。可以在(例如，诸如图3的处理系统390的处理系统的)输入接口处获得电响应。可以获得响应作为响应集合。例如，它们可以是程序的结果，其中，包括电极的介入设备在交叉电场使用外部电极的集合和/或内部电极的集合被施加到的解剖结构(例如，腔)中四处游走或已经四处游走或正在四处游走。

然后，方法600移动到步骤620，步骤620处理所获得的电响应(的集合)以获得映射函数的一个或多个参数(系数)的相应值，即识别针对在特定映射函数中使用的系数的系数值，其中，系数与基于电极响应的输入变量有关(例如，相乘和/或相加)。本文之前已经描述了示例变量和参数。在方法600的一些路径中，步骤620将使用经训练的第一机器学习算法来获得一个或多个参数值。

然后，方法600移动到基于所获得的一个或多个值来定义映射函数635的步骤630。特别地，所获得的(一个或多个)值可以被插入到映射函数中的适当的(即，对应的)位置中。映射函数630可以在(例如，处理系统的)输出接口处输出。

因此，所提出的方法600利用经训练的第一机器学习算法来确定针对映射函数的系数，例如，而不是传统的最小化或分析方法(诸如线性回归)。这提供了用于生成映射函数的快速且有效的机制。

机器学习算法是处理输入数据以产生或预测输出数据的任何自训练算法。这里，输入数据包括一个或多个电极对交叉电场的电响应(或表示其的数据)，并且输出数据包括针对映射函数的参数的值。

用于在本公开中采用的合适机器学习算法对于本领域技术人员将是显而易见的。合适机器学习算法的示例包括决策树算法和人工神经网络。诸如逻辑回归、支持向量机或朴素贝叶斯模型的其他机器学习算法是合适的替代方案。使用特定训练数据集训练可以包括例如交叉验证以优化机器学习算法的选择。

对于本公开，诸如递归神经网络(RNN)、卷积神经网络(CNN)或深度展开网络(DUN)的神经网络将是特别有利的。

人工神经网络(或简称神经网络)的结构受人脑的启发。神经网络由层组成，每个层包括多个神经元。每个神经元包括数学运算。特别地，每个神经元可以包括单一类型的变换的不同加权组合(例如，相同类型的变换、sigmoid等，但是具有不同的权重)。在处理输入数据的过程中，对输入数据执行每个神经元的数学运算以产生数值输出，并且将神经网络中的每个层的输出顺序地馈送到下一层。最后一层提供输出。

训练机器学习算法的方法是众所周知的。图10提供了训练的示例示意性方法。步骤1000包括选择期望的映射函数，随其定义这样的函数的变量和参数。然后，在步骤1030中，选择机器学习算法，所述算法用于预测(输出)该映射函数的对应变量的参数。为了在步骤1010中训练用于此目的的机器学习算法，通常，这样的方法包括获得训练数据集，所述训练数据集包括训练输入数据条目和对应的(相关联的)训练输出数据条目(“真实情况数据”)。在步骤1020中，将初始化的机器学习算法应用于每个输入数据条目以生成预测的输出数据条目。初始化意味着机器学习算法的所有权重、系数和/或偏差或其他参数被给予起始值。预测的输出数据条目与对应的(相关联的)训练输出数据条目之间的误差用于修改机器学习算法。例如使用梯度下降技术来改变权重、系数、偏置和/或其他参数，目的是减小误差。可以重复该过程，直到误差收敛，并且预测的输出数据条目与训练输出数据条目足够相似(例如±1％)。这通常被称为监督学习技术。

例如，在机器学习算法由神经网络形成的情况下，可以修改每个神经元的数学运算(的权重)，直到误差收敛。修改神经网络的已知方法包括梯度下降、反向传播算法等。

关于步骤1010，训练输入数据条目可以对应于电极对交叉电场的电响应的示例集合或表示其的数据。训练输出数据条目对应于映射函数的参数的相关联值。

真实数据可以用于训练数据。例如，在针对特定患者的特定解剖结构(例如，患者的心脏或其一部分)的映射流程期间获得的电响应的集合可能已经得到用于映射函数的相关联参数集合，所述映射函数令人满意地将电响应的集合转变为解剖结构的模型。具有相关参数的多个这样的响应集合可以用于训练机器学习算法。多个集合可以包括一个患者的一个特定解剖结构的多个标测程序的那些集合，但是优选地额外地或替代地包括从特定解剖结构的映射获得的数据，但是或还包括从不同的患者获得的数据。该数据还可以包括如利用不同电极配置(例如，使用不同介入设备)获得的结果，所述不同电极配置被标记有或未被标记有电极配置或介入设备的类型。如果被标记有这样的信息，则机器学习算法的输入可以将该标记作为变量。

如果训练数据集在空间坐标和输出变量中具有足够的可变性，即在可变性度量高于某个预定阈值时，则是优选的。在特定示例中，训练数据集应当表示大百分比的患者群体。例如，在心脏(或其他感兴趣的解剖腔)大小、解剖结构、记录的电响应和解剖学周期方面。在这种情况下，经训练的算法考虑了解剖结构的可变性，并且因此可以提供适合于许多这样的结构的映射函数的参数集合。

尽管真实数据可以用于提供训练输入数据条目，但是也可以利用合成数据。合成数据的使用特别适合于(一个或多个)第一机器学习算法，因为可以定义和模拟各种各样的映射函数，并且可以为许多类型的模拟解剖结构和解剖结构的结构变化生成可能的输入样本的大的集合。模拟可以基于本领域中众所周知的电场理论。

在一些实施例中，可以通过将例如噪声添加到真实或合成数据来执行(真实情况数据和/或合成数据的)数据增强。

电响应优选地包括电压、电流和阻抗的组中的一个或多个或由电压、电流和阻抗的组中的一个或多个组成。优选地，它们包括电压。在步骤1020中的训练期间的适当收敛可以通过约束神经网络(或其他第一机器学习算法)的输出使得在映射函数(例如，机器学习算法)中不存在突然跳跃(例如，使得映射函数的输入值的变化与输出值的对应变化之间的最大差低于某个预定阈值)来实现。另外，对映射函数的被确定值的约束可以用于实施由电极响应表示的电场的非简并场分布。

为了改进第一机器学习算法的性能，所获得的响应可以被格式化为特定的(并且因此可预测的)输入数据架构。该方法有助于确保机器学习算法捕获用于生成准确映射函数的电极间距离。

一种可行的解决方案是将获得的电响应格式化为预定大小的矩阵(用于输入到第一机器学习算法)。例如，可以定义MxDxN矩阵，其中，M表示介入设备上的电极的数量，D表示维度的数量(即，电响应的部分的数量)，并且N表示所获得的响应的数量。

由于获得的电响应的总数可以是可变的，因此可以使用零填充和/或用于所有电响应的滑动窗口——即，将矩阵中获得的响应的数量限制为等于值N。

为了进一步改进第一机器学习算法的性能，可以对所获得的响应执行附加的预处理。例如，可以执行所获得的电响应的白化。其他预处理步骤包括归一化、居中/集中、噪声去除、运动补偿、截断、滤波等。本领域技术人员将理解将改进机器学习算法的性能的其他预处理步骤。

一些机器学习算法被配置为提供指示期望输出的置信度的置信度度量(在这种情况下：针对映射函数的参数的值的置信度)。如果该置信度度量低于预定阈值，则本公开的一些实施例可以重新生成映射函数(例如，使用不同的第一机器学习算法，诸如在更窄的数据集上训练的算法)或使用传统的非机器学习算法依赖方法生成映射函数。

在任选步骤1040中，可以使用尚未训练算法的测试数据来测试经训练的算法。可以以与用于获得训练数据所描述的相同的方式获得测试数据。执行这种测试的方法是本领域中已知的。测试可以包括经训练的算法必须在步骤1050中通过以作为最终经训练的机器学习算法1070发布的映射参数预测成功率阈值。如果算法未通过测试，则可以使用另一可选步骤1060来调整算法或其参数。

方法600可以包括获得初始映射函数645的步骤640。该初始映射函数可以包含某些参数的模板、空白或默认值，其基于在步骤620中确定的值在步骤630中被替换/设置。

在一些示例中，可以存在可以使用的多个潜在的第一机器学习算法，即在步骤620中。因此，特定类型的映射函数可能需要特定类型的第一机器学习算法。例如，如果出于一种原因或另一种原因，要使用具有特定数量或一组变量的映射函数来定义特定的相关联的参数集合，则机器学习算法可以被选择为提供期望的相关联参数集合。方法600可以包括选择用于从所获得的电响应获得值的算法或方法的步骤650。

在一些示例中，第二机器学习算法可以用于在识别潜在的第一机器学习算法中的哪一个将用作第一机器学习算法的过程中处理所获得的电响应。

优选地，基于介入设备的类型(或性质)来选择第一机器学习算法。该实施例认识到，如本文之前所指示的，介入设备的几何性质、电气性质和机械性质对如何生成映射函数的参数具有影响。通过在选择第一机器学习算法时考虑介入设备的类型，增加了随后生成的映射函数的准确性。

在一些示例中，步骤650包括识别介入设备的类型或身份的步骤651。步骤651可以例如包括接收指示介入设备的类型的用户输入651A。在其他优选的示例中，步骤651包括使用第二机器学习算法处理所获得的响应(来自步骤610)以识别设备的类型。这可以消除对设备类型的用户输入的需要。在再其他的示例中，存在基于设备类型标识符到系统的自动通信的设备类型的自动指示。例如，在将设备类型连接到如本文所述的系统时，可以通过对这样的标识符进行编码的计算机可读(数字和/或模拟)信号来传送这样的标识符。再次，可以避免用于设备类型的这种识别的用户输入。

该方法然后可以执行基于介入设备的类型(从多个潜在的第一机器学习算法)选择要在步骤620中使用的第一机器学习算法的步骤652。这可以例如使用将检测到的介入设备的类型映射到特定潜在的第一机器学习算法的查找表来执行。以此方式，可以选择针对特定类型的介入设备的最适当的第一机器学习算法。

在一些示例中，如果步骤651不能识别介入设备的类型(例如，如在步骤653中所确定的)，则该方法可以在步骤654中选择或指示(在步骤620中)用于生成针对映射函数的(一个或多个)参数的(一个或多个)值的常规算法或方法。

因此，在方法600的一些路径中，例如，如果不能识别适当的第一机器学习算法，则不使用第一机器学习算法。在这些情况下，所述方法可以恢复到用于生成映射函数的系数的值的常规方法，例如，在处理所获得的电响应时使用最小化函数。

在一些示例中，可以存在可以使用的多个潜在映射函数，其中，不同的映射函数具有不同的参数和/或输入(变量)的组合。这可以例如再次基于设备类型。步骤640可以适于包括选择多个潜在映射函数中的一个作为初始映射函数。这是有利的，因为设备类型可以彼此显著不同(例如，将具有直列电极的直轴导管与基于样条线的电极导管进行比较)。因此，所述步骤使得不仅可以将参数(系数)值调整到设备类型，而且可以如此选择映射函数的形状(变量的数量和类型以及对这些变量的函数依赖性)本身。这可以有益于坐标位置中的电响应的转变，并且由此改进标测和/或导航。

在这些示例中，如果存在多于一个潜在的第一机器学习算法，则所选择的第一机器学习算法可以取决于所选择的映射函数。这确保了机器学习算法被特别选择以生成特定映射函数的输出(即，机器学习算法被配置用于所选择的映射函数)。

换句话说，步骤650可以被配置为基于(即，响应于)所选择的初始映射函数而选择用于根据所获得的电响应获得值的算法。在一些示例中，这可以被实施为步骤652的一部分。

在一些示例中，步骤640可以具体地包括基于所获得的电响应来选择初始映射函数(例如，通过使用(第三)机器学习算法等处理所获得的电响应)。在示例中，步骤640可以包括基于介入设备的类型来选择初始映射函数(例如，如果执行步骤651)。这可以例如使用将一种类型的介入设备映射到特定初始映射函数的查找表来执行。

对象中的时间变化(例如，通过呼吸或心脏运动——即解剖学周期)能够显著地劣化神经网络或其他机器学习算法生成针对映射函数的适当参数的能力，因为它们通常呈现稳定状态。通过在获得映射函数的计算之前使用适当的门控程序，或通过对所获得的电响应执行运动补偿，可以减轻该问题。

换句话说，当执行门控程序时，所获得的电响应(在步骤610中)可以仅包括在对象的解剖学周期的预定部分内(例如在呼吸周期的吸气阶段期间或在心动周期的流入或射出阶段期间)的电响应。解剖学周期的其他合适的阶段对于本领域技术人员将是显而易见的。

在一些示例中，针对解剖学周期的不同阶段或部分生成不同的映射函数。换句话说，可以针对解剖学周期的不同特定部分(心脏或呼吸)重复方法600，其中，所获得的电响应在解剖学周期的特定部分内。

该实施例特别利用了通过使用第一机器学习算法促进的预测映射函数的值的参数的速度，使得与常规方法相比，所述方法更可行地被实时执行。

在一些示例中，如果存在多个潜在的第一机器学习算法，则所选择的第一机器学习算法可以取决于解剖学周期的与所获得的电响应相关联的部分。该实施例可以进一步改进机器学习算法的特异性。这可以并入到步骤652中。例如，可以分析ECG(全局，如例如使用12导联设备测量)或EKG(局部，如例如使用内部身体电极测量)，以识别心动周期的特定部分(例如，ECG或EKG信号的节段)(例如，的开始)，并定义用于选择相应机器学习算法的对应时间戳或同步数据/信号。呼吸监测器(例如，光电体积描记(PPG)信号)可以用于对呼吸周期进行相同操作。用于这种测量的方法和设备本身是众所周知的。

图7图示了根据本公开的另一实施例的计算机实施的方法700。方法700被配置用于识别对象内的电极(或多个电极)在多维坐标空间中的位置。

方法700包括执行获得710映射函数的步骤。例如，可以通过获得由先前参考图6描述的方法600生成的映射函数635来执行该过程。

方法700还包括获得电极对对象内的交叉电场的(一个或多个)电响应的步骤720。所获得的(一个或多个)电响应应当具有与如下电响应相同的(数据)格式，针对所述电响应，映射函数635被配置为映射到多维空间内的位置。

方法700还包括使用映射函数处理所获得的(一个或多个)电响应的步骤730，从而确定(一个或多个)电极在多维空间内的位置。

因此，映射函数用于识别电极的位置。先前已经解释了该信息如何能够被用于识别(一个或多个)电极被安装在其上的介入设备的位置和/或取向。

可以在步骤740中输出(一个或多个)所识别的位置。例如，(一个或多个)所识别的位置可以用于控制显示器以在显示器处生成所识别的位置的表示，例如通过控制在输出接口处提供的信号。

在一些示例中，方法700包括例如在输入接口处获得指示数据的步骤750。所述指示数据对交叉电场内的元件的一个或多个介电性质和/或介入设备和/或电极的性质的变化进行响应。

本公开认识到，这样的指示数据指示映射函数的准确性是否已经受到影响。特别地，交叉电场的介电性质的变化(和/或介入设备或(一个或多个)电极的变化)导致映射函数不再将(一个或多个)电极的(一个或多个)电响应准确地映射到多维坐标系中的(一个或多个)对应位置。

因此，在一些示例中，如果检测到指示数据的变化(即，指示数据指示超过某个预定阈值的变化)，则可以重复获得新映射函数的方法600。换句话说，可以重新生成映射函数。可以在步骤760中检测所检测到的变化。

图7还图示了生成解剖腔的解剖模型的计算机实施的方法700。

计算机实施的方法700包括通过执行方法700迭代地识别解剖腔内的一个或多个电极的位置。

计算机实施的方法700还包括通过处理一个或多个电极的所识别的位置来生成解剖腔的解剖模型的步骤750。步骤750可以从方法700的输出步骤740接收位置。

先前已经例如至少参考图3和4描述了用于通过处理所识别的位置来生成解剖腔的方法。

如果例如指示数据指示变化，则可以重复步骤750，因为这可以指示解剖模型的结构的变化。

可以例如在用户接口处提供解剖模型的视觉表示。因此，步骤750可以包括控制用户接口提供解剖模型的视觉表示。

图8是根据本公开的实施例的处理系统390的示意图。处理系统390被配置为执行如本文定义的并且例如根据实施例的方法，诸如参考图6描述的方法600和/或参考图7描述的方法以及原则上参考图9描述的方法。

因此，处理系统390被配置为生成映射函数或训练机器学习算法。处理系统390还可以被配置为控制或执行介电成像过程，例如先前参考图3和4描述的介电成像过程。

如图所示，处理系统390可以包括(数据)处理器860、存储器864和通信模块868。这些元件可以例如经由一个或多个总线彼此直接或间接通信。

处理器860可以包括被配置为执行本文描述的操作的中央处理单元(CPU)、数字信号处理器(DSP)、ASIC、控制器、FPGA、另一硬件设备、固件设备或其任何组合。处理器860也可以被实施为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、一个或多个微处理器内核结合DSP、或任何其他这样的配置。在一些实施例中，处理器是例如由一组分布式处理器形成的分布式处理系统。在这种情况下，各种分布式部分可以经由诸如有线或无线LAN等的网络彼此通信地耦合。

存储器864可以包括高速缓冲存储器(例如，处理器860的高速缓存储器)、随机存取存储器(RAM)、磁阻式RAM(MRAM)、只读存储器(ROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、闪存存储器、固态存储器设备、硬盘驱动器、其他形式的易失性和非易失性存储器、或不同类型的存储器的组合。在实施例中，存储器864包括非瞬态计算机可读介质。非瞬态计算机可读介质可以存储指令。例如，存储器864或非瞬态计算机可读介质可以具有记录在其上的程序代码，所述程序代码包括用于引起处理系统390或处理系统390的一个或多个部件(特别是处理器860)执行本文描述的操作的指令。例如，处理系统390可以执行方法600和/或用于控制和/或执行介电成像过程的方法(如参考图3和4所述)的操作。

指令866也可以被称为代码或程序代码。术语“指令”和“代码”应当被宽泛地解读为包括任何类型的(一个或多个)计算机可读语句。例如，术语“指令”和“代码”可以指的是一个或多个程序、例程、子例程、功能、过程等。“指令”和“代码”可以包括单个计算机可读语句或许多计算机可读语句。其上记录有代码的存储器864可以被称为计算机程序产品。

通信模块868可以包括任何电子电路和/或逻辑电路，以促进处理系统390、介入设备和/或用户接口(或其他另一设备)之间的直接或间接数据通信。在这方面，通信模块868可以是输入/输出(I/O)设备。在一些情况下，通信模块868促进处理系统390和/或映射系统(图9)的各种元件之间的直接或间接通信。

在一些实施例中，所述处理系统包括电子电路以处置电信号，诸如介入设备的电极的电响应。例如，可以存在模拟或数字电子滤波器、数模转换器等，以将来自电极的电子信号预处理成电响应。预处理例如可以用于将电响应转换成对应的数据(例如，数字的)以由如本文定义的数据处理器等处理。替代地或附加地，可以采用模拟信号处理。

图9图示了根据本公开的实施例的映射系统900，其图示了一些任选的元件。映射系统900包括处理系统390，其可以如先前描述的那样实施。

映射系统还可以包括输出显示器399。所述处理系统可以被配置为控制所述输出显示器显示以下的视觉表示：(一个或多个)电极和/或介入设备的所确定的位置；和/或解剖模型，其是使用由处理系统生成的映射函数生成的。该控制可以使用处理系统390的输出接口392来执行。所确定的(一个或多个)位置的视觉表示可以相对于解剖模型被定位，例如以指示电极或介入设备的其他部分在由解剖模型表示的解剖腔内的相对位置。

处理系统390可以适于例如在输入接口391处从存储器910和/或介入设备335获得介入设备的一个或多个电极的响应。映射系统900可以适当地包括存储器和/或介入设备335。在从存储器910获得或接收响应的情况下，它们可能已经具有由处理器处理的适当格式。如果它们是从介入设备获得或接收的，则可以在将响应数据传输到处理器之前执行信号预处理。对于这种预处理，可以通过处理系统390的电子电路来促进如本文之前描述的电信号处理。

存储器910还可以提供第一机器学习算法(或多个第一机器学习算法)和/或初始映射函数(视情况而定)。应当理解，这些可以从另一个源获得，例如用户接口或外部服务器，例如可通过诸如互联网或LAN连接的通信信道接触。

应理解，所公开的方法包括或优选地是计算机实施的方法。因此，还提出了计算机程序的概念，所述计算机程序包括用于当所述程序在处理系统(诸如计算机或一组分布式处理器)上运行时实施任何所描述的方法的计算机程序代码。

根据实施例的计算机程序的代码的不同部分、行或块可以由处理系统或计算机执行以执行本文中描述的任何方法。在一些替代实施方式中，(一个或多个)框图或(一个或多个)流程图中注释的功能可以不按图中注释的顺序发生。例如，连续示出的两个方框实际上可以基本上同时执行，或方框有时可以以相反的顺序执行，这取决于所涉及的功能。

本公开提出了一种包括指令的计算机程序(产品)，当所述程序由计算机或处理系统执行时，所述指令引起所述计算机或处理系统执行本文描述的任何方法(的步骤)。所述计算机程序(产品)可以存储在非瞬态计算机可读介质上。

类似地，还提出了一种包括指令的计算机可读(存储)介质，所述指令在由计算机或处理系统执行时引起所述计算机或处理系统执行本文描述的任何方法(的步骤)。还提出了一种其上已经存储有先前描述的计算机程序(产品)的计算机可读数据载体。还提出了一种承载先前描述的计算机程序(产品)的数据载体信号。

技术人员将能够容易地开发用于执行本文描述的任何方法的处理系统。因此，流程图的每个步骤可以表示由处理系统执行的不同动作，并且可以由处理系统的相应模块执行。

本领域技术人员通过研究附图、公开内容以及权利要求，在实践请求保护的公开内容时能够理解并实现对所公开的实施例的变型。在权利要求中，“包括”一词不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。尽管特定措施是在互不相同的从属权利要求中记载的，但是这并不指示不能有利地使用这些措施的组合。

单个处理器或其他单元可以实现在权利要求中记载的若干项的功能。计算机程序可以被存储/分布在合适的介质上，例如与其他硬件一起或作为其他硬件的部分供应的光学存储介质或固态介质，但是也可以被以其他形式分布，例如经由互联网或其他有线或无线的电信系统。

如果在权利要求书或说明书中使用了术语“适于”，应注意术语“适于”旨在相当于术语“被配置为”。权利要求中的任何附图标记都不应被解释为对范围的限制。

Claims

1.一种用于生成映射函数(500、635)的计算机实施的方法(600)，所述映射函数将电极(331、332、333)对对象(190、305)内的交叉电场的响应映射到多维坐标空间中的位置，所述计算机实施的方法包括：

获得(610)被安装在介入设备(335)上的一个或多个电极对在所述对象内引起的所述交叉电场的电响应；

使用第一机器学习算法来处理(620)所获得的电响应，以获得针对所述映射函数的相应的一个或多个参数的值；并且

基于所获得的针对所述映射函数的所述相应的一个或多个参数的值来定义(630)所述映射函数。

2.根据权利要求1所述的计算机实施的方法(600)，其中，所述第一机器学习算法特定于所述介入设备(335)的类型。

3.根据权利要求1或2中任一项所述的计算机实施的方法(600)，其中，所述方法还包括获得初始映射函数(645)的步骤(640)，并且定义所述映射函数的步骤(630)包括基于所获得的一个或多个值来定义所述初始映射函数的一个或多个参数。

4.根据权利要求3所述的计算机实施的方法(600)，其中，所述初始映射函数(645)特定于所述介入设备(335)的所述类型和/或所获得的电响应。

5.根据权利要求3或4中任一项所述的计算机实施的方法(600)，其中，所述第一机器学习算法取决于所述初始映射函数(645)。

6.根据权利要求1至5中任一项所述的计算机实施的方法(600)，还包括以下步骤(650)：通过使用第二机器学习算法处理所获得的电响应来获得所述第一机器学习算法，以识别多个潜在的第一机器学习算法中的一个来用作所述第一机器学习算法。

7.根据权利要求6所述的计算机实施的方法(600)，其中，获得所述第一机器学习算法的所述步骤(650)包括：

使用所述第二机器学习算法来处理(651)所获得的电响应以识别所述介入设备的类型；并且

基于所识别的所述介入设备的类型来识别(652)哪个潜在的第一机器学习算法要用作所述第一机器学习算法。

8.根据权利要求1至7中任一项所述的计算机实施的方法(600)，其中，获得电响应的所述步骤(610)包括从被安装在被定位在所述对象(190、305)内的介入设备(335)上的两个或更多个电极(331、332、333)获得所述电响应中的至少一些。

9.根据权利要求1至8中任一项所述的计算机实施的方法(600)，其中，所述电响应是所述一个或多个电极在所述对象的解剖学周期的预定部分内的电响应。

10.根据权利要求9所述的计算机实施的方法(600)，其中，所述第一机器学习算法取决于所述对象的所述解剖学周期的所述预定部分。

11.一种识别对象(190、305)内的电极(331、332、333)在多维坐标空间中的位置的计算机实施的方法(700)，所述计算机实施的方法包括：

获得(710)使用根据权利要求1至10中的一项所述的方法(600)生成的映射函数(500、635)；

获得(720)电极对所述对象内的交叉电场的所述电响应；并且

通过使用所述映射函数处理所述电极的所述电响应来确定(730)所述电极在多维坐标空间中的位置。

12.根据权利要求11所述的计算机实施的方法(700)，还包括：

获得(750)响应于所述交叉电场内的元件的一个或多个介电性质和/或所述介入设备和/或电极的性质的变化的指示数据；并且

响应于指示变化的所述指示数据，通过执行根据权利要求1至10中任一项所述的方法(600)来重新生成映射函数。

13.一种生成解剖腔的解剖模型的计算机实施的方法(70)，所述计算机实施的方法包括：

通过执行根据权利要求11或12所述的方法(700)来迭代地识别一个或多个电极在解剖腔内的所述位置；并且

通过处理所识别的所述一个或多个电极的位置来生成(75)所述解剖腔的解剖模型。

14.一种包括计算机程序代码单元的计算机程序产品，所述计算机程序代码单元当在具有处理系统的计算设备上运行时使所述处理系统执行根据权利要求1至13中任一项所述的方法(600，700)的所有步骤。

15.一种用于生成映射函数(500、635)的处理系统(390)，所述映射函数将电极(331、332、333)对对象(190、305)内的交叉电场的响应映射到多维坐标空间中的位置，所述处理系统被配置为：

在输入接口(391)处获得(610)被安装在介入设备(335)上的一个或多个电极对在所述对象内引起的所述交叉电场的电响应；

使用经训练的第一机器学习算法来处理(620)所获得的电响应，以获得针对所述映射函数的相应的一个或多个参数的值；并且

16.根据权利要求15所述的处理系统，还被配置为使用所定义的映射函数来处理接收到的对多坐标空间中的位置的电响应。

17.一种映射系统，包括：

根据权利要求15所述的处理系统；

电场生成系统，其包括用于为电极的集合生成电信号的电场发生器，所述电极的集合被配置为在使用时提供交叉电场；以及任选地，以下中的一项或多项：

介入设备，其具有被配置为连接到所述处理系统的一个或多个电极；以及

电极的集合，其用于在对象的感兴趣区域内生成交叉电场，所述电极的集合被配置为连接到所述电场生成系统。

18.一种用于生成经训练的第一机器学习算法的计算机实施的方法，所述经训练的第一机器学习算法能够提供针对映射函数的相应的一个或多个参数的值，所述映射函数被配置用于将表示感兴趣对象内的交叉场的电响应变换到多维坐标空间中的位置，所述方法包括：

接收训练数据集，所述训练数据集包括：

电响应的一个或多个集合，每个集合被注释有映射函数的一个或多个参数的相关联值，所述映射函数能够将所述电响应的集合变换到所述多维坐标空间中的代表性位置的集合；

使用学习方法使机器学习算法经受所述训练数据，以提供经训练的机器学习算法，所述经训练的机器学习算法包括经训练的机器学习算法参数，所述经训练的机器学习算法参数被优化用于基于电响应的集合的输入来输出针对所述映射函数的所述一个或多个参数的预测值；并且

任选地，提供所述经训练的机器学习算法或所述经训练的机器学习算法。

19.根据权利要求18所述的计算机实施的方法，其中，所述电响应的一个或多个集合包括仅利用一种类型的电极配置获得的电响应。

20.一种包括计算机程序代码单元的计算机程序产品，所述计算机程序代码单元当在具有处理系统的计算设备上运行时使所述处理系统执行根据权利要求18至19中任一项所述的方法的步骤。