CN117958949B - 一种房颤射频消融模拟方法及系统 - Google Patents
一种房颤射频消融模拟方法及系统 Download PDFInfo
- Publication number
- CN117958949B CN117958949B CN202410365282.9A CN202410365282A CN117958949B CN 117958949 B CN117958949 B CN 117958949B CN 202410365282 A CN202410365282 A CN 202410365282A CN 117958949 B CN117958949 B CN 117958949B
- Authority
- CN
- China
- Prior art keywords
- model
- heart
- dynamic
- heart cavity
- radio frequency
- 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.)
- Active
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 65
- 206010003658 Atrial Fibrillation Diseases 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000007674 radiofrequency ablation Methods 0.000 title claims abstract description 28
- 210000002216 heart Anatomy 0.000 claims abstract description 118
- 210000005242 cardiac chamber Anatomy 0.000 claims abstract description 64
- 230000002159 abnormal effect Effects 0.000 claims abstract description 40
- 230000000694 effects Effects 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000000747 cardiac effect Effects 0.000 claims description 17
- 230000008602 contraction Effects 0.000 claims description 15
- 230000004660 morphological change Effects 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000009792 diffusion process Methods 0.000 claims description 9
- 230000012010 growth Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000002679 ablation Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 210000005003 heart tissue Anatomy 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 210000003484 anatomy Anatomy 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 210000004165 myocardium Anatomy 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 230000002107 myocardial effect Effects 0.000 description 2
- 230000010349 pulsation Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004413 cardiac myocyte Anatomy 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 210000001174 endocardium Anatomy 0.000 description 1
- 230000010247 heart contraction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000003492 pulmonary vein Anatomy 0.000 description 1
- 238000000718 qrs complex Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及人工智能技术,揭露了一种房颤射频消融模拟方法及系统,所述方法包括:获取心腔内壁三维信息,根据三维信息构建心腔表面结构;根据预先获取的心电信号对心腔表面结构进行时间同步配准,得到动态心腔模型;对动态心腔模型进行结构划分,得到三维动态结构模型;对三维动态结构模型进行位置补偿,得到心腔模拟模型;根据心腔模拟模型进行房颤射频分析,得到异常电活动源位置。本发明可以解决进行射频消融时难以准确地定位心脏内的异常电活动源的问题。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种房颤射频消融模拟方法及系统。
背景技术
射频消融技术是近年来针对心律失常的一项重要进展,通过在心脏组织中释放高频射频能量,可以摧毁或隔离异常的心脏组织,从而恢复正常的心律。
目前的射频消融方法通过将X射线影像、核磁影像进行融合构建出三维影像,进而根据三维影像进行房颤射频消融,然而,由于心脏解剖结构复杂,心腔内壁形状多变,且在心脏搏动过程中位置不断变化,因此,目前的射频消融方法难以准确地定位心脏内的异常电活动源。
发明内容
本发明提供一种房颤射频消融模拟方法及系统,其主要目的在于解决进行射频消融时难以准确地定位心脏内的异常电活动源的问题。
为实现上述目的,本发明提供的一种房颤射频消融模拟方法,包括:
获取心腔内壁三维信息,根据所述三维信息构建心腔表面结构;
根据预先获取的心电信号对所述心腔表面结构进行时间同步配准,得到动态心腔模型,包括:提取出所述心电信号的时间序列;利用所述心电信号以及所述时间序列计算出心电周期;根据心电周期计算所述心腔表面结构在每个时间点的收缩程度和方向;根据所述收缩程度和方向计算心腔表面结构在每个心动周期阶段的形态变化;利用所述心电周期以及所述形态变化将所述心腔表面结构进行动态拼接,得到动态心腔模型;
对所述动态心腔模型进行结构划分,得到三维动态结构模型;
对所述三维动态结构模型进行位置补偿,得到心腔模拟模型;
根据所述心腔模拟模型进行房颤射频分析,得到异常电活动源位置。
可选地,所述根据所述三维信息构建心腔表面结构,包括:
对所述三维信息进行标准化,得到标准化数据;
利用所述标准化数据构建空间三角网格;
对所述空间三角网格进行网格优化,得到网格数据,利用如下公式来进行网格优化:
其中,为更新后的网格数据的顶点坐标,/>为空间三角网格中对应顶点坐标,/>为预设更新步长,/>为利用空间三角网格构建的扩散矩阵,/>为扩散矩阵的转置矩阵;
对所述网格数据进行表面生成,得到心腔表面结构。
可选地,所述对所述动态心腔模型进行结构划分,得到三维动态结构模型,包括:
提取预设心脏扫描数据的边界特征;
利用所述边界特征对所述动态心腔模型进行多帧重建,得到三维动态结构模型。
可选地,所述提取预设心脏扫描数据的边界特征,包括:
对所述心脏扫描数据进行图像去噪,得到去噪图像;
提取所述去噪图像的图像边缘;
对所述图像边缘进行阈值分割,得到分割边界;
对所述分割边界进行区域生长,得到边界点;
对所述边界点进行曲面拟合,得到边界特征。
可选地,所述利用所述边界特征对所述动态心腔模型进行多帧重建,得到三维动态结构模型,包括:
利用所述边界特征对所述动态心腔模型的模型帧进行特征匹配,得到匹配点;
利用所述匹配点对所述模型帧进行边界划分,得到三维心腔模型帧;
将所述三维心腔模型帧进行时空融合,得到三维动态结构模型。
可选地,所述对所述三维动态结构模型进行位置补偿,得到心腔模拟模型,包括:
计算所述三维动态结构模型每一帧进行特征匹配,得到对应点对;
计算所述对应点对的变换参数;
利用所述变换参数对所述三维动态结构模型进行位置矫正,得到心腔模拟模型。
可选地,所述根据所述心腔模拟模型进行房颤射频分析,得到异常电活动源位置,包括:
利用预设的生理电信号对所述心腔模拟模型进行房颤模拟,得到异常电生理活动特征区域;
利用所述异常电生理活动特征区域对所述心腔模拟模型中进行异常区域标注,得到异常电活动源位置。
为了解决上述问题,本发明还提供一种房颤射频消融模拟系统,所述系统包括:
结构构建模块,用于获取心腔内壁三维信息,根据所述三维信息构建心腔表面结构;
时间配准模块,用于根据预先获取的心电信号对所述心腔表面结构进行时间同步配准,得到动态心腔模型,包括:提取出所述心电信号的时间序列;利用所述心电信号以及所述时间序列计算出心电周期;根据心电周期计算所述心腔表面结构在每个时间点的收缩程度和方向;根据所述收缩程度和方向计算心腔表面结构在每个心动周期阶段的形态变化;利用所述心电周期以及所述形态变化将所述心腔表面结构进行动态拼接,得到动态心腔模型;
结构划分模块,用于对所述动态心腔模型进行结构划分,得到三维动态结构模型;
位置补偿模块,用于对所述三维动态结构模型进行位置补偿,得到心腔模拟模型;
射频分析模块,用于根据所述心腔模拟模型进行房颤射频分析,得到异常电活动源位置。
本发明实施例通过获取心腔内壁的三维信息,根据三维信息构建的三维初步几何模型,保证了心腔结构建模的精确性和可靠性,也可以提供直观且详细的可视化信息,通过根据心腔模拟模型进行房颤射频分析,可以精准的识别出异常电活动源区域有助于精确定位引起房颤的异常电活动源,提高消融指令的针对性以及精准度。因此本发明提出的一种房颤射频消融模拟方法及系统,可以解决进行射频消融时难以准确地定位心脏内的异常电活动源的问题。
附图说明
图1为本发明一实施例提供的房颤射频消融模拟方法的流程示意图;
图2为本发明一实施例提供的构建心腔表面结构的流程示意图;
图3为本发明一实施例提供的进行时间同步配准的流程示意图;
图4为本发明一实施例提供的房颤射频消融模拟系统的功能模块图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1所示,为本发明一实施例提供的房颤射频消融模拟方法的流程示意图。在本实施例中,所述房颤射频消融模拟方法包括:
S1、获取心腔内壁三维信息,根据所述三维信息构建心腔表面结构。
本发明实施例中,所述心腔表面结构指的是根据所述三维信息构建的三维初步几何模型,在实际进行房颤射频消融前,医生需要详细了解心腔的解剖结构,特别是肺静脉开口和其他关键部位的形态和位置,通过构建出心腔表面结构可以提供直观且详细的可视化信息,有助于帮助医生捕捉关键信息,更快做出决策。
本发明实施例中,所述心脏内壁三维信息指的是在心脏内膜上连续采集的空间位置信息,每个位置点都对应了一个三维坐标。
参图2所示,本发明实施例中,所述根据所述三维信息构建心腔表面结构,包括:
S21、对所述三维信息进行标准化,得到标准化数据;
S22、利用所述标准化数据构建空间三角网格;
S23、对所述空间三角网格进行网格优化,得到网格数据;
S24、对所述网格数据进行表面生成,得到心腔表面结构。
本发明实施例中,所述标准化指的是对所述三维信息进行坐标轴转换,将所述三维信息转换到一致的坐标系中。
本发明实施例中,所述利用所述标准化数据构建空间三角网格,包括:
根据所述标准化数据构建四面体;
逐个从所述标准化数据中筛选出一个数据作为目标数据;
判断所述目标数据是否属于所述四面体外接球内;
若所述目标数据位于所述四面体的外接球内,则对所述四面体进行反转操作;
若所述目标数据点不位于四面体的外接球内,则直接将该数据点所述四面体中;
当所有标准化数据都加入到所述四面体中时,得到空间三角网格。
详细地,从所述标准化数据中随机选取随机选取空间中的四个不共面的数据点,将这四个点作为顶点来创建一个四面体,判断所述四面体是否满足预设条件,若满足则将所述四面体作为初始四面体,若不满足则重新筛选出数据进行四面体创建。其中,所述预设条件为不存在包含第五个点的超球体使得此超球体内所有顶点都属于已构建的四面体。
进一步地,其中四面体的每个面都是一个三角形。
详细地,所述反转操作指的是对四面体网格中交换两个相邻的四面体共有的边,以改变网格结构的过程。
进一步的,所述反转操作通过将所述目标数据插入所述四面体中,得到与所述四面体有若干个共享边或共享面的相邻四面体,移除与目标数据点相关的两个四面体间的共享边,以目标数据点为顶点,将两个四面体共享边两侧的三角面重新组合,形成两个新的四面体。
本发明实施例中,根据所述空间三角网格构建出点与相邻点之间的连接列表,基于所述连接列表,构造出扩散矩阵,根据所述扩散矩阵对所述空间三角网格进行位置更新,得到网格数据。
本发明实施例中,可以利用如下公式对所述空间三角网格进行优化:
其中,为更新后的网格数据的顶点坐标,/>为空间三角网格中对应顶点坐标,/>为预设更新步长,/>为扩散矩阵,/>为扩散矩阵的转置矩阵。
进一步地,所述扩散矩阵L[i][j]中的每个节点i,若节点j是节点i的邻居,则将矩阵的元素设置为-1,对于节点i自身则是它邻居数量的负值,每一行之和为零。
本发明实施例中,通过利用三维信息进行心腔模型构建,可以精确反映出心腔内部的复杂解剖结构,提高精准判断异常电生理活动区域。
S2、根据预先获取的心电信号对所述心腔表面结构进行时间同步配准,得到动态心腔模型。
本发明实施例中,所述心电信号指的是指心脏肌肉细胞在进行收缩和舒张过程中产生的生物电信号,包括了一系列的波形,如QRS波群、P波、T波等。
本发明实施例中,所述时间同步配准指的是将所述新店信号和所述心腔表面结构在时间轴上进行精确对应,确保每一时刻的心脏解剖结构信息与相应时刻的心电活动状态相互关联,通过将心电信号以及心腔表面结构进行时间配准同步可以确保每一次的数据采集都与心脏特定的心动周期相匹配,避免因心脏搏动造成的几何模型失真。
参图3所示,本发明实施例中,根据预先获取的心电信号对所述心腔表面结构进行时间同步配准,得到动态心腔模型,包括:
S31、提取出所述心电信号的时间序列;
S32、利用所述心电信号以及所述时间序列计算出心电周期;
S33、根据心电周期计算所述心腔表面结构在每个时间点的收缩程度和方向;
S34、根据所述收缩程度和方向计算心腔表面结构在每个心动周期阶段的形态变化;
S35、利用所述心电周期以及所述形态变化将所述心腔表面结构进行动态拼接,得到动态心腔模型。
本发明实施例中,通过提取所述心电信号的R波峰值点,标记心动周期的起始和终止时刻,根据R波位置,将心电信号划分为多个心动周期,形成时间序列。
本发明实施例中,根据所述电周期中的心电信号计算每个时间点所述心腔表面结构的激活状态,利用预设的心肌力学模型计算心腔中各心脏肌肉组织在每个心动周期阶段的收缩程度和方向。
进一步地,所述心肌力学模型一种基于生物力学和生理学原理建立的数学模型,用于模拟心脏肌肉在心电活动驱动下的机械变形和动力学行为。
本发明实施例中,将所述心腔表面结构划分为一系列单元,针对每个单元,基于其所在位置的心脏肌肉收缩程度和方向,计算该单元在心动周期中对应的位移和转动,将所有单元的变形累加,得到心腔表面结构在每个时间点的形态变化。
本发明实施例中,在每个心动周期的时间点,根据上述计算结果更新心腔几何模型的形状和尺寸,连续更新每个时间点的心腔几何状态,生成不同心动周期阶段的心腔模型帧,将所述心腔模型帧按照心电周期的时序连接起来,得到动态心腔模型。
本发明实施例中,通过将心电信号和心腔表面结构进行时间同步配准,使得动态心腔模型能够随着时间进行收缩以及舒张,除心脏搏动和呼吸等因素带来的干扰,更真实的反映患者的心脏实际结构。
S3、对所述动态心腔模型进行结构划分,得到三维动态结构模型。
本发明实施例中,所述结构划分指的是将所述动态心腔模型中的示心腔结构、血管走向及各个组织结构进行分割,有助于发现异常电生理活动的热点区域。
本发明实施例中,所述对所述动态心腔模型进行结构划分,得到三维动态结构模型,包括:
提取预设心脏扫描数据的边界特征;
利用所述边界特征对所述动态心腔模型进行多帧重建,得到三维动态结构模型。
本发明实施例中,包含了心脏在不同心动周期阶段的连续图像序列,这些图像提供了心脏解剖结构和动态变化的关键信息。
本发明实施例中,所述提取预设心脏扫描数据的边界特征,包括:
对所述心脏扫描数据进行图像去噪,得到去噪图像;
提取所述去噪图像的图像边缘;
对所述图像边缘进行阈值分割,得到分割边界;
对所述分割边界进行区域生长,得到边界点;
对所述边界点进行曲面拟合,得到边界特征。
详细地,对所述心脏扫描数据利用预设地卷积核进行卷积,得到去噪图像。
详细地,通过计算图像中每个像素点的梯度强度和方向,得到梯度图像,保留沿梯度方向上的局部最大值点,在利用预设地高阈值和低阈值对所述局部最大值点进行筛选,得到边缘点,将所述边缘点进行连接,得到图像边缘。
详细地,遍历整个图像的像素,对于每一个像素点,将其灰度值与设定的阈值比较,若高于阈值则赋值为1(代表心脏组织),否则赋值为0(代表非心脏组织),使得心腔结构的边缘能得到清晰的分离,得到初步的分割边界。
详细地,选取已知属于心脏区域的分割边界点作为生长的起始点,对所述生长起始点与周围点进行像素相似度计算,筛选出相似度大于预设值地点作为边界点,直至没有更多符合条件的邻居像素点可加入,得到更为完整和精确的心脏边界。
详细地,对经过区域生长后得到的边界点集合进行曲面拟合,构建误差函数,它是边界点到拟合曲面的距离平方和,然后通过优化算法求解最小化误差函数时的系数,得到最佳拟合曲面方程,生成光滑连续的边界曲面。
本发明实施例中,所述利用所述边界特征对所述动态心腔模型进行多帧重建,得到三维动态结构模型,包括:
利用所述边界特征对所述动态心腔模型的模型帧进行特征匹配,得到匹配点;
利用所述匹配点对所述模型帧进行边界划分,得到三维心腔模型帧;
将所述三维心腔模型帧进行时空融合,得到三维动态结构模型。
本发明实施例中,在每一帧心腔模型图像中,运用特征检测算法(如SIFT、SURF、ORB或基于深度学习的特征点检测器)找出匹配点,并为每个关键点生成独特的描述符。
本发明实施例中,逐个根据所述匹配点对模型帧中的点进行聚类操作,将模型帧中的的特征点分类到不同的结构区域,得到三维心腔模型帧。
本发明实施例中,将通过全局匹配获得的一系列三维心腔模型帧进行时空融合,即将各个时间点的心腔模型进行无缝衔接和融合,构建出三维动态结构模型。
本发明实施例中,通过将三维心腔模型进行结构划分可以使得将心脏区域和其他无关组织进行分割,有助于更准确地识别异常区域。
S4、对所述三维动态结构模型进行位置补偿,得到心腔模拟模型。
本发明实施例中,通过对三维动态结构进行位置补偿,使得心腔模拟模型能更真实地反映心腔在实际生理状态下的情况,提高心腔模拟模型的准确度。
本发明实施例中,所述对所述三维动态结构模型进行位置补偿,得到心腔模拟模型,包括:
计算所述三维动态结构模型每一帧进行特征匹配,得到对应点对;
计算所述对应点对的变换参数;
利用所述变换参数对所述三维动态结构模型进行位置矫正,得到心腔模拟模型。
本发明实施例中,根据所述三维动态结构模型的时间序列中从三维动态结构模型中选择一帧图像作为起始帧,对所述起始帧进行关键点检测,得到图像中的关键点,利用所述关键点从所述起始帧的相邻帧中进行关键点匹配,对匹配得到地关键点进行错误筛选,得到对应点对。
进一步地,所述错误筛选是从匹配得到的关键点中筛选出预设个数的关键点,根据筛选出的关键点构造出基础矩阵,对基础矩阵进行奇异值分解,得到本质矩阵,将本质矩阵进行对称化处理,然后进行特征值分解,得到旋转矩阵和平移向量,将所有匹配点对代入由本质矩阵导出的透视变换方程,检查每个点对是否满足变换约束,根据检查结果筛除不符合变换约束的点,德奥对应点对。
本发明实施例中,通过计算所述对应点的中心点差值得到平移向量,根据所述平移向量以及对应点对的本质矩阵进行矩阵连接,得到变换矩阵,根据所述变换矩阵计算出旋转角度,所述旋转角度以及所述平移向量即为变换参数。
本发明实施例中,根据所述变换参数对所述三维动态结构中的每一帧计算对应时间点的心腔结构位置和形态变化,根据所述形态变化生成插入帧,利用所述插入帧将所述三维动态结构模型整合成连续的心腔模拟模型。
本发明实施例中,通过对三维动态结构进行位置补偿可以使得实现实时的心腔模型动态更新,提高了心腔模拟模型的精准度。
S5、根据所述心腔模拟模型进行房颤射频分析,得到异常电活动源定位。
本发明实施例中,通过对心腔模拟模型进行房颤射频分析,识别出异常电活动源区域有助于精确定位引起房颤的异常电活动源,提高消融指令的针对性。
本发明实施例中,所述根据所述心腔模拟模型进行房颤射频分析,得到异常电活动源位置,包括:
利用预设的生理电信号对所述心腔模拟模型进行房颤模拟,得到异常电生理活动特征区域;
利用所述异常电生理活动特征区域对所述心腔模拟模型中进行异常区域标注,得到异常电活动源位置。
本发明实施例中,所述生理电信号指的是心腔内多导电生理记录数据,这些数据包含了房颤期间的异常电生理活动特征。
本发明实施例中,将预设的生理电信号数据输入到心腔模拟模型中,识别出反复出现的高频电活动区域、不规则的电位波形区域以及电生理信号传导速度低于正常水平的区域,得到异常电生理活动特征区域。
本发明实施例中,根据所述异常电生理活动特征在所述心腔模拟模型中进行利用不同颜色进行标注,并输出异常区域坐标,得到异常电活动源位置。
本发明实施例中,通过进行异常电活动源定位,能够基于个体患者的特点,实现个性化的房颤病因分析,有助于制定更加精准的射频消融策略。
如图4所示,是本发明一实施例提供的房颤射频消融模拟系统的功能模块图。
本发明所述房颤射频消融模拟系统100可以安装于电子设备中。根据实现的功能,所述房颤射频消融模拟系统100可以包括结构构建模块101、时间配准模块102、结构划分模块103、位置补偿模块104及第射频分析模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述结构构建模块101,用于获取心腔内壁三维信息,根据所述三维信息构建心腔表面结构;
所述时间配准模块102,用于根据预先获取的心电信号对所述心腔表面结构进行时间同步配准,得到动态心腔模型,包括:提取出所述心电信号的时间序列;利用所述心电信号以及所述时间序列计算出心电周期;根据心电周期计算所述心腔表面结构在每个时间点的收缩程度和方向;根据所述收缩程度和方向计算心腔表面结构在每个心动周期阶段的形态变化;利用所述心电周期以及所述形态变化将所述心腔表面结构进行动态拼接,得到动态心腔模型;
所述结构划分模块103,用于对所述动态心腔模型进行结构划分,得到三维动态结构模型;
所述位置补偿模块104,用于对所述三维动态结构模型进行位置补偿,得到心腔模拟模型;
所述射频分析模块105,用于根据所述心腔模拟模型进行房颤射频分析,得到异常电活动源位置。
详细地,本发明实施例中所述房颤射频消融模拟系统100中所述的各模块在使用时采用与上述图1至图3中所述的房颤射频消融模拟方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围并不仅依据上述说明进行限定,因此旨在将落在保护范围内的等同要件的含义和范围内的所有变化涵括在本发明内。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种房颤射频消融模拟方法,其特征在于,所述方法包括:
获取心腔内壁三维信息,根据所述三维信息构建心腔表面结构;
根据预先获取的心电信号对所述心腔表面结构进行时间同步配准,得到动态心腔模型,包括:提取出所述心电信号的时间序列;利用所述心电信号以及所述时间序列计算出心电周期;根据心电周期计算所述心腔表面结构在每个时间点的收缩程度和方向;根据所述收缩程度和方向计算心腔表面结构在每个心动周期阶段的形态变化;利用所述心电周期以及所述形态变化将所述心腔表面结构进行动态拼接,得到动态心腔模型;
对所述动态心腔模型进行结构划分,得到三维动态结构模型;
对所述三维动态结构模型进行位置补偿,得到心腔模拟模型;
根据所述心腔模拟模型进行房颤射频分析,得到异常电活动源位置。
2.如权利要求1所述的房颤射频消融模拟方法,其特征在于,所述根据所述三维信息构建心腔表面结构,包括:
对所述三维信息进行标准化,得到标准化数据;
利用所述标准化数据构建空间三角网格;
对所述空间三角网格进行网格优化,得到网格数据,利用如下公式来进行网格优化,
;
其中,为更新后的网格数据的顶点坐标,/>为空间三角网格中对应顶点坐标,/>为预设更新步长,/>为利用空间三角网格构建得到的扩散矩阵,/>为扩散矩阵的转置矩阵;
对所述网格数据进行表面生成,得到心腔表面结构。
3.如权利要求1所述的房颤射频消融模拟方法,其特征在于,所述对所述动态心腔模型进行结构划分,得到三维动态结构模型,包括:
提取预设心脏扫描数据的边界特征;
利用所述边界特征对所述动态心腔模型进行多帧重建,得到三维动态结构模型。
4.如权利要求3所述的房颤射频消融模拟方法,其特征在于,所述提取预设心脏扫描数据的边界特征,包括:
对所述心脏扫描数据进行图像去噪,得到去噪图像;
提取所述去噪图像的图像边缘;
对所述图像边缘进行阈值分割,得到分割边界;
对所述分割边界进行区域生长,得到边界点;
对所述边界点进行曲面拟合,得到边界特征。
5.如权利要求3中所述的房颤射频消融模拟方法,其特征在于,所述利用所述边界特征对所述动态心腔模型进行多帧重建,得到三维动态结构模型,包括:
利用所述边界特征对所述动态心腔模型的模型帧进行特征匹配,得到匹配点;
利用所述匹配点对所述模型帧进行边界划分,得到三维心腔模型帧;
将所述三维心腔模型帧进行时空融合,得到三维动态结构模型。
6.如权利要求1所述的房颤射频消融模拟方法,其特征在于,所述对所述三维动态结构模型进行位置补偿,得到心腔模拟模型,包括:
计算所述三维动态结构模型每一帧进行特征匹配,得到对应点对;
计算所述对应点对的变换参数;
利用所述变换参数对所述三维动态结构模型进行位置矫正,得到心腔模拟模型。
7.如权利要求1所述的房颤射频消融模拟方法,其特征在于,所述根据所述心腔模拟模型进行房颤射频分析,得到异常电活动源位置,包括:
利用预设的生理电信号对所述心腔模拟模型进行房颤模拟,得到异常电生理活动特征区域;
利用所述异常电生理活动特征区域对所述心腔模拟模型中进行异常区域标注,得到异常电活动源位置。
8.一种房颤射频消融模拟系统,其特征在于,所述系统包括:
结构构建模块,用于获取心腔内壁三维信息,根据所述三维信息构建心腔表面结构;
时间配准模块,用于根据预先获取的心电信号对所述心腔表面结构进行时间同步配准,得到动态心腔模型,包括:提取出所述心电信号的时间序列;利用所述心电信号以及所述时间序列计算出心电周期;根据心电周期计算所述心腔表面结构在每个时间点的收缩程度和方向;根据所述收缩程度和方向计算心腔表面结构在每个心动周期阶段的形态变化;利用所述心电周期以及所述形态变化将所述心腔表面结构进行动态拼接,得到动态心腔模型;
结构划分模块,用于对所述动态心腔模型进行结构划分,得到三维动态结构模型;
位置补偿模块,用于对所述三维动态结构模型进行位置补偿,得到心腔模拟模型;
射频分析模块,用于根据所述心腔模拟模型进行房颤射频分析,得到异常电活动源位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410365282.9A CN117958949B (zh) | 2024-03-28 | 2024-03-28 | 一种房颤射频消融模拟方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410365282.9A CN117958949B (zh) | 2024-03-28 | 2024-03-28 | 一种房颤射频消融模拟方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117958949A CN117958949A (zh) | 2024-05-03 |
CN117958949B true CN117958949B (zh) | 2024-05-28 |
Family
ID=90859769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410365282.9A Active CN117958949B (zh) | 2024-03-28 | 2024-03-28 | 一种房颤射频消融模拟方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117958949B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008220862A (ja) * | 2007-03-15 | 2008-09-25 | Aloka Co Ltd | ボリュームデータ処理装置及び方法 |
CN106033488A (zh) * | 2015-03-10 | 2016-10-19 | 四川锦江电子科技有限公司 | 一种三维心腔模型电生理标测方法 |
CN108431720A (zh) * | 2015-12-22 | 2018-08-21 | 加利福尼亚大学董事会 | 振动源的计算局部化 |
CN111815597A (zh) * | 2020-07-01 | 2020-10-23 | 杭州脉流科技有限公司 | 基于ct影像的左心室长短轴切面提取方法、装置、计算机设备和存储介质 |
EP3984457A1 (en) * | 2020-10-15 | 2022-04-20 | Ablacon Inc. | Systems, devices, components and methods for detecting the locations of sources of cardiac rhythm disorders in a patient s heart using body surface electrodes and/or cardiac monitoring patches |
CN115578313A (zh) * | 2022-08-31 | 2023-01-06 | 上海杏脉信息科技有限公司 | 一种左心室心腔轮廓提取方法、装置、介质及设备 |
CN115969505A (zh) * | 2022-10-26 | 2023-04-18 | 湖南中医药大学第一附属医院((中医临床研究所)) | 心脏电生理射频消融手术的标测装置及靶点数据处理方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060009755A1 (en) * | 2003-09-04 | 2006-01-12 | Sra Jasbir S | Method and system for ablation of atrial fibrillation and other cardiac arrhythmias |
US20070049915A1 (en) * | 2005-08-26 | 2007-03-01 | Dieter Haemmerich | Method and Devices for Cardiac Radiofrequency Catheter Ablation |
CA2827042A1 (en) * | 2011-02-11 | 2012-08-16 | Natalia Trayanova | System and method for planning a patient-specific cardiac procedure |
US10342620B2 (en) * | 2014-04-15 | 2019-07-09 | Siemens Healthcare Gmbh | Efficient treatment of atrial fibrillation using three-dimensional electrical potential model |
US11389102B2 (en) * | 2018-03-16 | 2022-07-19 | Ablacon Inc. | Systems, devices, components and methods for detecting the locations of sources of cardiac rhythm disorders in a patient's heart |
KR20220037903A (ko) * | 2020-09-18 | 2022-03-25 | (주) 타우피엔유메디칼 | 심방세동 시술용 카테터 및 이를 이용한 심방세동 시술 방법 |
-
2024
- 2024-03-28 CN CN202410365282.9A patent/CN117958949B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008220862A (ja) * | 2007-03-15 | 2008-09-25 | Aloka Co Ltd | ボリュームデータ処理装置及び方法 |
CN106033488A (zh) * | 2015-03-10 | 2016-10-19 | 四川锦江电子科技有限公司 | 一种三维心腔模型电生理标测方法 |
CN108431720A (zh) * | 2015-12-22 | 2018-08-21 | 加利福尼亚大学董事会 | 振动源的计算局部化 |
CN111815597A (zh) * | 2020-07-01 | 2020-10-23 | 杭州脉流科技有限公司 | 基于ct影像的左心室长短轴切面提取方法、装置、计算机设备和存储介质 |
EP3984457A1 (en) * | 2020-10-15 | 2022-04-20 | Ablacon Inc. | Systems, devices, components and methods for detecting the locations of sources of cardiac rhythm disorders in a patient s heart using body surface electrodes and/or cardiac monitoring patches |
CN115578313A (zh) * | 2022-08-31 | 2023-01-06 | 上海杏脉信息科技有限公司 | 一种左心室心腔轮廓提取方法、装置、介质及设备 |
CN115969505A (zh) * | 2022-10-26 | 2023-04-18 | 湖南中医药大学第一附属医院((中医临床研究所)) | 心脏电生理射频消融手术的标测装置及靶点数据处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117958949A (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230190114A1 (en) | Bootstrapping a simulation-based electromagnetic output of a different anatomy | |
JP4521271B2 (ja) | 変形可能な3次元対象の頭頂の動きに関する情報を表示する画像処理システム | |
US11664125B2 (en) | System and method for deep learning based cardiac electrophysiology model personalization | |
CN106097298B (zh) | 基于球空间划分的冠状动脉自动分段与解剖学标记方法 | |
US7689021B2 (en) | Segmentation of regions in measurements of a body based on a deformable model | |
Nagel et al. | A bi-atrial statistical shape model for large-scale in silico studies of human atria: model development and application to ECG simulations | |
Banerjee et al. | A completely automated pipeline for 3D reconstruction of human heart from 2D cine magnetic resonance slices | |
Heyde et al. | Anatomical image registration using volume conservation to assess cardiac deformation from 3D ultrasound recordings | |
Matsopoulos et al. | Thoracic non-rigid registration combining self-organizing maps and radial basis functions | |
US7526113B2 (en) | Method for processing an image sequence of a distortable 3-D object to yield indications of the object wall deformations | |
Shi et al. | Myocardial motion and function assessment using 4D images | |
CN117958949B (zh) | 一种房颤射频消融模拟方法及系统 | |
CN112508872A (zh) | 颅内血管图像预处理方法和电子设备 | |
Tu et al. | Left ventricular boundary detection from spatio-temporal volumetric computed tomography images | |
CN110232695A (zh) | 基于混合模态图像的左心室图像分割方法及系统 | |
CN107085866A (zh) | 一种人体直骨ct图像的模拟仿真方法及系统 | |
US20050228626A1 (en) | System and method for health analysis | |
Zhou et al. | Two stage registration-based automatic left ventricle myocardium segmentation of cardiac 4DCT images | |
Zhang et al. | Left-ventricle segmentation in real-time 3D echocardiography using a hybrid active shape model and optimal graph search approach | |
Nagel | Multiscale Cohort Modeling of Atrial Electrophysiology: Risk Stratification for Atrial Fibrillation through Machine Learning on Electrocardiograms | |
Szilágyi et al. | Volumetric analysis of the heart using echocardiography | |
Dangi | Left Ventricle Segmentation, Tracking, and 3D Reconstruction from Multi-plane 2D TEE Image Sequences | |
Ratnakumar | Markov chain modeling of ECG-gated live left atrial fluoroscopy variability to establish a well-defined basis for rigid registration to a three-dimensional CT image | |
CN117557522A (zh) | 多模态多维医学影像序列通用运动追踪方法及装置 | |
Huang et al. | Four-dimensional LV tissue tracking from tagged MRI with a 4D B-spline model |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |