JP2021194543A - 心房細動 - Google Patents

Abstract

【課題】心房細動及び心房細動終結を検出するための機械学習／人工知能アルゴリズムを実施するシステム及び方法を提供すること。【解決手段】方法が提供される。方法は、メモリ上に記憶され、少なくとも１つのプロセッサによって実行されるプロセッサ実行可能コードとして具体化される検出エンジンによって実施される。方法は、局所興奮時間を通過する心電図データ信号の速度を測定及び定量化するベクトル速度場をモデル化することを含む。方法は、平面内の各点についてコードを決定して、色コード化ベクトル場画像を与えることと、カーネルを使用して、色コード化ベクトル場画像をスキャンすることによって、巣状興奮及びローター指標を検出することと、巣状興奮及びローター指標を持続因子に分類することと、を更に含む。【選択図】図１

Description

（優先権の主張）
本出願は、発明の名称が「ＡＴＲＩＡＬ ＦＩＢＲＩＬＬＡＴＩＯＮ」である米国特許仮出願第６３／０３９，２９１号に基づく優先権を主張するものであり、当該出願をあらゆる目的で恰も本明細書にその全体が記載されているのと同様に参照によって援用するものである。

（発明の分野）
本発明は、心房細動に関連する人工知能及び機械学習に関する。より詳細には、本発明は、心房細動及び心房細動終結を検出するための機械学習／人工知能アルゴリズムを実施するシステム及び方法に関する。

心房細動（「ａＦｉｂ」）は、血液凝固、脳卒中、心不全、及び他の心臓に関連する合併症につながり得る、小刻みに振動する、又は不規則な心拍（不整脈）である。ａＦｉｂは、臨床診療において診断される最も一般的な不整脈である。米国におけるａＦｉｂの有病率の推定値は、約２７０万人〜６１０万人の範囲であり、２０３０年には１２１０万人まで上昇することが予想される。２０１３年の研究によれば、全世界での推定値は、２０１０年におけるａＦｉｂを有する個人の数を約３３５０万と推定している。これは世界人口の約０．５パーセントにあたる。

現在のところ、医師は、特定のａＦｉｂ症例がうまく終結したかどうか、またいつ終結したかを心電図（ＥＣＧ）信号のセットから判定することはできない。例えば、従来のメカニズムは、速度ベクトル場、機械学習、ディープラーニング、及び／又は他の詳細なアルゴリズムを使用することなく、位相マッピング（すなわち、電極間の遅延を計算し、位相シンギュラリティを見出す）及びベクトル解析を検討するものである。よく言っても、従来の機構は、カテーテルアブレーションの前後の電位図のフローマッピングによって決定されるａＦｉｂ源の速度特性を用いることができる程度であり、それでも、これらの従来の機構では、活性な巣状興奮源と不活性な巣状興奮源とを区別することはできない。同様に、従来の機構は、ａＦｉｂ終結の判定においても理想にはほど遠い。

例示的な実施形態によれば、方法が提供される。方法は、メモリ上に記憶され、少なくとも１つのプロセッサによって実行されるプロセッサ実行可能コードとして具体化される検出エンジンによって実施される。方法は、局所興奮時間を通過する心電図データ信号の速度を測定及び定量化するベクトル速度場をモデル化することを含む。方法は、平面内の各点について１つ以上のコードを決定して、色コード化ベクトル場画像を与えることと、１つ以上のカーネルを使用して、色コード化ベクトル場画像をスキャンすることによって、巣状興奮及びローター指標を検出することと、巣状興奮及びローター指標を持続因子（perpetuators）に分類することと、を更に含む。

１つ以上の実施形態によれば、上記の例示的な方法の実施形態は、装置、システム、及び／又はコンピュータプログラム製品として実施することができる。

より詳細な理解は、添付の図面と併せて実例として示される以下の説明より得ることができる。説明中、各図面の同様の参照符合は同様の要素を示す。
１つ以上の実施形態による、本開示の主題の１つ以上の特徴を実施することができる例示的なシステムの図を示す。 １つ以上の実施形態による、心房の解剖学的に正確な再構成のための例示的なシステムのブロック図を示す。 １つ以上の実施形態による方法を示す。 １つ以上の例示的な実施形態による、人工知能システムの図解描写を示す。 １つ以上の実施形態による、ニューラルネットワークの一例及びニューラルネットワーク内で実行される方法のブロック図を示す。 １つ以上の実施形態による方法を示す。 １つ以上の実施形態によるグラフを示す。 １つ以上の実施形態による表面（ｘ，ｙ）のグラフを示す。 １つ以上の実施形態による、図８の表面（ｘ，ｙ）の速度ベクトル場のグラフを示す。

本明細書では、検出エンジンによって実施される機械学習及び／又は人工知能の方法及びシステムを開示する。より詳細には、本発明は、ａＦｉｂ及びａＦｉｂ終結を検出する機械学習／人工知能アルゴリズムを含む検出エンジンに関する。

検出エンジンの１つ以上の利点、技術的効果、及び／又は効果は、巣状興奮の実際のアブレーションに基づいたフィードバックループを用いて、活性の質問と不活性の質問（例えば、巣状興奮源とローターとを区別する）を解くことを含むことができる。この点に関して、検出エンジンは、巣状興奮源とローター（例えば、活性及び不活性）とを区別しながら、ベクトル速度場をモデル化することができる。すなわち、検出エンジンは、局所興奮時間（ＬＡＴ）を計算する場所を定義し、ＬＡＴの導関数を計算して速度を取得し、巣状興奮源を特定し（例えば、１ｍｍのボックス内）、活性又は不活性巣状興奮源を分類し（例えば、１ｍｍのボックス内）、遡及的分析を与え（例えば、過去の症例を検討し、アブレーションが行われた場所を決定する）、予想的分析を与える（例えば、アブレーションを行う場所を決定する）ことができる。

説明を容易にするため、検出エンジンは、心臓におけるａＦｉｂを判定及び治療することに関して本明細書に記載されているが、任意の解剖学的構造、身体部分、器官、又はその部分を、本明細書に記載される検出エンジンによるマッピングの標的とすることができる。更に、検出エンジン及び／又は機械学習／人工知能アルゴリズムは、医療機器装置による処理操作により、及び医療機器装置の処理ハードウェアに必ずしもルーティングされなくともよいプロセッサ実行可能コード又はソフトウェアである。

１つ以上の実施形態によれば、メモリ上に記憶され、少なくとも１つのプロセッサによって実行されるプロセッサ実行可能コードとして具体化される検出エンジンによって実施される方法が提供される。この方法は、検出エンジンによって、局所興奮時間を通過する心電図データ信号の速度を測定及び定量化するベクトル速度場をモデル化することと、検出エンジンによって、平面内の各点について１つ以上のコードを決定して、色コード化ベクトル場画像を与えることと、検出エンジンによって、１つ以上のカーネルを使用して、色コード化ベクトル場画像をスキャンすることによって、巣状興奮及びローター指標を検出することと、検出エンジンによって、巣状興奮及びローター指標を持続因子に分類することと、を含む。

本明細書の１つ以上の実施形態又は方法の実施形態のいずれかによると、心電図データ信号は、解剖学的構造内の、検出エンジンと通信するカテーテルによって検出することができる。

本明細書の１つ以上の実施形態又は方法の実施形態のいずれかによれば、検出エンジンは、第１の興奮時間に対する局所興奮時間の１つ以上のセグメントを検出することができる。

本明細書の１つ以上の実施形態又は方法の実施形態のいずれかによれば、検出エンジンは、各ｘ、ｙ点における電波の方向を計算し、多項式表面の導関数を用いることによってベクトル速度場をモデル化して、速度ベクトル場を与えることができる。

本明細書における１つ以上の実施形態又は方法の実施形態のいずれかによれば、検出エンジンは、速度ベクトル場を機械学習又は人工知能アルゴリズムへの入力として用いることによって、持続因子を分類することができる。

本明細書における１つ以上の実施形態又は方法の実施形態のいずれかによれば、機械学習又は人工知能アルゴリズムは、持続因子のうちのゴールドスタンダード持続因子の位置を検出するためのディープ畳み込みニューラルネットワーク又は再帰型ニューラルネットワークを含むことができる。

本明細書における１つ以上の実施形態又は方法の実施形態のいずれかによれば、機械学習又は人工知能アルゴリズムは、心電図データ信号に関する特定の症例のアブレーションの転帰が成功であったかどうかを判定することができる。

本明細書における１つ以上の実施形態又は方法の実施形態のいずれかによれば、巣状興奮及びローター指標は、１つ以上のカーネル内で、すべての方向が順番であるときに検出することができる。

本明細書における１つ以上の実施形態又は方法の実施形態のいずれかによれば、検出エンジンは、持続因子をマーキングするとき、ベクトル速度及びアブレーション情報に基づいて、心房細動持続因子を自動的に特定及びアノテーションすることができる。

本明細書における１つ以上の実施形態又は方法の実施形態のいずれかによれば、関心領域のアノテーションは、少なくとも、関心領域がアブレーションされたか、又は心房細動が終結したかを示すために、活性、不活性、及び不明のカテゴリーに関して検出エンジンにより使用することができる。

１つ以上の実施形態によれば、システムは、検出エンジン用のプロセッサ実行可能コードを記憶するメモリを含む。システムはまた、少なくとも１つのプロセッサであって、プロセッサ実行可能コードを実行して、システムに、検出エンジンによって、局所興奮時間を通過する心電図データ信号の速度を測定及び定量化するベクトル速度場をモデル化することと、検出エンジンによって、平面内の各点について１つ以上のコードを決定して、色コード化ベクトル場画像を与えることと、検出エンジンによって、１つ以上のカーネルを使用して、色コード化ベクトル場画像をスキャンすることによって、巣状興奮及びローター指標を検出することと、検出エンジンによって、巣状興奮及びローター指標を持続因子に分類ことと、を行わせる、少なくとも１つのプロセッサも含む。

本明細書における１つ以上の実施形態又はシステムの実施形態のいずれかによると、心電図データ信号は、解剖学的構造内の、検出エンジンと通信するカテーテルによって検出することができる。

本明細書における１つ以上の実施形態又はシステムの実施形態のいずれかによれば、検出エンジンは、第１の興奮時間に対する局所興奮時間の１つ以上のセグメントを検出することができる。

本明細書における１つ以上の実施形態又はシステムの実施形態のいずれかによれば、検出エンジンは、各ｘ、ｙ点における電波の方向を計算し、多項式表面の導関数を用いることによってベクトル速度場をモデル化して、速度ベクトル場を与えることができる。

本明細書における１つ以上の実施形態又はシステムの実施形態のいずれかによれば、検出エンジンは、速度ベクトル場を機械学習又は人工知能アルゴリズムへの入力として用いることによって、持続因子を分類することができる。

本明細書における１つ以上の実施形態又はシステムの実施形態のいずれかによれば、機械学習又は人工知能アルゴリズムは、持続因子のうちのゴールドスタンダード持続因子の位置を検出するためのディープ畳み込みニューラルネットワーク又は再帰型ニューラルネットワークを含むことができる。

本明細書における１つ以上の実施形態又はシステムの実施形態のいずれかによれば、機械学習又は人工知能アルゴリズムは、心電図データ信号に関する特定の症例のアブレーションの転帰が成功であったかどうかを判定することができる。

本明細書における１つ以上の実施形態又はシステムの実施形態のいずれかによれば、巣状興奮及びローター指標は、１つ以上のカーネル内で、すべての方向が順番であるときに検出することができる。

本明細書における１つ以上の実施形態又はシステムの実施形態のいずれかによれば、検出エンジンは、持続因子をマーキングするとき、ベクトル速度及びアブレーション情報に基づいて、心房細動持続因子を自動的に特定及びアノテーションすることができる。

本明細書における１つ以上の実施形態又はシステムの実施形態のいずれかによれば、関心領域のアノテーションは、少なくとも、関心領域がアブレーションされたか、又は心房細動が終結したかを示すために、活性、不活性、及び不明のカテゴリーに関して検出エンジンによって使用することができる。

図１は、本明細書の主題の１つ以上の特徴を１つ以上の実施形態に従って実施することができる、システム１００として示される例示的なシステム（例えば、医療装置機器）の図である。システム１００の全体又は一部を使用して、本明細書に記載される情報（例えば、生体測定データ及び／若しくは訓練データセット）を収集し、かつ／又は検出エンジン１０１（例えば、機械学習及び／又は人工知能アルゴリズム）を実施することができる。検出エンジン１０１は、持続性のａＦｉｂ患者を治療するためにアブレーションされるａＦｉｂの持続因子を検出し、速度ベクトル場の画像及び生データを持続因子に分類するためのディープラーニング最適化として定義することができる。

図に示されるシステム１００は、カテーテル１１０（少なくとも１つの電極１１１を含む）、シャフト１１２、シース１１３、及びマニピュレータ１１４を備えたプローブ１０５を含んでいる。図に示されるシステム１００はまた、医師１１５（又は医療専門家又は臨床医）、心臓１２０、患者１２５、及びベッド１３０（又はテーブル）も含んでいる。差し込み図１４０及び１５０は、心臓１２０及びカテーテル１１０をより詳細に示すものである点に留意されたい。システム１００はまた、図に示されるように、コンソール１６０（１つ以上のプロセッサ１６１及びメモリ１６２を含む）及びディスプレイ１６５も含んでいる。更に、システム１００の各要素及び／又はアイテムは、その要素及び／又はそのアイテムのうちの１つ以上を表す点に留意されたい。図１に示されるシステム１００の例は、本明細書に開示される実施形態を実施するように改変されてもよい。本開示の実施形態も、他のシステム構成要素及び設定を使用して、同様に適用することができる。更に、システム１００は、電気的活動を感知するための要素、有線又は無線コネクタ、処理及びディスプレイ装置などの、更なる構成要素を含んでもよい。

システム１００は、（例えば、検出エンジン１０１を使用して）心臓の状態を検出、診断、及び／又は治療するために使用することができる。心不整脈などの心臓状態は、特に老年人口において一般的かつ危険な内科疾患として根強く残っている。例えば、システム１００は、生体測定データ（例えば、心臓１２０などの患者の臓器の解剖学的及び電気的測定値）を取得し、心臓アブレーション処置を実施するように構成された外科用システム（例えば、Ｂｉｏｓｅｎｓｅ Ｗｅｂｓｔｅｒより販売されるＣＡＲＴＯ（登録商標）システム）の一部とすることができる。より詳細には、心不整脈などの心臓疾患の治療では、心組織、心腔、静脈、動脈、及び／又は電気的経路の詳細なマッピングを得ることがしばしば求められる。例えば、（本明細書に記載されるような）カテーテルアブレーションを支障なく実施するための前提条件として、心不整脈の原因が心臓１２０の心腔において正確に位置特定されることがある。このような位置特定は、心臓１２０の心腔内に導入されたマッピングカテーテル（例えば、カテーテル１１０）によって空間的に分解された電位を検出する電気生理学的検査によって行うことができる。この電気生理学的検査、いわゆる電気解剖学的マッピングはしたがって、３Ｄマッピングデータを提供し、これをモニター上に表示することができる。多くの場合、マッピング機能及び治療機能（例えば、アブレーション）は単一のカテーテル又は一群のカテーテルによって提供され、それにより、マッピングカテーテルはまた、同時に治療（例えば、アブレーション）カテーテルとしても動作する。この場合、検出エンジン１０１は、カテーテル１１０によって直接格納及び実行することができる。

正常洞調律（ＮＳＲ）を有する患者（例えば、患者１２５）では、心房、心室、及び興奮性伝導組織を含む心臓（例えば、心臓１２０）は、電気的に興奮して、同期した、パターンを有する形で拍動する。この電気的興奮は、心内心電図（ＩＣ ＥＣＧ）データなどとして検出することができる点に留意されたい。

心臓１２０は一般的に、４つの心腔、２つの上側の心腔（心房）と２つの下側の心腔（心室）とから構成される。冠静脈洞（ＣＳ）は、合流する静脈の集合体であり、心筋からの血液を集めて酸素化度の低い血液を右心房に送る大きな血管を形成する。心臓１２０の律動は通常、右心房に位置する洞結節（図示せず）によって制御される。洞結節は、通常、それぞれの心拍を開始させて自然のペースメーカーとして機能する電気インパルスを発生する。電気インパルスは洞結節から心房を通って流れ、心房筋を収縮させて心室内へと血液を圧送させる。次いで、電気インパルスは、房室結節（ＡＶ節）（図示せず）と呼ばれる細胞群に到達する。ＡＶ節は、通常、心房から心室へと信号が流れる唯一の経路である。ＡＶ節は、電気信号を心室に送る前に減速させる。この遅延は、わずかであっても、心室が血液で満たされることを可能にする。電気インパルスが心室の筋肉に到達すると、筋肉が収縮し、筋肉は肺又は身体の残りの部分に血液を圧送する。健康な心臓１２０では、この過程は通常、円滑に進み、毎分６０〜１００回の正常安静時心拍数となる。上記で特定された疾患状態のうちの１つを有する心臓１２０では、心臓内の不完全な電気的接続又は電気的活動の異常領域が、異常なリズムを誘発し、これを持続させる。これが起こった場合、心拍数が急速に加速し、心臓１２０が再収縮する前に満たされるための十分な時間が与えられなくなる。心臓１２０のこれらの効果的でない収縮は、脳が十分な血液及び酸素を受け取らない可能性があるため、頭のふらつき又はめまいを引き起こすおそれがある。

心不整脈（例えば、心房細動又はａＦｉｂ）を有する患者（例えば、患者１２５）では、心組織の異常領域は、正常な導電性組織に伴う同期した拍動周期に従わず、ＮＳＲを有する患者とは対照的である。代わりに、心組織の異常領域では隣接組織への変行伝導が生じ、これにより心周期が乱れて非同期的心律動となる。この非同期的心律動はまた、ＩＣ ＥＣＧデータとして検出することができる点に留意されたい。こうした異常伝導は、例えば、房室（ＡＶ）結節の伝導経路に沿った洞房（ＳＡ）結節の領域、又は心室及び心房の壁を形成する心筋組織など、心臓１２０の様々な領域で生じることがこれまでに知られている。異常な導電性の組織のパターンがリエントリー経路につながることにより、洞律動の複数倍になり得る規則的なパターンで心腔が拍動する、心房粗動などの他の状態も存在する。

システム１００が心臓の状態を検出、診断、及び／又は治療することを支援するため、医師１１５はベッド１３０上に横たわる患者１２５の心臓１２０内にプローブ１０５を誘導することができる。例えば、医師１１５は、カテーテル１１０の近位端の近くのマニピュレータ１１４及び／又はシース１１３からの偏向を用いてシャフト１１２の遠位端を操作しながら、シース１１３を通してシャフト１１２を挿入することができる。差し込み図１４０に示されるように、カテーテル１１０をシャフト１１２の遠位端に取り付けることができる。カテーテル１１０は、折り畳まれた状態でシース１１３を通して挿入することができ、次いで、心臓１２０内で拡張させることができる。

一般的に、心臓１２０内のある点における電気的活動は通常、遠位先端又はその近くに電気センサを収容したカテーテル１１０（例えば、少なくとも１つの電極１１１）を心臓１２０内のその点へと前進させ、組織をセンサと接触させ、その点におけるデータを収集することによって測定することができる。単一の遠位先端電極のみを収容したカテーテルを使用して心腔をマッピングすることに伴う１つの難点は、心腔全体としての詳細なマップに求められる必要な数の点にわたって各点ごとにデータを集積するために長い時間が必要とされることがある。したがって、心腔内の複数の点における電気的活動を同時に測定するために、多電極カテーテル（例えば、カテーテル１１０）が開発されてきた。

少なくとも１つの電極１１１及びその本体上に連結されたカテーテル針を含むことができるカテーテル１１０は、体内臓器（例えば、心臓１２０）の電気的信号などの生体測定データを得て、かつ／又はその組織領域（例えば、心臓１２０の心腔）をアブレーションするように構成することができる。電極１１１は、追跡コイル、圧電変換器、電極、又は組織領域をアブレーションするか又は生体測定データを取得するように構成された要素の組み合わせなどの任意の同様の要素を代表するものである点に留意されたい。１つ以上の実施形態によれば、カテーテル１１０は、軌跡情報を決定するために使用される１つ以上の位置センサを含むことができる。この軌跡情報を使用して、組織の収縮性などの運動特性を推測することができる。

生体測定データ（例えば、患者生体測定値、患者データ、又は患者生体測定データ）は、局所興奮時間（ＬＡＴ）、電気的活動、トポロジー、双極マッピング、基準活動、心室活動、優位周波数、インピーダンスなどのうちの１つ以上を含むことができる。ＬＡＴは、正規化された初期開始点に基づいて計算された、局所興奮に対応する閾値活動の時点であり得る。電気的活動は、１つ以上の閾値に基づいて測定され得る任意の適用可能な電気信号であってよく、信号対ノイズ比及び／又はその他のフィルタに基づいて、検知及び／又は拡張され得る。トポロジーは、身体部分又は身体部分の一部の物理的構造に対応し得、身体部分の異なる部分に関する、又は異なる身体部分に関する物理的構造における変化に対応し得る。優位周波数は、身体部分の一部で一般的に見られる周波数又は周波数の範囲であってよく、同じ身体部分の異なる部分において異なり得る。例えば、心臓のＰＶの優位周波数は、同じ心臓の右心房の優位周波数と異なり得る。インピーダンスは、身体部分の特定の領域における抵抗測定値であり得る。

生体測定データの例としては、これらに限定されるものではないが、患者識別データ、ＩＣ ＥＣＧデータ、双極心臓内基準信号、解剖学的及び電気的測定値、軌跡情報、身体表面（ＢＳ）ＥＣＧデータ、履歴データ、脳生体測定値、血圧データ、超音波信号、無線信号、音声信号、２次元又は３次元画像データ、血糖データ、及び温度データが挙げられる。生体測定値は一般的に、心血管疾患（例えば、不整脈、心筋症、及び冠動脈疾患）、及び自己免疫疾患（例えば、Ｉ型及びＩＩ型糖尿病）などの任意の数の様々な疾患を監視、診断、及び治療するために使用され得る。ＢＳ ＥＣＧデータは、患者の表面上の電極から収集されたデータ及び信号を含み得、ＩＣ ＥＣＧデータは、患者体内の電極から収集されたデータ及び信号を含み得、アブレーションデータは、アブレーションされた組織から収集されたデータ及び信号を含み得る点に留意されたい。更に、ＢＳ ＥＣＧデータ、ＩＣ ＥＣＧデータ、及びアブレーションデータは、カテーテル電極位置データと共に、１つ以上の処置記録から導出することができる。

例えば、カテーテル１１０は、電極１１１を使用して血管内超音波及び／又はＭＲＩカテーテル法を実施して、心臓１２０を画像化する（例えば、生体測定データを取得及び処理する）ことができる。差し込み図１５０は、心臓１２０の心腔内部のカテーテル１１０の拡大図を示している。カテーテル１１０はポイントカテーテルとして示されているが、１つ以上の電極１１１を含む任意の形状が、本明細書に開示される例示的な実施形態を実施するために使用され得る点は理解されよう。

カテーテル１１０の例としては、これらに限定されるものではないが、複数の電極を有する直線状カテーテル、バルーンを形成する複数のスパイン上に分散した電極を含むバルーンカテーテル、複数の電極を有するラッソーカテーテル若しくはループカテーテル、接触力感知カテーテル、又は他の任意の適用可能な形状若しくはタイプが挙げられる。直線状カテーテルは、受信信号に基づいて及び／又は直線状カテーテルに対する外力（例えば、心臓組織）の作用に基づいて、捻れ、折れ曲がり、及び／又は他の形でその形状を変化させることができるように、完全に又は部分的に弾性であってよい。バルーンカテーテルは、患者の身体内に配備されるとき、その電極を心内膜表面に対して密接に接触した状態に保持することができるように設計することができる。一例として、バルーンカテーテルは、ＰＶなどの管腔に挿入することができる。バルーンカテーテルは収縮状態でＰＶに挿入することができ、それにより、ＰＶに挿入されている間にバルーンカテーテルがその最大体積を占有することはない。バルーンカテーテルは、ＰＶの内側にある間に拡張することができ、それにより、バルーンカテーテル上の電極は、ＰＶの円形部分全体と接触する。ＰＶ又は任意の他の管腔の円形部分全体とのこのような接触は、効率的な撮像及び／又はアブレーションを可能とする。

他の例によれば、身体パッチ及び／又は身体表面電極を患者１２５の身体上又は身体に近接して配置することもできる。１つ以上の電極１１１を有するカテーテル１１０を身体内（例えば、心臓１２０内）に配置することができ、カテーテル１１０の位置を、カテーテル１１０の１つ以上の電極１１１と身体パッチ及び／又は身体表面電極との間で送信及び受信される信号に基づいてシステム１００により決定することができる。更に、電極１１１は、心臓１２０内などの患者１２５の身体内から生体測定データを感知することができる（例えば、電極１１１は、組織の電位をリアルタイムで感知する）。生体測定データは、決定されたカテーテル１１０の位置と関連付けることができ、それにより、患者の身体部分（例えば、心臓１２０）のレンダリングを表示し、身体部分の形状に重ね合わされた生体測定データを示すことができる。

プローブ１０５及びシステム１００の他のアイテムは、コンソール１６０に接続することができる。コンソール１６０は、機械学習及び／又は人工知能アルゴリズム（検出エンジン１０１として表される）を用いる任意のコンピューティングデバイスを含むことができる。例示的な実施形態によれば、コンソール１６０は、１つ以上のプロセッサ１６１（任意のコンピューティングハードウェア）及びメモリ１６２（任意の非一時的有形媒体）を含み、１つ以上のプロセッサ１６１は、検出エンジン１０１に関するコンピュータ命令を実行し、メモリ１６２は、１つ以上のプロセッサ１６１により実行するためのこれらの命令を記憶する。例えば、コンソール１６０は、生体測定データを受信及び処理して、特定の組織領域が電気を伝導するかどうかを判定するように構成することができる。

いくつかの実施形態では、コンソール１６０は、局所興奮時間を通過する心電図データ信号の速度を測定及び定量化するベクトル速度場をモデル化し、平面内の各点について１つ以上のコードを決定して、色コード化ベクトル場画像を与え、１つ以上のカーネル（例えば、マップ内の空間）を使用して、色コード化ベクトル場画像をスキャンすることによって、巣状興奮及びローター指標を検出し、巣状興奮及びローター指標を持続因子に分類する機能を実行するために、（ソフトウェア内の）検出エンジン１０１によって更にプログラムすることができる。例えば、検出エンジン１０１は、解剖学的構造内で操作される際にカテーテル１１０によって取得される生体測定データを受信する、ディープラーニング最適化（図３及び図６に関連して本明細書に記載される）を含むことができる。マッピングが生成された後、検出エンジン１０１は、既存のユーザインタフェース及び／又は検出エンジン１０１の特殊化されたユーザインタフェースを介するなどして、マッピングのユーザ修正を表す入力を受信することができる。一般的に、検出エンジン１０１は、オペレーティングシステム又は他のアプリケーションの代わりに、及び／又は必要に応じて直接など、１つ以上のユーザインタフェースを提供することができる。ユーザインタフェースとしては、これらに限定されるものではないが、インターネットブラウザ、グラフィックユーザインタフェース（ＧＵＩ）、ウィンドウインタフェース、及び／又はアプリケーション、オペレーティングシステム、ファイルフォルダ用などの他のビジュアルインタフェースが挙げられる。１つ以上の実施形態によれば、検出エンジン１０１は、コンソール１６０の外部にあってもよく、例えばカテーテル１１０内、外部デバイス内、モバイルデバイス内、クラウドベースのデバイス内に位置してもよく、又はスタンドアロン型プロセッサであってもよい。この点に関して、検出エンジン１０１は、ネットワークを介して電子形態で転送可能／ダウンロードすることができる。

１つの例では、コンソール１６０は、ソフトウェア（例えば、検出エンジン１０１）及び／又は、プローブ１０５への信号及びそのプローブからの信号を送信及び受信するための、並びにシステム１００の他の構成要素を制御するための適当なフロントエンド回路及びインタフェース回路を備えた汎用コンピュータなどのハードウェア（例えば、プロセッサ１６１及びメモリ１６２）を含む、本明細書に記載の任意のコンピューティングデバイスであってよい。例えば、フロントエンド及びインタフェース回路は、コンソール１６０が少なくとも１つの電極１１１から信号を受信し、かつ／又は信号を少なくとも１つの電極１１１に伝送することを可能にする入出力（Ｉ／Ｏ）通信インタフェースを含む。コンソール１６０は、典型的には、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）の後に続くアナログデジタル（Ａ／Ｄ）ＥＣＧ又は心電図／筋電図（ＥＭＧ）信号変換集積回路として構成されたリアルタイムノイズ低減回路を含み得る。コンソール１６０は、Ａ／Ｄ ＥＣＧ又はＥＭＧ回路から別のプロセッサへ信号を伝えることができ、かつ／又は本明細書に開示される１つ以上の機能を実行するようにプログラムすることができる。

生体測定データを視覚的に提示するための任意の電子デバイスであり得るディスプレイ１６５は、コンソール１６０に接続されている。例示的な実施形態によれば、処置中、コンソール１６０は、ディスプレイ１６５上で、医師１１５への身体部分のレンダリングの提示を促進し、メモリ１６２に身体部分のレンダリングを表すデータを記憶することができる。例えば、運動特性を示すマップを、心臓１２０内の十分な数の点でサンプリングされた軌跡情報に基づいてレンダリング／構築することができる。一例として、ディスプレイ１６５は、身体部分のレンダリングを提示することに加えて、医療専門家１１５からの入力を受けるように構成され得るタッチスクリーンを含んでもよい。

いくつかの例示的な実施形態では、医師１１５は、タッチパッド、マウス、キーボード、ジェスチャ認識装置などの１つ以上の入力装置を使用して、システム１００の要素及び／又は身体部分のレンダリングを操作することができる。例えば、入力装置を使用して、レンダリングが更新されるようにカテーテル１１０の位置を変更することができる。ディスプレイ１６５は、同じ場所、又は別の病院若しくは別の医療提供者ネットワークなどの遠隔の場所に配置され得る点に留意されたい。

１つ以上の実施形態によれば、システム１００は、超音波、コンピュータ断層撮影（ＣＴ）、ＭＲＩ、又はカテーテル１１０若しくは他の医療機器を利用する他の医療撮像技術を使用して生体測定データを得ることもできる。例えば、システム１００は、１つ以上のカテーテル１１０又は他のセンサを使用して、心臓１２０のＥＣＧデータ及び／又は解剖学的及び電気的測定値（例えば、生体測定データ）を得ることができる。より詳細には、コンソール１６０は、ケーブルによって、患者１２５に貼付された接着皮膚パッチを含むＢＳ電極に接続することができる。ＢＳ電極は、ＢＳ ＥＣＧデータの形態で生体測定データを取得／生成することができる。例えば、プロセッサ１６１は、患者１２５の身体部分（例えば、心臓１２０）内のカテーテル１１０の位置座標を決定することができる。位置座標は、身体表面電極とカテーテル１１０又は他の電磁構成要素の電極１１１との間で測定されるインピーダンス又は電磁場に基づいたものであってよい。上記に加えて、又は上記に代えて、ナビゲーションに使用される磁場を生成する位置パッドをベッド１３０の表面上に配置してもよく、また、ベッド１３０とは別としてもよい。生体測定データは、コンソール１６０に送信し、メモリ１６２に記憶させることができる。上記に代えて又は上記に加えて、生体測定データは、本明細書で更に記載するようなネットワークを使用して、ローカル又はリモートであってよいサーバに送信されてもよい。

１つ以上の例示的な実施形態によれば、カテーテル１１０は、心臓１２０の心腔の組織領域をアブレーションするように構成することができる。差し込み図１５０は、心臓１２０の心腔内部のカテーテル１１０の拡大図を示している。例えば、少なくとも１つの電極１１１などのアブレーション電極を、体内の臓器（例えば、心臓１２０）の組織領域にエネルギーを与えるように構成することができる。エネルギーは、熱エネルギーであり得、組織領域の表面から始まって組織領域の厚さに延在する組織領域への損傷を引き起こす可能性がある。アブレーション処置に関する生体測定データ（例えば、アブレーション組織、アブレーション位置など）は、アブレーションデータと見なすことができる。

一例によれば、生体測定データを取得することに関して、多電極カテーテル（例えば、カテーテル１１０）を心臓１２０の心腔内に前進させることができる。電極のそれぞれの位置及び向きを確定するために、前後方向（ＡＰ）及び横方向の蛍光写真を取得することができる。ＥＣＧは、ＢＳ ＥＣＧからの洞律動におけるＰ波の発生及び／又は冠状静脈洞内に配置されたカテーテル１１０の電極１１１からの信号など、時間基準に対して心臓表面と接触する電極１１１のそれぞれから記録することができる。本明細書で更に開示されるシステムは、電気的活動を記録する電極と、心内膜壁に近接していないことにより電気的活動を記録しない電極とを区別することができる。最初のＥＣＧが記録された後、カテーテルを再配置することができ、蛍光写真及びＥＣＧを再び記録することができる。次に、（例えば、心臓マッピングを介して）電気的マップを、上記のプロセスの反復から構築することができる。

心臓マッピングは、１つ以上の技術を使用して実施することができる。一般的に、心臓１２０の心臓領域、組織、静脈、動脈、及び／又は電気経路などの心臓領域のマッピングによって、瘢痕組織、不整脈源（例えば、電気的ローター）などの問題領域、健康な領域などの特定につながり得る。心臓領域は、本明細書で更に開示されるように、マッピングされた心臓領域の視覚的レンダリングがディスプレイを使用して提供されるようにマッピングすることができる。更に、心臓マッピング（心臓撮像の一例である）は、これらに限定されるものではないが、ＬＡＴ、局所興奮速度、電気的活動、トポロジー、双極マッピング、優位周波数、又はインピーダンスなどの１つ以上のモダリティに基づくマッピングを含んでもよい。複数のモダリティに対応するデータ（例えば、生体測定データ）は、患者の身体に挿入されたカテーテル（例えば、カテーテル１１０）を使用してキャプチャすることができ、対応する設定及び／又は医師１１５の好みに基づいて、同時に又は異なる時間にレンダリングするために与えることができる。

第１の技術の一例として、心臓マッピングは、心臓１２０内の正確な位置の関数として、心臓組織の電気的特性、例えばＬＡＴを感知することによって実施することができる。対応するデータ（例えば、生体測定データ）は、心臓１１２０内に前進させられる、遠位先端に電気及び位置センサ（例えば、電極１１１）を有する１つ以上のカテーテル（例えば、カテーテル１１０）により取得することができる。具体例として、場所及び電気的活動は、通常、心臓１２０の内側表面上の約１０〜約２０箇所の点で最初に測定することができる。これらのデータ点は一般的に、心臓表面の予備復元又はマップを満足な品質で生成するのに十分である。予備マップは、更なる点で測定されたデータと結合されて心臓の電気的活動の更に包括的なマップが生成される。臨床現場では、心腔の電気的活動の詳細な包括的マップを生成するために１００箇所以上の部位（例えば数千）のデータを集積することも珍しいことではない。その後、生成された詳細なマップは、心臓の電気的活動の伝播を変化させ、正常な心律動を回復させるための治療行為、例えば、本明細書に記載される組織のアブレーションについての決定を行うための基準となり得る。

更に、心臓マッピングは、心内電位場（例えば、ＩＣ ＥＣＧデータ及び／又は双極心内基準信号の一例である）の検出に基づいて生成することができる。大量の心臓電気的情報を同時に取得するために非接触技法を実施することができる。例えば、遠位端部分を有するカテーテルタイプは、その表面上にわたって分布し、信号感知及び処理手段への接続のために絶縁導電体に接続された一連のセンサ電極を備えることができる。端部分のサイズ及び形状は、電極が心腔の壁から大きな間隔を隔てて配置されるようなものとすることができる。心内電位場は、１回の心拍の間に検出することができる。一例によれば、センサ電極は、互いに間隔を置いた平面内に位置する一連の円周上に分布させることができる。これらの平面は、カテーテルの端部分の長軸に対して垂直であってよい。少なくとも２個の更なる電極を、端部分の長軸の両端に隣接して設けることができる。より具体的な例として、カテーテルは、各円周上に等角で間隔を置いて配置された８個の電極を有する４つの円周を含んでもよい。したがって、この特定の実現形態では、カテーテルは、少なくとも３４個の電極（３２個の円周方向電極と２個の端部電極）を含むことができる。別のより具体的な例として、カテーテルは、５本の柔軟な可撓性分枝、８本の放射状スプライン、又は平行なスプラインを有するフライ返し型（例えば、いずれも合計４２個の電極を有し得る）などの他の多スプライン型カテーテルを含んでもよい。

電気的又は心臓マッピングの例として、非接触式及び非拡張式多電極カテーテル（例えば、カテーテル１１０）に基づく電気生理学的心臓マッピングシステム及び技術を実施することができる。ＥＣＧは、複数の電極（例えば、４２〜１２２個の電極など）を有する１つ以上のカテーテル１１０を用いて得ることができる。この実施によれば、プローブ及び心内膜の相対的な幾何学的形状の知見を、経食道心エコー法などの独立した撮像モダリティによって得ることができる。独立した撮像の後、非接触式電極を使用して心臓表面電位を測定し、この表面電位からマップを構築することができる（例えば、場合によっては、双極心内基準信号を使用する）。この技術は、（独立した撮像工程の後に）以下の工程を含むことができる。すなわち、（ａ）心臓１２０内に配置されたプローブ上に配設された複数の電極を用いて電位を測定する工程、（ｂ）プローブ表面と心内膜表面及び／又は他の基準との幾何学的関係を決定する工程、（ｃ）プローブ表面と心内膜表面との幾何学的関係を表す係数の行列を生成する工程、及び（ｄ）電極電位及び係数の行列に基づいて心内膜電位を決定する工程。

電気的又は心臓マッピングの別の例として、心腔の電位分布をマッピングするための技術及び装置を実施することができる。心臓内多電極マッピングカテーテルアセンブリを心臓１２０に挿入することができる。マッピングカテーテル（例えば、カテーテル１１０）アセンブリは、１つ以上の一体型基準電極（例えば、１つ又は電極１１１）を有する複数電極アレイ又はコンパニオン基準カテーテルを含むことができる。

１つ以上の例示的な実施形態によれば、電極は、ほぼ球状のアレイの形態で展開することができ、この球状のアレイは、基準電極によって、又は心内膜表面と接触させられる基準カテーテルによって心内膜表面上の点に対して空間的に参照することができる。好ましい電極アレイカテーテルは、多数の個々の電極部位（例えば、少なくとも２４個）を有することができる。加えて、この例の技法では、アレイ上の電極部位のそれぞれの位置を知ること、及び心臓の幾何学的形状を知ることで実施することができる。これらの位置は好ましくは、インピーダンスプレチスモグラフィ法によって決定される。

電気的又は心臓マッピングの観点から、また、別の例によれば、カテーテル１１０は、多数の電極部位を画定する電極アレイを含み得る心臓マッピングカテーテルアセンブリとすることもできる。この心臓マッピングカテーテルアセンブリはまた、心臓壁を探針するために使用することが可能な遠位先端電極アセンブリを有する基準カテーテルを受容するための管腔を備えている。マップ心臓マッピングカテーテルアセンブリは、絶縁ワイヤの編組（例えば、編組内に２４〜６４本のワイヤを有する）を含むことができ、ワイヤのそれぞれを使用して電極部位を形成することができる。心臓マッピングカテーテルアセンブリは、非接触電極部位の第１のセット及び／又は接触電極部位の第２のセットから電気的活動情報を取得するために使用されるように心臓１２０内に容易に配置可能である。

更に、別の例によれば、心臓内の電気生理学的活動のマッピングを実施することができるカテーテル１１０は、心臓をペーシングするための刺激パルスを供給するように適合された遠位先端部、又は先端部と接触する組織をアブレーションするためのアブレーション電極を含むことができる。このカテーテル１１０は、直交電極の近傍の局所的な心臓電気的活動を示す差分信号を生成するための、少なくとも１対の直交電極を更に備えてもよい。

本明細書で述べられるように、システム１００を用いて心臓の状態を検出、診断、及び／又は治療することができる。例示的な動作では、心腔内の電気生理学的データを測定するためのプロセスを、システム１００によって実施することができる。この方法は、部分的に、能動電極と受動電極のセットを心臓１２０内に配置することと、能動電極に電流を供給し、それにより心腔内に電場を発生させることと、受動電極部位において電場を測定することとを含むことができる。受動電極は、バルーンカテーテルの膨張可能なバルーン上に配置されたアレイに含まれる。好ましい実施形態では、アレイは６０〜６４個の電極を有すると言われる。

別の例示的な動作として、心臓マッピングは、１つ以上の超音波トランスデューサを使用してシステム１００によって実施することもできる。超音波トランスデューサは、患者の心臓１２０に挿入することができ、心臓１２０内の様々な位置及び向きの複数の超音波スライス（例えば、２次元又は３次元スライス）を収集することができる。特定の超音波トランスデューサの位置及び向きが分かる場合もあり、収集された超音波スライスは、後で表示することができるように記憶させることができる。プローブ１０５（例えば、カテーテル１１０として示される治療カテーテル）の位置に対応する１つ以上の超音波スライスを表示することができ、１つ以上の超音波スライス上にプローブ１０５を重ね合わることができる。

システム１００を考慮すると、心房性不整脈を含めた心不整脈は、心房の周りで散乱して、しばしば自己伝播する電気インパルス（例えば、ＩＣ−ＥＣＧデータの別の例）の複数の非同期的ループを特徴とする、マルチウェーブレット・リエントラント型である場合があることが分かる。マルチウェーブレット・リエントラント型に代わって、又はそれに加えて、心不整脈はまた、心房の組織の孤立領域が、急速かつ反復する形で自律的に興奮する場合などの（例えば、ＩＣ−ＥＣＧデータの別の例）、巣状興奮源を有する場合もある。心室性頻脈症（Ｖ−ｔａｃｈ又はＶＴ）は、心室のうちの１つにおいて起こる頻脈症又は高速な心律動である。これは、心室細動及び突然死につながり得るため、潜在的に致死性の不整脈である。

例えば、ａＦｉｂは、洞房結節によって生成される通常の電気インパルス（例えば、ＩＣ−ＥＣＧデータの別の例）を心房静脈及びＰＶで生じる無秩序な電気インパルスが上回り（例えば、信号干渉）、不規則なインパルスが心室に伝導される場合に発生する。その結果、不規則な心拍が生じ、数分〜数週間、又は更には数年間持続する場合がある。多くの場合、ａＦｉｂは、しばしば脳卒中による死亡リスクをわずかに増加させる慢性的な状態である。ａＦｉｂの治療方針は、心拍数を減らすか又は心律動を正常に戻す投薬治療である。更には、ａＦｉｂを有する患者は、脳卒中のリスクから守るために抗凝血剤を投与される場合が多い。そのような抗凝血剤の使用は、それ自体のリスクである内出血を伴う。一部の患者では、投薬治療は十分ではなく、その患者のａＦｉｂは、薬剤不応、すなわち、標準的な薬理学的介入では治療不可能であると判断される。同期された電気的除細動もまた、ａＦｉｂを通常の心律動に変換するために使用することができる。あるいは、ａＦｉｂの患者には、カテーテルアブレーションによる治療も行われる。

カテーテルアブレーションを用いた治療には、心臓組織、特に心内膜及び心臓容積の電気的特性をマッピングすること、並びにエネルギーの印加によって心臓組織を選択的にアブレーションすることが含まれてもよい。電気的又は心臓マッピング（例えば、本明細書に記載される任意の電気生理学的心臓マッピングシステム及び技術によって実施される）には、心臓組織に沿った波伝播の電位マップ（例えば、電圧マップ）、又は様々な組織内に位置する点への到達時間のマップ（例えば、ＬＡＴマップ）を作成することが含まれる。局所的な心臓組織の機能不全を検出するために、電気的又は心臓マッピング（例えば、心臓マップ）を使用することができる。心臓マッピングに基づくアブレーションなどのアブレーションは、不要な電気信号が心臓１２０のある部分から別の部分へと伝播することを停止させるか又は変化させることができる。

アブレーション法は、非伝導性の損傷部を形成することによって望ましくない電気経路を破壊するものである。様々なエネルギー送達の様式が、損傷部を形成する目的でこれまでに開示されており、心臓組織壁に沿って伝導ブロックを作成するためのマイクロ波、レーザ、及びより一般的には無線周波エネルギーの使用が挙げられる。エネルギー送達法の別の例としては、細胞膜を損傷する高い電場を与える不可逆的エレクトロポレーション（ＩＲＥ）が挙げられる。２段階の処置（マッピングに続いてアブレーション）においては、通常、１つ以上の電気的センサ（例えば、電極１１１）を収容したカテーテル１１０を心臓１２０内に前進させ、多数の点におけるデータ（例えば、一般的には生体測定データとして、又は具体的にはＥＣＧデータとして）を取得／収集することによって、心臓１２０内の点における電気的活動が感知及び測定される。次いでこのデータを用いて、アブレーションを実施する心内膜の標的領域が選択される。

心房細動及び心室頻拍などの困難な疾患を医師が治療する際の心臓アブレーション及びその他の心臓電気生理学的処置は、ますます複雑化している。難治性不整脈の治療は現在、対象となる心腔の解剖学的構造を再構成するうえで３次元（３Ｄ）マッピングシステムの使用に頼る場合がある。この点に関して、本明細書のシステム１００によって採用される検出エンジン１０１は、一般的には生体測定データを、具体的にはＥＣＧデータを操作及び評価して、異常心拍又は不整脈を治療するためのより正確な診断、画像、スキャン、及び／又はマップを可能とする改善された組織データを生成する。例えば、心臓専門医は、ＥＣＧデータを生成及び分析するうえで、Ｂｉｏｓｅｎｓｅ Ｗｅｂｓｔｅｒ，Ｉｎｃ．（Ｄｉａｍｏｎｄ Ｂａｒ，Ｃａｌｉｆ．）により製造されるＣＡＲＴＯ（登録商標）３ ３ＤマッピングシステムのＣｏｍｐｌｅｘ Ｆｒａｃｔｉｏｎａｔｅｄ Ａｔｒｉａｌ Ｅｌｅｃｔｒｏｇｒａｍｓ（ＣＦＡＥ）モジュールなどのソフトウェアに頼っている。システム１００の検出エンジン１０１は、このソフトウェアを強化して、改善された生体測定データを生成及び分析し、これにより更に、ａＦｉｂの心臓基質（解剖学的及び機能的）を表す心臓１２０（瘢痕組織を含む）の電気生理学的特性に関する複数の情報を更に提供する。

したがって、システム１００は、異常ＥＣＧの検出の観点から、心筋症の潜在的な不整脈原性基質の位置を特定するために、ＣＡＲＴＯ（登録商標）３ ３Ｄマッピングシステムなどの３Ｄマッピングシステムを実装することができる。これらの心臓疾患に関連する基質は、心室腔（右及び左）の心内膜及び／又は心外膜層の分裂及び延長したＥＣＧの存在と関連付けられている。例えば、低電圧又は中電圧の領域は、ＥＣＧの分裂及び延長した活動を示し得る。更に、洞律動の間において低電圧又は中電圧の領域は、持続性のまとまりのある心室性不整脈の間において識別される臨界峡部（critical isthmus）に対応し得る（例えば、許容されない心室頻拍、並びに心房内に当てはまる）。一般的に、異常組織は、低電圧のＥＣＧによって特徴付けられる。しかしながら、心内膜−心外膜マッピングにおける初期の臨床経験によって、低電圧の領域は、こうした患者における唯一の不整脈発生機序として常に存在するとは限らないことが示されている。実際に、低電圧又は中電圧の領域は、洞律動の間にＥＣＧの分裂及び延長した活動を示す場合があり、これは、持続性のまとまりのある心室性不整脈の間において識別される臨界峡部（に対応する（例えば、許容されない心室頻拍のみに当てはまる）。更に、多くの場合、ＥＣＧの分裂及び延長した活動は、正常又はほぼ正常な電圧振幅（＞１〜１．５ｍＶ）を示す領域で観察される。後者の領域は、電圧振幅に従って評価することができるが、心内信号によれば正常とは見なすことができず、したがって真の不整脈原性基質を表している。３Ｄマッピングは、主要疾患の進展によって分布にばらつきがあり得る、右／左心室の心内膜及び／又は心外膜層上の不整脈原性基質の位置を特定することができる。

別の例示的な動作として、心臓マッピングは、１つ以上の多電極カテーテル（例えば、カテーテル１１０）を使用してシステム１００によって実施することもできる。多電極カテーテルは、心臓１２０内の電気的活動を刺激及びマッピングし、異常な電気的活動が見られる部位をアブレーションするために使用される。使用時には、多電極カテーテルは、主要な静脈又は動脈、例えば大腿静脈に挿入された後、対象となる心臓１２０の心腔内へと案内される。典型的なアブレーション処置では、その遠位端に少なくとも１つの電極１１１を有するカテーテル１１０を心腔内に挿入することを含む。基準電極が、患者の皮膚にテープで貼り付けられるか、あるいは心臓内又は心臓付近に配置される第２のカテーテルによって、あるいはカテーテル１１０の１つ又は他の電極１１１から選択することによって、提供される。高周波（ＲＦ）電流がアブレーションカテーテル１１０の先端電極１１１に印加され、先端電極の周囲の媒質（すなわち、血液及び組織）に基準電極に向かって電流が流れる。電流の分布は、組織より高い導電性を有する血液と比較して、組織と接触している電極表面の量に依存する。組織の加熱は、組織の電気抵抗に起因して生じる。組織が十分に加熱されると、心臓組織において細胞破壊が引き起こされ、結果として、非電導性である心臓組織内に損傷部が形成される。この過程では、加熱された組織から電極自体への伝導によって先端電極１１１の加熱も生じる。電極の温度が十分に高くなり、場合により６０℃を超えると、脱水された血中タンパク質の薄く透明な皮膜が、電極１１１の表面上に形成され得る。温度が上昇し続けると、この脱水層が徐々に厚くなり、電極表面上に血液が凝固する。脱水された生物学的材料は、心内膜組織よりも高い電気抵抗を有するため、電気エネルギーの組織内部への流れに対するインピーダンスもまた増大する。インピーダンスが十分に高くなると、インピーダンス上昇が起こり、カテーテル１１０を身体から抜いて先端電極１１１をきれいにしなければならない。

ここで図２を参照すると、１つ以上の例示的な実施形態による、本開示の主題の１つ以上の特徴を実施することができるシステム２００の図が示されている。システム２００は、患者２０２（例えば、図１の患者１２５の一例）に対して、装置２０４、ローカルコンピューティングデバイス２０６、リモートコンピューティングシステム２０８、第１のネットワーク２１０、及び第２のネットワーク２１１を含んでいる。更に、装置２０４は、生体測定センサ２２１（例えば、図１のカテーテル１１０の一例）、プロセッサ２２２、ユーザ入力（ＵＩ）センサ２２３、メモリ２２４、及び送受信機２２５を含むことができる。説明を容易とし、簡潔にするため、図１の検出エンジン１０１を図２で再使用している点に留意されたい。

一実施形態によれば、装置２０４は、図１のシステム１００の一例であってよく、装置２０４は、患者の内部の構成要素及び患者の外部の構成要素の両方を含むことができる。別の実施形態によれば、装置２０４は、取り付け可能なパッチ（例えば、患者の皮膚に取り付けられる）を含む患者２０２の外部の装置であってよい。別の実施形態によれば、装置２０４は、患者２０２の身体の内部のもの（例えば、皮下埋め込み可能な）とすることができ、装置２０４を、経口注入、静脈若しくは動脈を介した外科的挿入、内視鏡手術、又は腹腔鏡手術を含む任意の適用可能な方法によって患者２０２内に挿入することができる。一実施形態によれば、単一の装置２０４が図２に示されているが、例示的なシステムは、複数の装置を含むことができる。

したがって、装置２０４、ローカルコンピューティングデバイス２０６、及び／又はリモートコンピューティングシステム２０８は、検出エンジン１０１に関するコンピュータ命令を実行するようにプログラムすることができる。一例として、メモリ２２３は、装置２０４が生体測定センサ２０１を介して生体測定データを受信及び処理することができるように、プロセッサ２２２によって実行するためのこれらの命令を記憶する。このように、プロセッサ２２２及びメモリ２２３は、ローカルコンピューティングデバイス２０６及び／又はリモートコンピューティングシステム２０８のプロセッサ及びメモリを代表するものである。

装置２０４、ローカルコンピューティングデバイス２０６、及び／又はリモートコンピューティングシステム２０８は、検出エンジン１０１及びその機能を個別又は集合的に記憶、実行、及び実施するソフトウェア及び／又はハードウェアの任意の組み合わせとすることができる。更に、装置２０４、ローカルコンピューティングデバイス２０６、及び／又はリモートコンピューティングシステム２０８は、本明細書に記載されるように、様々な通信技術を利用した任意の数及び組み合わせのコンピューティングデバイス及びネットワークを含む、及び／又は使用する電子的コンピュータフレームワークとすることができる。装置２０４、ローカルコンピューティングデバイス２０６、及び／又はリモートコンピューティングシステム２０８は、異なるサービスに合わせて変更することが可能な、又は他と独立していくつかの機能を再構成することが可能な、容易にスケーラブルで、拡張可能な、モジュール式のものとすることができる。

ネットワーク２１０及び２１１は、有線ネットワーク、無線ネットワークであってもよく、又は１つ以上の有線及び無線ネットワークを含んでもよい。一実施形態によれば、ネットワーク２１０は、近距離ネットワーク（例えば、ローカルエリアネットワーク（ＬＡＮ）、又はパーソナルエリアネットワーク（ＰＡＮ））の一例である。情報は、Ｂｌｕｅｔｏｏｔｈ、Ｗｉ−Ｆｉ、Ｚｉｇｂｅｅ、Ｚ−Ｗａｖｅ、近接場通信（ＮＦＣ）、ウルトラバンド、Ｚｉｇｂｅｅ、又は赤外線（ＩＲ）などの様々な近距離無線通信プロトコルのうちのいずれか１つを使用して、装置２０４とローカルコンピューティングデバイス２０６との間で近距離ネットワーク２１０を介して送信することができる。更に、ネットワーク２１１は、イントラネット、ローカルエリアネットワーク（ＬＡＮ）、広域ネットワーク（ＷＡＮ）、メトロポリタンエリアネットワーク（ＭＡＮ）、直接接続若しくは一連の接続、セルラー電話ネットワーク、又はローカルコンピューティングデバイス２０６とリモートコンピューティングシステム２０８との間の通信を容易にすることが可能な任意のその他のネットワーク若しくは媒体のうちの１つ以上のものの一例である。情報は、様々な長距離無線通信プロトコル（例えば、ＴＣＰ／ＩＰ、ＨＴＴＰ、３Ｇ、４Ｇ／ＬＴＥ、又は５Ｇ／Ｎｅｗ Ｒａｄｉｏ）のいずれか１つを使用して、ネットワーク２１１を介して送信することができる。なお、ネットワーク２１０及び２１１の有線接続は、イーサネット、ユニバーサルシリアルバス（ＵＳＢ）、ＲＪ−１１、又は任意の他の有線接続を使用して実施することができ、無線接続は、Ｗｉ−Ｆｉ、ＷｉＭＡＸ、及びＢｌｕｅｔｏｏｔｈ、赤外線、セルラーネットワーク、衛星通信、又は任意の他の無線接続法を使用して実施することができる。

動作中、装置２０４は、ネットワーク２１０を介して、患者２０２に関連する生体測定データを、連続的又は定期的に、取得、監視、記憶、処理、及び通信することができる。更に、装置２０４、ローカルコンピューティングデバイス２０６、及び／又はリモートコンピューティングシステム２０８は、ネットワーク２１０及び２１１を介して通信する（例えば、ローカルコンピューティングデバイス２０６は、装置２０４とリモートコンピューティングシステム２０８との間のゲートウェイとして構成することができる）。例えば、装置２０４は、ネットワーク２１０を介してローカルコンピューティングデバイス２０６と通信するように構成された図１のシステム１００の一例であり得る。ローカルコンピューティングデバイス２０６は、例えば、固定／独立型デバイス、基地局、デスクトップ／ラップトップコンピュータ、スマートフォン、スマートウォッチ、タブレット、又はネットワーク２１１及び２１０を介して他のデバイスと通信するように構成された他のデバイスとすることができる。ネットワーク２１１上の、若しくはネットワーク２１１に接続された物理サーバとして、又はネットワーク２１１のパブリッククラウドコンピューティングプロバイダ（例えば、Ａｍａｚｏｎ Ｗｅｂ Ｓｅｒｖｉｃｅｓ（ＡＷＳ）（登録商標））内の仮想サーバとして実施されるリモートコンピューティングシステム２０８は、ネットワーク２１１を介してローカルコンピューティングデバイス２０６と通信するように構成することができる。これにより、患者２０２に関連する生体測定データをシステム２００全体を通じて通信することができる。

装置２０４の要素について以下に記載する。生体測定センサ２２１は、例えば、異なる種類の生体測定データが観察される／得られる／取得されるように、１つ以上の環境条件を電気信号に変換するように構成された１つ以上のトランスデューサを含むことができる。例えば、生体測定センサ２２１は、電極（例えば、図１の電極１１１）、温度センサ（例えば、熱電対）、血圧センサ、血糖センサ、血中酸素センサ、ｐＨセンサ、加速度計、及びマイクロフォンのうちの１つ以上を含むことができる。

検出エンジン１０１を実行するうえで、プロセッサ２２２は、生体測定センサ２２１によって取得された生体測定データを受信、処理、及び管理し、かつ生体測定データを、記憶させるためにメモリ２２４に、及び／又は送受信機２２５を介してネットワーク２１０全体に通信するように構成することができる。１つ以上の他の装置２０４からの生体測定データはまた、送受信機２２５を介してプロセッサ２２２によって受信されてもよい。また、本明細書でより詳細に説明するように、プロセッサ２２２は、ＵＩセンサ２２３から受信される異なるタッピングパターン（例えば、シングルタップ又はダブルタップ）に選択的に応答して、パッチの異なるタスク（例えば、データの取得、記憶、又は送信）が、検出されたパターンに基づいて起動されるように構成することができる。いくつかの実施形態では、プロセッサ２２２は、ジェスチャを検出することに関する可聴フィードバックを生成することができる。

ＵＩセンサ２２３は、例えば、タップ又はタッチなどのユーザ入力を受信するように構成された圧電センサ又は静電容量センサとすることができる。例えば、ＵＩセンサ２２３は、患者２０２が装置２０４の表面をタップ又はタッチすることに応答して、容量性結合を実施するように制御されてもよい。ジェスチャ認識は、抵抗容量性、表面容量性、投影容量性、表面弾性波、圧電及び赤外線タッチなどの、様々な容量型のうちのいずれか１つを介して実装することができる。静電容量センサは、表面のタップ又はタッチが監視デバイスを起動させるように、表面の小さい領域又は長さにわたって配設されてもよい。

メモリ２２４は、磁気、光学、又は電子メモリ（例えば、ランダムアクセスメモリ又はハードディスクドライブなどの任意の適当な揮発性及び／又は不揮発性メモリ）などの任意の非一時的有形媒体である。メモリ２２４は、プロセッサ２２２によって実行されるコンピュータ命令を記憶する。

送受信機２２５は、別個の送信機と別個の受信機を含むことができる。あるいは、送受信機２２５は、単一のデバイスに統合された送信機と受信機を含んでもよい。

動作中、検出エンジン１０１を利用する装置２０４は、生体測定センサ２２１を介して患者２０２の生体測定データを観察し／得て、メモリ内に生体測定データを記憶し、送受信機２２５を介してシステム２００全体でこの生体測定データを共有する。次いで、検出エンジン１０１は、モデル、アルゴリズム（例えば、ディープラーニング最適化）、ニューラルネットワーク、機械学習、及び／又は人工知能を利用して、医師へのマッピングを生成及び提供し、システム１００の処理負荷を低減し、オペレーションシステム１００をより正確なマッピングマシンに変換することができる。

ここで図３を参照すると、方法３００が１つ以上の実施形態に従って例示されている。方法３００は、一般的に、持続性のａＦｉｂ患者を治療するためにアブレーションされるａＦｉｂの持続因子を検出し、速度ベクトル場の画像及び生データを持続因子に分類するためのディープラーニング最適化を実施する検出エンジン１０１の１つ以上の動作を示している。

方法３００は、ブロック３０７において開始し、検出エンジン１０１がＬＡＴの１つ以上のセグメントを検出する（例えば、第１の興奮時間に対して）。この点に関して、検出エンジン１０１への入力は、ＥＣＧデータ信号の形態の生体測定データを含む。ＥＣＧデータ信号から、ＬＡＴのうちの１つ以上が、少なくとも１つの時間間隔（例えば、セグメント）にわたって決定される。具体的には、検出エンジン１０１は、正規化された初期開始点に基づいて（例えば、第１の興奮時間に対して）計算された、局所興奮に対応する閾値活動の時点を決定する。

ブロック３１５において、検出エンジン１０１は、ベクトル速度場をモデル化することなどによって場を計算する。例えば、ＬＡＴを通過する際にＥＣＧデータ信号の瞬間速度を測定及び定量化するベクトル速度場（例えば、各ｘ、ｙ点における電波の方向を計算し、多項式表面の導関数を用いて速度ベクトル場を与えることによって）。１つ以上の実施形態によれば、カテーテル１１０は、心房（ｘ、ｙ）平面の表面上に配置することができ、検出エンジン１０１は、散乱プロットを用いて（例えば、第１の作動時間に対して）ＬＡＴを記述することができる。検出エンジン１０１は、散乱プロットの係数を推定し、その導関数を決定して速度ベクトル場を与えることができる。

ブロック３２１において、検出エンジン１０１は、持続因子を検出及び分類する。この点に関して、検出エンジン１０１は、ブロック３１５の速度ベクトル場を、機械学習及び／又は人工知能アルゴリズム（例えば、ディープ畳み込みニューラルネットワーク）への入力として使用して、「ゴールドスタンダード」持続因子の位置を検出する。ブロック３２１の１つ以上の利点、技術的効果、及び／又は利益には、アブレーションの転帰が成功であったかどうか（例えば、アブレーション処置が１つ以上の正及び負の転帰を有したかどうか、及びどの程度で）を含む、特定の症例の転帰の理解を与えるビッグデータの成果が含まれる。したがって、検出エンジン１０１は、ＧＵＩを介して表示することができるＥＣＧ信号のセットからの自動的な理解を与える。方法３００を実行する検出エンジン１０１は、過去の症例を検討してどの場所でアブレーションが行われたかを判定する遡及的分析を与えることができ、また、将来の症例においてアブレーションを行う場所を決定する予想分析を与えることができる。

１つ以上の実施形態によれば、検出エンジン１０１は、本明細書に記載されるニューラルネットワークなどの機械学習アルゴリズムを使用して、転帰（例えば、データのどの部分が、処置が正の転帰を有した時点及び処置が正の転帰を有したかどうかを示しているか）に関するＥＣＧデータ信号のキューを決定する。キューにはまた、これらに限定されるものではないが、システム状態、アブレーションのパラメータ、アブレーション位置、アブレーション持続時間、加えられた力、電力、及び温度などの入力を用いることも含まれ得る。例えば、頻脈の延長、その後の途絶（breakdown）を含む、アブレーションによる頻脈の変化及び維持がもたらされた後、検出エンジン１０１の機械学習アルゴリズムは、終結をもたらしたイベント及び／又は場所を自動的にタグ付けすることができる。検出エンジン１０１の機械学習アルゴリズムは、更に、機械学習アルゴリズムによって予測／予想されるように、終結に至ったアブレーションを示す、医師によって提供された場所及びイベントを更にタグ付けすることができる。したがって、検出エンジン１０１は、ユーザに電気生理学的処置の臨床転帰を認識させる。更に、検出エンジン１０１の動作は、ＨＩＳ束（例えば、特殊な局所化信号を含む）及び横隔膜捕捉（例えば、ＡＩセッション中のデータフラグ刺激を含む）、及び成功した終結の外観の理解などの、対象となる他の特徴に適用することができる。

方法３００のブロック３２１と関連して、図４は、１つ以上の実施形態による人工知能システム４００の図解描写を示す。人工知能システム４００は、データ４１０（例えば、生体測定データ）、マシン４２０、モデル４３０、転帰４４０、及び（下層の）ハードウェア４５０を含む。適切な場合、理解を容易にするため、図４〜図５の説明は、図１〜図３を参照して行う。例えば、マシン４１０、モデル４３０、及びハードウェア４５０は、図１〜図２の検出エンジン１０１の態様を表し得る（例えば、機械学習及び／又はその中の人工知能アルゴリズム）が、一方、ハードウェア４５０も、図１のカテーテル１１０、図１のコンソール１６０、及び／又は図２の装置２０４を表し得る。一般的に、人工知能システム４００の機械学習及び／又は人工知能アルゴリズム（例えば、図１〜図２の検出エンジン１０１によって実施される）は、データ４１０を使用してハードウェア４５０に対して動作して、マシン４２０を訓練してモデル４３０を構築し、転帰４４０を予測する。

例えば、マシン４２０は、ハードウェア４５０に関連付けられたコントローラ又はデータ収集として動作するか、及び／又はハードウェア４５０に関連付けられる。データ４１０（例えば、本明細書に記載される生体測定データ）は、ハードウェア４５０に関連付けられた進行中データ又は出力データであってよい。データ４１０はまた、現在収集中のデータ、履歴データ、又はハードウェア４５０からの他のデータも含むことができ、外科手術中の測定値を含むことができ、外科手術の転帰と関連付けることができ、収集され、心臓処置の転帰と相関させた、図１の心臓１４０の温度を含むことができ、ハードウェア４５０に関連付けることができる。データ４１０は、マシン４２０によって１つ以上のサブセットに分割され得る。

更に、マシン４２０は、例えば、ハードウェア４５０などに対して訓練される。この訓練はまた、収集されたデータ４１０の分析及び相関を含むことができる。１つ以上の実施形態によれば、検出エンジン１０１は、急性不整脈の終結、ａＦｉｂの終結、又は任意の頻脈の終結を判定することに関して、及び／又は一定の日数のブランキング期間後の転帰を特定すること、並びに使用され得る長期のフォローアップの使用を通知することに関して機械学習アルゴリズムを訓練することができる。

例えば、心臓の場合では、温度及び転帰のデータ４１０を、心臓処置中の図１の心臓１４０の温度と転帰との間に相関又は関連が存在するかどうかを判定するために訓練することができる。別の実施形態によれば、マシン４２０を訓練することは、１つ以上のサブセットを用いた図１の検出エンジン１０１による自己訓練を含むことができる。この点に関して、図１の検出エンジン１０１は、ポイントごとの症例分類を検出することを学習する。

更に、モデル４３０は、ハードウェア４５０に関連付けられたデータ４１０上に構築される。モデル４３０を構築することは、物理的ハードウェア又はソフトウェアモデリング、アルゴリズムモデリング、及び／又は収集及び訓練されたデータ４１０（又はそのサブセット）を表すことを目的とした同様のモデリングを含むことができる。いくつかの態様では、モデル４３０の構築は、マシン４２０による自己訓練動作の一部である。モデル４３０は、ハードウェア４５０の動作をモデル化すると共に、ハードウェア４５０から収集されたデータ４１０をモデル化して、ハードウェア４５０によって得られる転帰４４０を予測するように構成することができる。（ハードウェア４５０に関連付けられたモデル４３０の）転帰４４０の予測では、訓練されたモデル４３０を用いることができる。例として、また、本開示の理解を深めるため、心臓の場合、３６．５℃〜３７．８９℃（すなわち、華氏９７．７度及び華氏１００．２度）の処置中の温度が心臓処置による正の転帰をもたらす場合、これらの温度を使用した特定の処置で転帰４４０を予測することができる。したがって、予測された転帰４４０を使用して、マシン４２０、モデル４３０、及びハードウェア４５０を適宜構成することができる。

したがって、人工知能システム４００がデータ４１０を使用してハードウェア４５０に対して動作し、マシン４２０を訓練し、モデル４３０を構築し、転帰４４０を予測するためには、機械学習及び／又はその中の人工知能アルゴリズムがニューラルネットワークを含むことができる。一般に、ニューラルネットワークは、ニューロンのネットワーク又は回路であり、あるいは現代的な意味では、人工ニューロン又はノード又はセルで構成される人工ニューラルネットワーク（ＡＮＮ）である。

例えば、ＡＮＮは、処理要素と要素パラメータとの間の接続によって決定される複雑なグローバル挙動を示すことができる処理要素（人工ニューロン）のネットワークを含む。ニューロンのネットワーク又は回路のこれらの接続は、重みとしてモデル化される。正の重みは興奮性の接続を反映し、負の値は抑制性の接続を意味する。入力は重みで修正され、線形結合を使用して合計される。活性化関数により、出力の振幅を制御することができる。例えば、出力の許容範囲は通常０〜１であり、あるいは−１〜１の場合もある。多くの場合、ＡＮＮは、ネットワークを通って流れる外部情報又は内部情報に基づいてその構造を変更する適応型システムである。

より実用的な言葉で言えば、ニューラルネットワークは、入力と出力との間の複雑な関係をモデル化するために、又はデータのパターンを見つけるために使用することができる非線形統計データモデリング又は意思決定ツールである。したがって、ＡＮＮは、データセットを介して訓練される間に、予測モデリング及び適応制御アプリケーションに使用することができる。経験から生じる自己学習がＡＮＮ内で発生する可能性があり、複雑で一見無関係な一組の情報から結論を導き出すことができる点に留意されたい。人工ニューラルネットワークモデルの有用性は、観測から関数を推定し、それを使用するために使用できるという事実にある。教師なしニューラルネットワークは、入力分布の顕著な特徴をキャプチャする入力の表現の学習、また、最近では、観測データの分布関数を暗黙的に学習できるディープラーニングアルゴリズムにも使用できる。ニューラルネットワークでの学習は、データ（例えば、生体測定データ）又はタスク（例えば、任意の数の様々な疾患の監視、診断、及び治療）の複雑さのためにそのような関数の設計を手作業では行えない用途において特に有用である。

ニューラルネットワークは、様々な分野で使用可能である。したがって、人工知能システム４００では、機械学習及び／又はその中の人工知能アルゴリズムは、それらが適用されるタスクに従って大まかに分割されたニューラルネットワークを含むことができる。これらの分割は、以下のカテゴリーに含まれる傾向を有する。すなわち、時系列予測及びモデリングを含む回帰分析（例えば、関数近似）、パターン及び配列認識を含む分類、新規性検出及び連続的意思決定、フィルタリングを含むデータ処理、クラスタリング、ブラインド信号源分離、及び圧縮。例えば、ＡＮＮの適用領域には、非線形システムの識別及び制御（車両制御、プロセス制御）、ゲームのプレー及び意思決定（バックギャモン、チェス、レース）、パターン認識（レーダーシステム、顔識別、オブジェクト認識）、シーケンス認識（ジェスチャ、スピーチ、手書きテキスト認識）、医療診断及び治療、金融アプリケーション、データマイニング（又はデータベースでの知識発見、すなわち「ＫＤＤ」）、視覚化並びに電子メールスパムフィルタリングが含まれる。例えば、医療処置から得られる患者の生体測定データの意味的プロファイルを作成することが可能である。

１つ以上の実施形態によれば、ニューラルネットワークは、長・短期記憶ニューラルネットワークアーキテクチャ、畳み込みニューラルネットワーク（ＣＮＮ）アーキテクチャ、又は再帰型ニューラルネットワーク（ＲＮＮ）アーキテクチャなどを実装することができる。ニューラルネットワークは、多数の層、多数の接続（例えば、エンコーダ／デコーダ接続）、正則化法（例えば、ドロップアウト）、及び最適化特性を含む。

長・短期記憶ニューラルネットワークアーキテクチャは、フィードバック接続を含み、単一のデータポイント（例えば、画像など）をデータのシーケンス全体（例えば、スピーチ又は動画など）と共に処理することができる。長・短期記憶ニューラルネットワークアーキテクチャの単位は、セル、入力ゲート、出力ゲート、及び忘却ゲートで構成することができ、セルは任意の時間間隔にわたって値を記憶し、ゲートは、セルへの及びセルからの情報の流れを調節する。

ＣＮＮアーキテクチャは、１つの層内の各ニューロンが次の層内のすべてのニューロンに接続される並進不変特性を有する共有重みアーキテクチャである。ＣＮＮアーキテクチャの正則化技術は、データ内の階層パターンを利用し、より小さくかつより単純なパターンを使用してより複雑なパターンを編成することができる。ニューラルネットワークがＣＮＮアーキテクチャを実装する場合、アーキテクチャの他の構成可能な態様は、各ステージでのフィルタの数、カーネルサイズ、及び各層ごとのカーネルの数を含むことができる。

ここで図５を参照すると、ニューラルネットワーク５００の一例及びニューラルネットワーク５００内で実行される方法５０１のブロック図が、１つ以上の実施形態に従って示されている。ニューラルネットワーク５００は、本明細書に記載される機械学習及び／又は人工知能アルゴリズムの実装（例えば、図１〜図２の検出エンジン１０１によって実装される）を支援するように動作する。ニューラルネットワーク５００は、図４のマシン４２０及び／又はハードウェア４５０などのハードウェアに実装することができる。本明細書に示されるように、図４〜図５の説明は、適切な場合、理解を容易にするため、図１〜図３を参照して行う。

例示的動作では、図１の検出エンジン１０１は、ハードウェア４５０からデータ４１０を収集することを含む。ニューラルネットワーク５００において、入力層５１０は、複数の入力（例えば、図５の入力５１２及び５１４）によって表される。方法５０１のブロック５２０に関して、入力層５１０は入力５１２及び５１４を受信する。入力５１２及び５１４は、生体測定データを含むことができる。例えば、データ４１０を収集することは、ハードウェア４５０の１つ以上の処置記録からデータセット（データ４１０によって表される）に生体測定データ（例えば、カテーテル電極位置データと共に、ＢＳ ＥＣＧデータ、ＩＣ ＥＣＧデータ、及びアブレーションデータ）を集積することであり得る。

方法５０１のブロック５２５において、ニューラルネットワーク５００は、データ４１０の任意の部分（例えば、人工知能システム４００によって生成されたデータセット及び予測）を用いて入力５１２及び５１４をコード化して、潜在表現又はデータコード化を生成する。潜在表現は、複数の入力から導出される１つ以上の中間的データ表現を含む。１つ以上の実施形態によれば、潜在表現は、図１の検出エンジン１０１の要素ごとの活性化関数（例えば、シグモイド関数又は正規化線形関数）によって生成される。図５に示すように、入力５１２及び５１４は、ノード５３２、５３４、５３６、及び５３８を含むように示された隠れ層５３０に与えられる。ニューラルネットワーク５００は、ノード５３２、５３４、５３６、及び５３８の隠れ層５３０を介して処理を実行して、処理要素と要素パラメータとの間の接続によって決定される、複雑なグローバル挙動を示すことができる。したがって、層５１０と５３０との間の移行は、入力５１２及び５１４を受けて、これをディープニューラルネットワーク（層５３０内）に転送して、一部のより小さな表現（例えば、結果的に生じる潜在表現）を学習するエンコーダステージと見なすことができる。

ディープニューラルネットワークは、ＣＮＮ、長・短期記憶ニューラルネットワーク、完全接続ニューラルネットワーク、又はそれらの組み合わせであり得る。入力５１２及び５１４は、心内ＥＣＧ、身体表面ＥＣＧ、又は心内ＥＣＧ及び身体表面ＥＣＧであってよい。このコード化は、入力５１２及び５１４の次元数削減をもたらす。次元数削減は、主要変数のセットを得ることによって、考慮されているランダム変数（入力５１２及び５１４の）の数を低減するプロセスである。例えば、次元数削減は、データ（例えば、入力５１２及び５１４）を、高次元空間（例えば、１０次元よりも高い）から低次元空間（例えば、２〜３次元）に変換する特性抽出であり得る。次元数削減の技術的効果及び利点としては、データ４１０の時間及び記憶空間要件を低減すること、データ４１０の可視化性を改善すること、及び機械学習のためのパラメータ解釈性を改善することが挙げられる。このデータ変換は、線形又は非線形であり得る。受信（ブロック５２０）及びコード化（ブロック５２５）の動作は、検出エンジン１０１による多段階データ操作のデータ準備部分と見なすことができる。

方法５１０のブロック５４５において、ニューラルネットワーク５００は潜在表現をデコード化する。デコード化ステージは、エンコーダ出力（例えば、結果として生じる潜在表現）を受け、別のディープニューラルネットワークを使用して入力５１２及び５１４の一部の形態を再構築することを試みる。この点に関して、ノード５３２、５３４、５３６、及び５３８は、方法５１０のブロック５６０に示すように、出力層５５０に出力５５２を生成する。すなわち、出力層５９０は、削減された次元で入力５１２及び５１４を再構築するが、ただし信号干渉、信号アーチファクト、及び信号ノイズを伴わない。出力５５２の例としては、クリーンにされた生体測定データ（例えば、ＩＣ ＥＣＧデータのクリーン／ノイズ除去バージョンなど）が挙げられる。クリーンにされた生体測定データの技術的効果及び利益には、任意の数の様々な疾患のより正確な監視、診断、及び治療を可能にすることが含まれる。

図３に戻ると、方法３００はブロック３３０において続行され、検出エンジン１０１が４つの方向のうちの１つに対する（ｘ，ｙ）平面内の各点についてコードを決定／計算して（例えば、左を赤色に等しく、右を緑色に等しく、上を青色に等しく、下を黄色に等しくすることができる）、色コード化ベクトル場画像を与える。色コード化ベクトル場画像は、巣状興奮源又は持続部位の位置特定を可能とすることができる。

ブロック３４５において、検出エンジン１０１は、例えば、カーネル（例えば、典型的には半径１ｍｍの円）を使用して、ブロック３３０の色コード化ベクトル場画像をスキャンすることによって、巣状興奮／ローター指標を検出する。一般的に、カーネルはマップ内の指定された空間とすることができ、所望のサイズ（例えば、円又は正方形）及び寸法のものとすることができる。場合により、カーネルは、マップ内の各点のアドレス、マップの計算されたセクション、マップの計算された境界などであり得る。心臓組織において、旋回波のリエントリーは、電気伝播の波面が機能的に興奮不能な組織にぶつかり、渦状にその周りを回転するときに生じる。同様に、ローター指標又はローターとは、興奮の２次元旋回波がそこから外向きに回転する回転中心であり得る。更に、巣状興奮指標又は巣状興奮とは、心房内で発生し、かつ心房内に拘束された電気インパルスを有する不整脈であり得る。カーネル内及びすべての方向が順番である（例えば、時計回り又は反時計回り）場合に巣状興奮／ローター指標を検出することができる。したがって、検出エンジン１０１は、モデリングベクトル速度場上で、巣状興奮源とローター（例えば、活性と不活性）とを区別する。

ブロック３６０において、検出エンジン１０１は、持続因子をマークする。１つ以上の実施形態によれば、持続因子は、ａＦｉｂの持続を確実にする組織誘発因子及び／又は開始因子である。検出エンジン１０１は、ベクトル速度及びアブレーション情報に基づいて、ａＦｉｂ持続因子を自動的に特定又はアノテーションすることができる。より具体的には、検出エンジン１０１は、ａＦｉｂ持続因子の１つ以上のゴールドスタンダードアノテーション（例えば、最も正確なアノテーション）を決定することができる。上記に代えて、又は上記と組み合わせて、医師は、アブレーション処置においてアブレーションされる可能性のある疑わしい持続因子をマークすることができる。

ブロック３７５において、検出エンジン１０１は、巣状興奮／ローター指標を持続因子に分類する。持続因子に巣状興奮／ローター指標を分類することは、工学的特性及びベクトル場マップに基づいて、機械学習及び／又は人工知能（例えば、ロジスティック回帰分類器、支持ベクトル機械、ディープラーニングなど）を使用して、活性又は不活性関心領域（ＲＯＩ）を分類することを含む。例えば、持続因子のゴールドスタンダードアノテーションを有するベクトル速度画像を、ニューラルネットワーク（例えば、本明細書に記載されるＲＮＮ又はＣＮＮ）の入力及び／又は標的として使用することで、ベクトル速度画像内のある画素が持続因子であるかどうかを予測することができる。更に、１つ以上の巣状興奮及び／又はローター指標を持続因子に分類することは、ゴールドスタンダード持続因子の位置を検出するために使用されるニューラルネットワーク（例えば、本明細書に記載されるＲＮＮ又はＣＮＮ）への入力として速度ベクトル場を用いることができる。

１つ以上の実施形態によれば、活性、不活性、及び不明なカテゴリーに関して、検出エンジン１０１によりＲＯＩアノテーションを使用することができる。例えば、活性ＲＯＩは、ＲＯＩがアブレーションされ、ａＦｉｂが終結したか、又はアブレーションセッションによって周期長（ＣＬ）が増加したことを示すことができる。活性ＲＯＩは、巣状興奮／ローターの近傍のアブレーションセッションが周期長の延長又は心房細動の終結をもたらしたというエビデンスを含む「臨床値」を有する持続因子を含む。不活性ＲＯＩは、心房細動特性の可視的変化を伴わない巣状興奮源の近傍におけるアブレーションセッションを含む、ａＦｉｂ特性に可視的な変化がないことを示し得る。不明なＲＯＩのアノテーションは、巣状興奮／ローターの近傍に可視的アブレーションセッションがないことを示し得る。このように、検出エンジンの１つ以上の利点、技術的効果、及び／又は利益には、医師にＲＯＩの活性又は不活性の性質が不明であるために医師によってアドレス付与されないマッピングの大部分の点にアドレス付与することを含む。検出エンジン１０１は、活性、不活性、及び不明なカテゴリーにわたって確率を更に割り当てることができる（例えば、０〜１００のスケールがカテゴリーの尤度を示す）。

ブロック３２１、３６０、及び３７５の動作に関して、検出器エンジン１０１は、両方向の矢印によって示されるように、フィードバック又は別の動作への入力として、任意の動作の結果を用いることができる点に留意されたい。

ここで図６を参照すると、方法６００が１つ以上の実施形態に従って例示されている。方法６００は、一般的に、治療のためにアブレーションされる心房細動の持続因子を検出するための最適化を実施する検出エンジン１０１の１つ以上の動作を示している。

ブロック６０５において、方法６００は開始し、検出エンジン１０１が、カテーテル１１０からのＩＣ ＥＣＧデータ信号などの１つ以上の入力を受信する。ブロック６１０において、検出エンジン１０１は、ＬＡＴのセグメントを検出する。図７は、１つ以上の実施形態によるグラフ７００を示している。図７に示すように、ＬＡＴのセグメントが、第１の興奮時間に対する興奮時間に関して検出されている（円７１０に示される）。

ブロック６２５において、検出エンジン１０１は、ベクトル速度場を決定／計算／モデル化する。この点に関して、検出エンジン１０１は、カテーテル１１０が心房（ｘ，ｙ）平面の表面上に位置するものと仮定し、散乱プロットを用いて興奮の時間を記述している（例えば、図７の円として記載される第１の興奮時間に対して）。図８は、１つ以上の実施形態による表面（ｘ、ｙ）のグラフ８００を示している。グラフ８００は、セグメント内の興奮時間の表面（ｘ，ｙ）及びＺ（ミリ秒）を含むプロットを与える。グラフ８００に基づき、検出エンジン１０１は、そのドットに最も当てはまる表面（ｘ，ｙ）の係数を推定することができる。多項式表面Ｔ（ｘ，ｙ）は、最急降下法を用いてコスト関数（式１に見られる）に対してＮ及びａ_ｉ，ｊを推定することができ、位置ｘ_ｓ、ｙ_ｓで測定された局所興奮時間Ｌと（ｘ_ｓ，ｙ_ｓ）平面内の推定表面Ｔ（ｘ_ｓ，ｙ_ｓ）との間の平均二乗誤差は、モデルで推定されるパラメータの数を考慮した正則化項（ρは通常、０．１に等しい）により最小化される。
より具体的には、多項式表面は式２で定義することができる。

Ｔ（ｘ，ｙ）からベクトル場まで、モデルを使用して、式３によって定義される（ｘ，ｙ）内の各点における電気波の方向を計算することができる。

Ｔ_ｘは、式４によって定義される。

図９は、１つ以上の実施形態による、図８の表面（ｘ，ｙ）の速度ベクトル場のグラフ９００を示している。すなわち、図８の多項式表面の導関数は、図９に示す速度ベクトル場を与える。

ブロック６３０において、（ｘ，ｙ）平面内の各点は、４つの方向のうちの１つにコード化されて色コード化ベクトル場画像を与え、それにより、巣状興奮源又は持続因子を位置特定することができる。

ブロック６４５において、巣状興奮／ローターを検出エンジン１０１によって検出することができる。例えば、検出エンジン１０１は、カーネル（典型的には半径１ｍｍの円）を使用して、ブロック６３０で取得された色コード化ベクトル場画像をスキャンすることができる。ローター／巣状興奮点は、カーネル内で、４つすべての方向が順番に（時計回り又は反時計回りに）現れる場合に検出される。

ブロック６６０において、持続因子を検出エンジン１０１によってマークすることができる。ブロック６７５において、巣状興奮／ローター指標を検出エンジン１０１によって持続因子に分類することができる。

図中の流れ図及びブロック図は、本発明の様々な実施形態によるシステム、方法及びコンピュータプログラム製品の考えられる実現形態の構造、機能性、及び動作を示すものである。この点に関して、流れ図又はブロック図における各ブロックは、示された論理機能（複数可）を実施するための１つ以上の実行可能な命令を含むモジュール、セグメント、又は命令の部分を表し得るものである。いくつかの別の実現形態において、ブロックに示される機能は、図に示される順序以外の順序で行われてもよい。例えば、連続して示す２つのブロックは、実際に、実質的に同時に実行されてもよく、あるいはそれらのブロックは、時には、関連する機能性に応じて、逆の順序で実行されてもよい。また留意されたい点として、ブロック図及び／又は流れ図の各ブロック、並びにブロック図及び／又は流れ図のブロックの組み合わせは、特定の機能又は動作を実行する専用のハードウェアベースシステムによって実施されてもよく、あるいは、専用のハードウェアとコンピュータ命令との組み合わせを動作させるか又は実行することもできる。

特徴及び要素が特定の組み合わせで上に記載されるが、当業者であれば、特徴又は要素の各々を単独で又は他の特徴及び要素と組み合わせて使用することができることを理解するであろう。加えて、本明細書に記載される方法は、コンピュータ又はプロセッサで実行するために、コンピュータ可読媒体に組み込まれるコンピュータプログラム、ソフトウェア、又はファームウェアにおいて実施され得る。本明細書で使用するコンピュータ可読媒体とは、電波又は他の自由に伝搬する電磁波、導波管若しくは他の伝送媒体を通って伝搬する電磁波（例えば、光ファイバーケーブルを通過する光パルス）、又は動線を通って伝送される電気信号などの、それ自体が一過性の信号であるものとして解釈されるべきではない。

コンピュータ可読媒体の例としては、電気信号（有線又は無線接続を介して送信される）及びコンピュータ可読記憶媒体が挙げられる。コンピュータ可読記憶媒体の例としては、これらに限定されるものではないが、レジスタ、キャッシュメモリ、半導体メモリデバイス、内部ハードディスク及びリムーバブルディスクなどの磁気媒体、光磁気媒体、コンパクトディスク（ＣＤ）及びデジタル多用途ディスク（ＤＶＤ）などの光学媒体、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、消去可能プログラマブル読み出し専用メモリ（ＥＰＲＯＭ又はフラッシュメモリ）、スタティックランダムアクセスメモリ（ＳＲＡＭ）、及びメモリスティックが挙げられる。プロセッサをソフトウェアと共に使用して、端末、基地局、又は任意のホストコンピュータで使用するための無線周波数送受信機を実施することができる。

本明細書で使用される用語は、あくまで特定の実施形態を説明する目的のものに過ぎず、限定を目的としたものではない。本明細書で使用するとき、文脈上特に明記されない限り、単数形「ａ」、「ａｎ」及び「ｔｈｅ」は複数の形態をも含むものとする。用語「備える（comprise）」及び／又は「備えている（comprising）」は、本明細書で用いられる場合、記載された特徴、整数、工程、動作、要素、及び／又は構成部品の存在を示すものであるが、１つ以上の他の特徴、整数、工程、動作、要素、構成要素及び／又はそれらの群の存在を除外するものではない点を理解されたい。

本明細書の異なる実施形態の説明は例示の目的で示されたものであるが、網羅的であることも開示される実施形態に限定されることも意図していない。多くの改変及び変形が、記載される実施形態の範囲及び趣旨から逸脱することなく、当業者には明らかとなろう。本明細書で使用される用語は、実施形態の原理、実用的な用途、又は市場に見られる技術と比較した技術的改良点を最も良く説明するため、又は当業者による本明細書に開示される実施形態の理解を可能とするために選択されたものである。

〔実施の態様〕
（１） メモリ上に記憶され、少なくとも１つのプロセッサによって実行されるプロセッサ実行可能コードとして具体化される検出エンジンによって実施される方法であって、
前記検出エンジンによって、局所興奮時間を通過する心電図データ信号の速度を測定及び定量化するベクトル速度場をモデル化することと、
前記検出エンジンによって、平面内の各点について１つ以上のコードを決定して、色コード化ベクトル場画像を与えることと、
前記検出エンジンによって、１つ以上のカーネルを使用して、前記色コード化ベクトル場画像をスキャンすることによって、巣状興奮及びローター指標（focal and rotor indications）を検出することと、
前記検出エンジンによって、前記巣状興奮及びローター指標を持続因子（perpetuators）に分類することと、を含む、方法。
（２） 前記心電図データ信号が、解剖学的構造内の、前記検出エンジンと通信するカテーテルによって検出される、実施態様１に記載の方法。
（３） 前記検出エンジンが、第１の興奮時間に対する前記局所興奮時間の１つ以上のセグメントを検出する、実施態様１に記載の方法。
（４） 前記検出エンジンが、各ｘ、ｙ点における電波の方向を計算し、多項式表面の導関数を用いることによってベクトル速度場をモデル化して、前記速度ベクトル場を与える、実施態様１に記載の方法。
（５） 前記検出エンジンが、前記速度ベクトル場を機械学習又は人工知能アルゴリズムへの入力として用いることによって、前記持続因子を分類する、実施態様１に記載の方法。

（６） 前記機械学習又は人工知能アルゴリズムが、前記持続因子のうちのゴールドスタンダード持続因子の位置を検出するためのディープ畳み込みニューラルネットワーク又は再帰型ニューラルネットワークを含む、実施態様５に記載の方法。
（７） 前記機械学習又は人工知能アルゴリズムは、前記心電図データ信号に関する特定の症例のアブレーションの転帰が成功であったかどうかを判定する、実施態様５に記載の方法。
（８） 前記巣状興奮及びローター指標は、前記１つ以上のカーネル内で、すべての方向が順番であるときに検出される、実施態様１に記載の方法。
（９） 前記検出エンジンは、前記持続因子をマーキングするとき、ベクトル速度及びアブレーション情報に基づいて、心房細動持続因子を自動的に特定及びアノテーションする、実施態様１に記載の方法。
（１０） 関心領域のアノテーションは、少なくとも、関心領域がアブレーションされたかどうか、又は心房細動が終結したかどうかを示すために、活性、不活性、及び不明のカテゴリーに関して前記検出エンジンによって使用される、実施態様１に記載の方法。

（１１） システムであって、
検出エンジン用のプロセッサ実行可能コードを記憶するメモリと、
少なくとも１つのプロセッサであって、前記プロセッサ実行可能コードを実行して、前記システムに、
前記検出エンジンによって、局所興奮時間を通過する心電図データ信号の速度を測定及び定量化するベクトル速度場をモデル化することと、
前記検出エンジンによって、平面内の各点について１つ以上のコードを決定して、色コード化ベクトル場画像を与えることと、
前記検出エンジンによって、１つ以上のカーネルを使用して、前記色コード化ベクトル場画像をスキャンすることによって、巣状興奮及びローター指標を検出することと、
前記検出エンジンによって、前記巣状興奮及びローター指標を持続因子に分類することと、を行わせる、少なくとも１つのプロセッサと、を備える、システム。
（１２） 前記心電図データ信号が、解剖学的構造内の、前記検出エンジンと通信するカテーテルによって検出される、実施態様１１に記載のシステム。
（１３） 前記検出エンジンが、第１の興奮時間に対する前記局所興奮時間の１つ以上のセグメントを検出する、実施態様１１に記載のシステム。
（１４） 前記検出エンジンが、各ｘ、ｙ点における電波の方向を計算し、多項式表面の導関数を用いることによってベクトル速度場をモデル化して、前記速度ベクトル場を与える、実施態様１１に記載のシステム。
（１５） 前記検出エンジンが、前記速度ベクトル場を機械学習又は人工知能アルゴリズムへの入力として用いることによって、前記持続因子を分類する、実施態様１１に記載のシステム。

（１６） 前記機械学習又は人工知能アルゴリズムが、前記持続因子のうちのゴールドスタンダード持続因子の位置を検出するためのディープ畳み込みニューラルネットワーク又は再帰型ニューラルネットワークを含む、実施態様１５に記載のシステム。
（１７） 前記機械学習又は人工知能アルゴリズムは、前記心電図データ信号に関する特定の症例のアブレーションの転帰が成功であったかどうかを判定する、実施態様１５に記載のシステム。
（１８） 前記巣状興奮及びローター指標は、前記１つ以上のカーネル内で、すべての方向が順番であるときに検出される、実施態様１１に記載の方法。
（１９） 前記検出エンジンは、前記持続因子をマーキングするとき、ベクトル速度及びアブレーション情報に基づいて、心房細動持続因子を自動的に特定及びアノテーションする、実施態様１１に記載のシステム。
（２０） 関心領域のアノテーションは、少なくとも、関心領域がアブレーションされたかどうか、又は心房細動が終結したかどうかを示すために、活性、不活性、及び不明のカテゴリーに関して前記検出エンジンによって使用される、実施態様１１に記載のシステム。

Claims (20)

1. メモリ上に記憶され、少なくとも１つのプロセッサによって実行されるプロセッサ実行可能コードとして具体化される検出エンジンによって実施される方法であって、
   前記検出エンジンによって、局所興奮時間を通過する心電図データ信号の速度を測定及び定量化するベクトル速度場をモデル化することと、
   前記検出エンジンによって、平面内の各点について１つ以上のコードを決定して、色コード化ベクトル場画像を与えることと、
   前記検出エンジンによって、１つ以上のカーネルを使用して、前記色コード化ベクトル場画像をスキャンすることによって、巣状興奮及びローター指標を検出することと、
   前記検出エンジンによって、前記巣状興奮及びローター指標を持続因子に分類することと、を含む、方法。
2. 前記心電図データ信号が、解剖学的構造内の、前記検出エンジンと通信するカテーテルによって検出される、請求項１に記載の方法。
3. 前記検出エンジンが、第１の興奮時間に対する前記局所興奮時間の１つ以上のセグメントを検出する、請求項１に記載の方法。
4. 前記検出エンジンが、各ｘ、ｙ点における電波の方向を計算し、多項式表面の導関数を用いることによってベクトル速度場をモデル化して、前記速度ベクトル場を与える、請求項１に記載の方法。
5. 前記検出エンジンが、前記速度ベクトル場を機械学習又は人工知能アルゴリズムへの入力として用いることによって、前記持続因子を分類する、請求項１に記載の方法。
6. 前記機械学習又は人工知能アルゴリズムが、前記持続因子のうちのゴールドスタンダード持続因子の位置を検出するためのディープ畳み込みニューラルネットワーク又は再帰型ニューラルネットワークを含む、請求項５に記載の方法。
7. 前記機械学習又は人工知能アルゴリズムは、前記心電図データ信号に関する特定の症例のアブレーションの転帰が成功であったかどうかを判定する、請求項５に記載の方法。
8. 前記巣状興奮及びローター指標は、前記１つ以上のカーネル内で、すべての方向が順番であるときに検出される、請求項１に記載の方法。
9. 前記検出エンジンは、前記持続因子をマーキングするとき、ベクトル速度及びアブレーション情報に基づいて、心房細動持続因子を自動的に特定及びアノテーションする、請求項１に記載の方法。
10. 関心領域のアノテーションは、少なくとも、関心領域がアブレーションされたかどうか、又は心房細動が終結したかどうかを示すために、活性、不活性、及び不明のカテゴリーに関して前記検出エンジンによって使用される、請求項１に記載の方法。
11. システムであって、
    検出エンジン用のプロセッサ実行可能コードを記憶するメモリと、
    少なくとも１つのプロセッサであって、前記プロセッサ実行可能コードを実行して、前記システムに、
    前記検出エンジンによって、局所興奮時間を通過する心電図データ信号の速度を測定及び定量化するベクトル速度場をモデル化することと、
    前記検出エンジンによって、平面内の各点について１つ以上のコードを決定して、色コード化ベクトル場画像を与えることと、
    前記検出エンジンによって、１つ以上のカーネルを使用して、前記色コード化ベクトル場画像をスキャンすることによって、巣状興奮及びローター指標を検出することと、
    前記検出エンジンによって、前記巣状興奮及びローター指標を持続因子に分類することと、を行わせる、少なくとも１つのプロセッサと、を備える、システム。
12. 前記心電図データ信号が、解剖学的構造内の、前記検出エンジンと通信するカテーテルによって検出される、請求項１１に記載のシステム。
13. 前記検出エンジンが、第１の興奮時間に対する前記局所興奮時間の１つ以上のセグメントを検出する、請求項１１に記載のシステム。
14. 前記検出エンジンが、各ｘ、ｙ点における電波の方向を計算し、多項式表面の導関数を用いることによってベクトル速度場をモデル化して、前記速度ベクトル場を与える、請求項１１に記載のシステム。
15. 前記検出エンジンが、前記速度ベクトル場を機械学習又は人工知能アルゴリズムへの入力として用いることによって、前記持続因子を分類する、請求項１１に記載のシステム。
16. 前記機械学習又は人工知能アルゴリズムが、前記持続因子のうちのゴールドスタンダード持続因子の位置を検出するためのディープ畳み込みニューラルネットワーク又は再帰型ニューラルネットワークを含む、請求項１５に記載のシステム。
17. 前記機械学習又は人工知能アルゴリズムは、前記心電図データ信号に関する特定の症例のアブレーションの転帰が成功であったかどうかを判定する、請求項１５に記載のシステム。
18. 前記巣状興奮及びローター指標は、前記１つ以上のカーネル内で、すべての方向が順番であるときに検出される、請求項１１に記載の方法。
19. 前記検出エンジンは、前記持続因子をマーキングするとき、ベクトル速度及びアブレーション情報に基づいて、心房細動持続因子を自動的に特定及びアノテーションする、請求項１１に記載のシステム。
20. 関心領域のアノテーションは、少なくとも、関心領域がアブレーションされたかどうか、又は心房細動が終結したかどうかを示すために、活性、不活性、及び不明のカテゴリーに関して前記検出エンジンによって使用される、請求項１１に記載のシステム。

Images