JP2022184837A - 発生源位置を有する画像の拡張 - Google Patents

発生源位置を有する画像の拡張 Download PDF

Info

Publication number
JP2022184837A
JP2022184837A JP2022129678A JP2022129678A JP2022184837A JP 2022184837 A JP2022184837 A JP 2022184837A JP 2022129678 A JP2022129678 A JP 2022129678A JP 2022129678 A JP2022129678 A JP 2022129678A JP 2022184837 A JP2022184837 A JP 2022184837A
Authority
JP
Japan
Prior art keywords
patient
component
heart
block
source
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2022129678A
Other languages
English (en)
Other versions
JP2022184837A5 (ja
Inventor
クリストファー ヴィロンコ
Villongco Christopher
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Vektor Medical Inc
Original Assignee
Vektor Medical Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from US16/206,005 external-priority patent/US10860754B2/en
Priority claimed from US16/247,463 external-priority patent/US11259871B2/en
Application filed by Vektor Medical Inc filed Critical Vektor Medical Inc
Publication of JP2022184837A publication Critical patent/JP2022184837A/ja
Publication of JP2022184837A5 publication Critical patent/JP2022184837A5/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B18/04—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating
    • A61B18/12—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating by passing a current through the tissue to be heated, e.g. high-frequency current
    • A61B18/1206—Generators therefor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B18/04—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating
    • A61B18/12—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating by passing a current through the tissue to be heated, e.g. high-frequency current
    • A61B18/14—Probes or electrodes therefor
    • A61B18/1492—Probes or electrodes therefor having a flexible, catheter-like structure, e.g. for heart ablation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/0036—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room including treatment, e.g., using an implantable medical device, ablating, ventilating
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/28—Bioelectric electrodes therefor specially adapted for particular uses for electrocardiography [ECG]
    • A61B5/283—Invasive
    • A61B5/287—Holders for multiple electrodes, e.g. electrode catheters for electrophysiological study [EPS]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/30—Input circuits therefor
    • A61B5/307—Input circuits therefor specially adapted for particular uses
    • A61B5/308—Input circuits therefor specially adapted for particular uses for electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/319—Circuits for simulating ECG signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/35—Detecting specific parameters of the electrocardiograph cycle by template matching
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/363—Detecting tachycardia or bradycardia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6846—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive
    • A61B5/6847—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive mounted on an invasive device
    • A61B5/6852—Catheters
    • A61B5/6858—Catheters with a distal basket, e.g. expandable basket
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/362—Heart stimulators
    • A61N1/365—Heart stimulators controlled by a physiological parameter, e.g. heart potential
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/362—Heart stimulators
    • A61N1/37—Monitoring; Protecting
    • A61N1/3702—Physiological parameters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/362—Heart stimulators
    • A61N1/37—Monitoring; Protecting
    • A61N1/3706—Pacemaker parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00315—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body for treatment of particular body parts
    • A61B2018/00345—Vascular system
    • A61B2018/00351—Heart
    • A61B2018/00357—Endocardium
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00571—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body for achieving a particular surgical effect
    • A61B2018/00577—Ablation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00636—Sensing and controlling the application of energy
    • A61B2018/00773—Sensed parameters
    • A61B2018/00791—Temperature
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00636—Sensing and controlling the application of energy
    • A61B2018/00773—Sensed parameters
    • A61B2018/00839—Bioelectrical parameters, e.g. ECG, EEG
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00636—Sensing and controlling the application of energy
    • A61B2018/00904—Automatic detection of target tissue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00982—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body combined with or comprising means for visual or photographic inspections inside the body, e.g. endoscopes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B18/02—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by cooling, e.g. cryogenic techniques
    • A61B2018/0212—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by cooling, e.g. cryogenic techniques using an instrument inserted into a body lumen, e.g. catheter
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/101—Computer-aided simulation of surgical operations
    • A61B2034/102—Modelling of surgical devices, implants or prosthesis
    • A61B2034/104—Modelling the effect of the tool, e.g. the effect of an implanted prosthesis or for predicting the effect of ablation or burring
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/101—Computer-aided simulation of surgical operations
    • A61B2034/105—Modelling of the patient, e.g. for ligaments or bones
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/107—Visualisation of planned trajectories or target regions
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
    • A61B2034/2046—Tracking techniques
    • A61B2034/2051—Electromagnetic tracking systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B90/00—Instruments, implements or accessories specially adapted for surgery or diagnosis and not covered by any of the groups A61B1/00 - A61B50/00, e.g. for luxation treatment or for protecting wound edges
    • A61B90/36—Image-producing devices or illumination devices not otherwise provided for
    • A61B2090/364—Correlation of different images or relation of image positions in respect to the body
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B90/00—Instruments, implements or accessories specially adapted for surgery or diagnosis and not covered by any of the groups A61B1/00 - A61B50/00, e.g. for luxation treatment or for protecting wound edges
    • A61B90/36—Image-producing devices or illumination devices not otherwise provided for
    • A61B2090/364—Correlation of different images or relation of image positions in respect to the body
    • A61B2090/365—Correlation of different images or relation of image positions in respect to the body augmented reality, i.e. correlating a live optical image with another image
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/361—Detecting fibrillation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/366—Detecting abnormal QRS complex, e.g. widening
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Cardiology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Software Systems (AREA)
  • Psychiatry (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Robotics (AREA)
  • Computational Linguistics (AREA)
  • Plasma & Fusion (AREA)
  • Otolaryngology (AREA)
  • Fuzzy Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

【課題】医療目的、科学目的、研究目的、及び／または工学目的で、心臓の電磁状態を表すデータを生成するためのシステムを提供すること。【解決手段】システムは、心臓の寸法、及び心臓内の瘢痕または線維症または催不整脈性基質の位置などの発生源構成と、心臓の電磁出力の計算モデルに基づいて、データを生成する。システムは、発生源構成を動的に生成して、母集団で見つかり得る代表的な発生源構成を提供し得る。電磁源の各発生源構成に関して、システムは、心臓の動作のシミュレーションを実行して、その発生源構成のモデル化電磁出力（例えば各シミュレーションステップの電磁メッシュであり、電磁メッシュの各点に電位を有する）を生成する。システムは、各発生源構成に関して、その発生源構成のモデル化電磁出力から、心拍動曲線を生成し、不整脈の発生源位置を予測するのに使用し得る。【選択図】図６７

Description

多くの心臓障害は、徴候、病的状態（例えば失神または脳卒中）、及び死亡を引き起こし得る。不整脈により引き起こされる一般的な心臓障害には、不適切洞頻拍（「ＩＳＴ」）、異所性心房調律、接合部調律、心室補充調律、心房細動（「ＡＦ」）、心室細動（「ＶＦ」）、巣状心房頻拍（「巣状ＡＴ」）、心房マイクロリエントリ、心室頻拍（「ＶＴ」）、心房粗動（「ＡＦＬ」）、心室性期外収縮（「ＰＶＣ」）、心房性期外収縮（「ＰＡＣ」）、房室結節リエントリ性頻拍（「ＡＶＮＲＴ」）、房室リエントリ性頻拍（「ＡＶＲＴ」）、永続性接合部回帰頻拍（「ＰＪＲＴ」）、及び接合部頻拍（「ＪＴ」）が含まれる。不整脈の発生源には、電気的ローター（渦巻き型旋回興奮波）（例えば心室細動）、再発性電気的巣状興奮（例えば心房頻拍）、及び解剖構造に基づいたリエントリ（例えば心室頻拍）などが含まれ得る。これらの発生源は、継続的な発作または臨床的に重要な発作の有力なドライバーである。不整脈は、心臓障害の発生源を標的にすることにより、高周波数エネルギーアブレーション、凍結アブレーション、超音波アブレーション、レーザアブレーション、外部放射線源、及び指向性遺伝子治療などを含む様々な技術を使用したアブレーションで治療され得る。心臓障害の発生源及び発生源の位置は、患者により異なるため、一般的な心臓障害の場合でも、標的治療を行うには不整脈の発生源を特定する必要がある。
残念ながら、心臓障害の発生源の発生源位置を確実に特定するための現在の方法は、複雑で、煩わしく、費用がかかり得る。例えば、１つの方法では、血管を通して心臓（例えば左心室）に挿入される多電極バスケットカテーテルを有する電気生理学的カテーテルを使用して、誘発されたＶＦ発作の間になど、心臓の電気的活動の測定値が心臓内から収集される。次に、測定値が分析され、可能性のある発生源位置の特定が促進され得る。現在、電気生理学的カテーテルは、高価であり（通常、使い捨てに限定されており）、心臓穿孔及び心臓タンポナーデを含む深刻な合併症を引き起こし得る。別の方法では、電極を備えた体外表面ベストを使用して、患者の体表面から測定値を収集し、測定値を分析して、不整脈の発生源位置の特定が促進され得る。このような体表面ベストは、高価であり、複雑で製造が困難であり、不整脈中に測定値を収集するためにＶＦを誘発した後に必要な除細動器の配置を妨げ得る。さらに、ベスト分析には、コンピュータ断層撮影（「ＣＴ」）スキャンが必要であり、不整脈の発生源の約２０％が発生し得る心室中隔及び心房中隔を感知することができない。
本出願は、カラーで作成された少なくとも１つの図面を含む。カラーの図面（複数可）を備えた本出願の複製は、要請及び必要手数料の支払いに応じて、特許庁により提供されるであろう。
いくつかの実施形態における、ＭＬＭＯシステムの全体的な処理を示すブロック図である。 いくつかの実施形態における、ＭＬＭＯシステムによる分類器を生成する全体的な処理を示すフロー図である。 いくつかの実施形態における、畳み込みニューラルネットワークを使用した訓練及び分類を示すブロック図である。 いくつかの実施形態における、ＭＬＭＯシステムの分類器生成コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＭＬＭＯシステムのシミュレートＶＣＧ生成コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＭＬＭＯシステムの周期用の訓練データ生成コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＭＬＭＯシステムの周期識別コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＭＬＭＯシステムの周期正規化コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＭＬＭＯシステムの類似周期シーケンス用の訓練データ生成コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＭＬＭＯシステムの分類コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＭＬＧシステムのコンポーネントを示すブロック図である。 シード解剖構造からのシミュレート解剖構造の生成を示すブロック図である。 いくつかの実施形態における、シミュレート解剖構造を見るユーザ体験を示す表示ページである。 いくつかの実施形態における、ＭＬＧシステムのモデルライブラリ生成コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＭＬＧシステムのシミュレート解剖構造生成コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＭＬＧシステムのシミュレート解剖構造生成コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＭＬＧシステムの発生源構成生成コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＭＬＧシステムのモデル生成コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＭＬＧシステムのシミュレート解剖構造表示コンポーネントの処理を示すフロー図である。 類似する解剖構造パラメータによる前のシミュレーションのＥＭメッシュに基づいて、シミュレーションをブートストラップするプロセスを示すブロック図である。 いくつかの実施形態における、ＭＬＧシステムのグループ内代表的不整脈モデル用電位解生成コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＭＬＧシステムの代表的電位解に基づく不整脈モデルグループ用電位解生成コンポーネントの処理を示すフロー図である。 異なる解剖構造パラメータによる不整脈モデルの電位解に基づいて、心拍動曲線を概算するプロセスを示すブロック図である。 いくつかの実施形態における、ＭＬＧシステムのＶＣＧ概算コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、第１の多面体に基づく不整脈モデルを、第２の多面体に基づく不整脈モデルに変換するプロセスを示すブロック図である。 いくつかの実施形態における、ＭＬＧシステムの多面体モデル変換コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＰＭシステムの属性識別コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＰＭシステムのマッチングＶＣＧ識別コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＰＭシステムのクラスタリングベース分類識別コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＰＭシステムのクラスタ分類器生成コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＭＬＣＤシステムの患者分類器システムの全体的な処理を示すブロック図である。 いくつかの実施形態における、患者分類器システムの患者分類器生成コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、患者分類器システムのクラスタ患者分類器生成コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＭＬＣＤシステムの患者特有モデル分類器システムのコンポーネントを示すブロック図である。 いくつかの実施形態における、ＰＳＭＣシステムの患者特有モデル分類器生成コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＰＳＭＣシステムの類似モデル識別コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、患者特有モデル表示システムの全体的な処理を示すブロック図である。 いくつかの実施形態における、ＰＳＭＤシステムの患者心臓表示生成コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＰＳＭＤシステムの表示値計算コンポーネントの処理を示すフロー図である。 ベクトル心電図の様々な表面表現を示す。 いくつかの実施形態における、ＥＦＤシステムのＶＣＧ視覚化コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＥＦＤシステムのＶＣＧ表面表現表示コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＣＳＣシステムのシミュレート心拍動曲線識別コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＣＳＣシステムのコンポーネントを示すブロック図である。 患者データを収集するために電気生理学者（「ＥＰ」）により実行される処理を示すフロー図である。 いくつかの実施形態における、ＣＳＣシステムのシミュレート心拍動曲線較正コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＣＳＣシステムのベクトル生成コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＣＳＣシステムの配向類似識別コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＣＳＣシステムの心臓形状較正コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＣＳＣシステムの活動電位較正コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＣＳＣシステムのマッピング関数生成コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＣＳＣシステムのシミュレート心拍動曲線変換コンポーネントの処理を示すフロー図である。 手動で配向を較正するためのユーザインターフェースを示す。 いくつかの実施形態における、ＡＰＩシステムの全体的な処理を示すフロー図である。 いくつかの実施形態における、ＡＰＩシステムのマッピング関数生成の処理を示すフロー図である。 いくつかの実施形態における、アブレーション中に患者を治療するための方法の処理を示すフロー図である。 いくつかの実施形態における、ＡＰＩシステムのコンポーネントを示すブロック図である。 いくつかの実施形態における、ＡＰＩシステムのアブレーションパターンシミュレーション生成コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＡＰＩシステムのアブレーション指示コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＡＰＩシステムの可能アブレーションパターン識別コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＡＰＩシステムの実アブレーションパターン選択コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＤＬＳＲシステムのコンポーネントを示すブロック図である。 いくつかの実施形態における、ブロックの構造及びブロック内のレコードを示すブロック図である。 いくつかの実施形態における、研究システムの処理を示すフロー図である。 いくつかの実施形態における、トランザクション発生器システムの処理を示すフロー図である。 いくつかの実施形態における、マイナーシステムの処理を示すフロー図である。 いくつかの実施形態における、ＡＩＳＬシステムの全体的なプロセスを示すフロー図である。 いくつかの実施形態における、ＡＩＳＬシステムのコンポーネントを示すブロック図である。 いくつかの実施形態における、ＡＩＳＬシステムの較正ライブラリの生成コンポーネントのフロー図である。 一致するＥＣＧの識別コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、ＡＩＳＬシステムの発生源位置の追加コンポーネントの処理を示すフロー図である。 いくつかの実施形態における、４Ｄ ＣＴ画像のキャプチャコンポーネントの処理を示すフロー図である。
医学目的、科学目的、研究目的、及び工学目的などの様々な目的のために、体内の電磁源（例えば心臓）の電磁状態（例えば正常な洞調律と心室細動）を表すデータを生成するための方法及びシステムが提供される。システムは、電磁源の発生源構成（例えば、心臓の寸法、及び心臓内の瘢痕または線維症または催不整脈性基質の位置）と、電磁源の電磁出力の計算モデルとに基づいて、データを生成する。システムは、発生源構成を動的に生成して、母集団で見つかり得る代表的な発生源構成を提供し得る。電磁源の各発生源構成に関して、システムは、電磁源の動作のシミュレーションを実行して、その発生源構成のモデル化電磁出力を生成する。システムは、各発生源構成のモデル化電磁出力から、各発生源構成の導出電磁データ（例えばベクトル心電図）を生成する。次いでシステムは、モデル化電磁出力を、患者の体の電磁源内の障害位置の特定、電磁源を修復（例えば指向性遺伝子治療）または修正（例えばアブレート）する処置の誘導、電磁源に対する処置の結果予測、及び遺伝子的欠陥の分析など、様々な目的のために使用し得る。システムは、モデル化出力ベース機械学習システムと、モデルライブラリ生成システムとを含み得、これらは下記で説明される。
モデル化出力ベース機械学習システム
体内の電磁源から導出された電磁データを分類するための分類器を生成するための方法及びシステムが提供される。体は、例えば、人体であり得、電磁源は、心臓、脳、肝臓、肺、腎臓、または体の外側または内側から測定することができる電磁場を生成する体の別の部分であり得る。電磁場は、例えば、患者の体に（例えばスマートウォッチデバイスを介して）取り付けられたまたは隣接する電極に接続された１本以上（例えば１２本）のリード、患者が着用する体表面ベスト、電磁源内デバイス（例えばバスケットカテーテル）、及び患者が着用するキャップなどを使用した様々な測定デバイス（例えば心電計及び脳波計）により、測定することができる。測定値は、心電図（「ＥＣＧ」）及びベクトル心電図（「ＶＣＧ」）などの心拍動曲線、及び脳波図（「ＥＥＧ」）などにより表され得る。いくつかの実施形態では、様々な発生源構成の電磁源の電磁出力をモデル化し、機械学習を用いて、モデル化電磁出力から得られた導出電磁データを訓練データとして使用して分類器を訓練することにより、分類器を生成する、モデル化出力ベース機械学習（「ＭＬＭＯ」）システムが提供される。心臓の電磁データの分類器を主に生成するＭＬＭＯシステムが、下記に説明される。
いくつかの実施形態では、ＭＬＭＯシステムは、電磁源の計算モデルを使用して、分類器を訓練するための訓練データを生成する。計算モデルは、電磁源の発生源構成に基づいて、電磁源の経時的な電磁出力をモデル化する。電磁出力は、電位、電流、及び磁場などを表し得る。電磁（「ＥＭ」）源が心臓である場合、発生源構成には、心臓の形状及び筋線維、胴体解剖構造、正常な心臓解剖構造及び異常な心臓解剖構造、正常な心臓組織及び異常な心臓組織、瘢痕、線維症、炎症、浮腫、副伝導路、先天性心疾患、悪性腫瘍、前のアブレーション部位、前の手術部位、外照射療法部位、ペーシングリード、植込み型除細動器リード、心臓再同期療法リード、ペースメーカーパルス発生器位置、植込み型除細動器パルス発生器位置、皮下除細動器リード位置、皮下除細動器パルス発生器位置、リードレスペースメーカ位置、他の植込み型ハードウェア（例えば右心室補助装置または左心室補助装置）、体外式除細動電極、表面ＥＣＧリード、表面マッピングリード、マッピングベスト、並びに他の正常分布及び病態生理学的特徴分布などに関する情報から成るグループの任意の部分集合が含まれ得、ＥＭ出力は、様々な心臓位置における経時的な電位の集合である。ＥＭ出力を生成するために、ステップサイズ（例えば１ミリ秒）のシミュレーションステップに対してシミュレーションを実行して、そのステップのＥＭメッシュが生成され得る。ＥＭメッシュは、そのステップの各心臓位置における電位の値を格納する有限要素メッシュであり得る。例えば、左心室は、約７０，０００の心臓位置を有すると定義され得、ＥＭメッシュは、各心臓位置の電磁値を格納する。この場合、１ミリ秒のステップサイズで３秒間シミュレーションを行うと、それぞれが７０，０００個の値を含む３，０００個のＥＭメッシュが生成される。ＥＭメッシュの集合は、シミュレーションのＥＭ出力である。計算モデルは、Ｐｒｏｇｒｅｓｓ ｉｎ Ｂｉｏｐｈｙｓｉｃｓ ａｎｄ Ｍｏｌｅｃｕｌａｒ Ｂｉｏｌｏｇｙ、第１１５巻、第２～３号、２０１４年８月、３０５～３１３頁に記載のＣ．Ｔ．Ｖｉｌｌｏｎｇｃｏ、Ｄ．Ｅ．Ｋｒｕｍｍｅｎ、Ｐ．Ｓｔａｒｋ、Ｊ．Ｈ．Ｏｍｅｎｓ、及びＡ．Ｄ．ＭｃＣｕｌｌｏｃｈ著の「Ｐａｔｉｅｎｔ－ｓｐｅｃｉｆｉｃ ｍｏｄｅｌｉｎｇ ｏｆ ｖｅｎｔｒｉｃｕｌａｒ ａｃｔｉｖａｔｉｏｎ ｐａｔｔｅｒｎ ｕｓｉｎｇ ｓｕｒｆａｃｅ ＥＣＧ－ｄｅｒｉｖｅｄ ｖｅｃｔｏｒｃａｒｄｉｏｇｒａｍ ｉｎ ｂｕｎｄｌｅ ｂｒａｎｃｈ ｂｌｏｃｋ」に説明され、これは、参照により本明細書に組み込まれるものとする。いくつかの実施形態では、ＭＬＭＯシステムは、頂点だけでなく、メッシュとして頂点間の点の値を生成し得る。例えば、ＭＬＭＯシステムは、ガウス求積法を使用して、このような点の値を計算し得る。
いくつかの実施形態では、ＭＬＭＯシステムは、異なる発生源構成に基づいて数多くのシミュレーションをそれぞれ行うことにより、訓練データを生成し、異なる発生源構成は、計算モデルの構成パラメータの異なる値の集合である。例えば、心臓の構成パラメータは、心臓形状、ローター位置、巣状興奮発生源位置、胸部内の心室配向、心室筋線維配向、並びに心筋細胞内潜在的電気発生及び伝播などであり得る。各構成パラメータには、可能な値の集合または範囲が存在し得る。例えば、ローター位置は、心室内の異なる位置に対応する７８個の可能なパラメータ集合であり得る。ＭＬＭＯシステムは、可能な値の組み合わせごとにシミュレーションを行い得るため、シミュレーションの数は数百万となり得る。
いくつかの実施形態では、ＭＬＭＯシステムは、患者から収集されるＥＭデータに基づいて分類を行う分類器を、シミュレーションのＥＭ出力を使用して訓練する。ＭＬＭＯシステムは、シミュレーションのＥＭ出力ごとに、導出ＥＭデータを生成し得る。導出ＥＭデータは、例えば、ＥＣＧまたはＶＣＧを生成するための１２本のリード、体表面ベスト、及び電磁源内デバイスなどを使用するＥＭ測定デバイスにより収集された測定値に基づいて、生成されるＥＭデータに該当する。ＥＣＧとＶＣＧは、ＥＭ出力の同等の発生源表現である。ＭＬＭＯは、次に、各導出ＥＭデータにラベル（複数可）を生成して、各導出ＥＭデータが対応する分類を指定する。例えば、ＭＬＭＯシステムは、ＥＭデータが導出されたＥＭ出力を生成する時に使用した構成パラメータ（例えばローター位置）の値であるラベルを生成し得る。特徴ベクトルに該当する導出ＥＭデータの集合、及びそれらのラベルは、分類器を訓練するための訓練データを構成する。ＭＬＭＯシステムは、次に、分類器を訓練する。分類器は、全結合、畳み込み、リカレント、オートエンコーダなどのニューラルネットワーク、または制限付きボルツマンマシン、サポートベクトルマシン、及びベイズ分類器などを含む、様々な分類器または分類器の組み合わせのうちのいずれかであり得る。分類器がディープニューラルネットワークである場合、訓練により、ディープニューラルネットワークの活性化関数の重みの集合が生成される。分類器は、識別される障害のタイプに基づいて、選ばれ得る。例えば、特定のタイプのニューラルネットワークは、ローター発生源ではなく巣状興奮発生源に基づいて、効果的に訓練することができ得る。
いくつかの実施形態では、ＭＬＭＯシステムは、訓練データを生成するために使用される発生源構成の構成パラメータの追加特徴で、訓練データを増強し得る。例えば、ＭＬＭＯシステムは、心臓形状、心臓配向、瘢痕または線維症または催不整脈性基質の位置（複数可）、アブレーションの位置、及びアブレーションの形などを表す追加特徴を生成し得る。ＭＬＭＯシステムは、これらの追加特徴を、後述される畳み込みニューラルネットワーク（「ＣＮＮ」）の全結合層の前の層により生成された出力と共に、全結合層に入力し得る。全結合層の前の層（例えばプーリング層）の出力は、一次元配列に「平坦化」され得、ＭＬＭＯシステムは、一次元配列のさらなる要素として追加特徴を追加し得る。全結合層の出力は、訓練データで使用される各ラベルの確率を提供し得る。従って、確率は、導出ＥＭデータと追加特徴との組み合わせに基づく。分類器は、例えば、異なる心臓形状及び異なる瘢痕または線維症または催不整脈性基質の位置を有する患者に関して、同じまたは類似するＥＭデータが生成され得ることを反映するために、導出ＥＭデータが同じまたは類似する場合でも、異なる確率を出力することができる。ＭＬＭＯシステムは、代替的に、（１）導出ＥＭデータのみに基づいてＣＮＮにより生成された確率を入力し、（２）追加特徴を入力して、次に追加特徴を取り込んだ各分類の最終確率を出力する、追加分類器を使用し得る。追加分類器は、例えばサポートベクトルマシンであり得る。ＣＮＮ及び追加分類器は、並行して訓練され得る。
いくつかの実施形態では、ＭＬＭＯシステムは、電位軸及び時間軸の両方で訓練データの各周期のＶＣＧを正規化する。周期は、正常調律及び異常調律の間の定期的電気活動の単一のユニットまたは心拍を定義する時間間隔（例えば開始時間から終了時間まで）として定義され得る。周期により、発生源構成の経時的発展の心拍単位分析が容易となり、各周期での後続の電位及び時間の正規化が可能となる。正規化は、電位－時間動態の顕著な特徴を保持し、実際の患者において予想される発生源構成パラメータ（例えば胴体伝導率、リード配置及び抵抗、心筋伝導速度、活動電位動態、心臓全体寸法など）の変動への訓練データの一般化可能性を向上させる。ＭＬＭＯシステムは、ミリ秒またはパーセンテージの増分で、電位を－１～１の範囲に、時間を０～１の固定範囲に、正規化し得る。周期の電位を正規化するために、ＭＬＭＯシステムは、軸にわたるベクトルの最大の大きさを特定し得る。ＭＬＭＯシステムは、各電位を最大の大きさで除算する。時間軸を正規化するために、ＭＬＭＯシステムは、１０００より多くまたは少なくあり得るＶＣＧ内の点の数から、正規化された周期の１０００点へ、補間を実行する。
いくつかの実施形態では、分類器が訓練された後、ＭＬＭＯシステムは、患者から収集されたＥＭ及び他の日常的に入手可能な臨床データに基づいて、分類を生成する用意が整う。例えば、ＥＣＧが患者から収集され得、ＶＣＧがＥＣＧから生成され得る。ＶＣＧは分類器に入力され、例えば患者のローター位置を示す分類が生成される。その結果、患者の心臓形状が不明であっても、またはどのシミュレーションも患者の心臓と同じ形状に基づいていなくても、ＭＬＭＯシステムを使用して分類を生成することができる。心臓の寸法または配向、瘢痕または線維症または催不整脈性基質の構成などの他の患者の測定値が利用可能な場合、精度を向上させるために、ＥＭデータと共に他の患者の測定値が入力として含められ得る。これにより、分類器は、訓練データにより直接表されない様々な臨床データにおける複雑な隠れた特徴を、効果的に学習することができる。
いくつかの実施形態では、ＭＬＭＯシステムは、類似するＥＭ特徴を有する連続周期のシーケンスに基づいた訓練データを生成することにより、発生源の安定性（すなわち心臓内の特定領域に局在する優性不整脈発生源の心拍間一貫性）を分類し得る。不整脈発生源の安定性を判定するための技法は、Ｊｏｕｒｎａｌ ｏｆ Ａｍｅｒｉｃａｎ Ｃｏｌｌｅｇｅ ｏｆ Ｃａｒｄｉｏｌｏｇｙ、２０１４年、第６３巻、第２３号に記載のＫｒｕｍｍｅｎ，Ｄ．，ｅｔ ａｌ．著の「Ｒｏｔｏｒ Ｓｔａｂｉｌｉｔｙ Ｓｅｐｅｒａｔｅｓ Ｓｕｓｔａｉｎｅｄ Ｖｅｎｔｒｉｃｕｌａｒ Ｆｉｂｒｉｌｌａｔｉｏｎ ｆｒｏｍ Ｓｅｌｆ－Ｔｅｒｍｉｎａｔｉｎｇ Ｅｐｉｓｏｄｅｓ ｉｎ Ｈｕｍａｎｓ」に説明されており、これは、参照により本明細書に組み込まれるものとする。この参考文献は、再発性不整脈発作を防ぐための安定発生源部位での標的アブレーションの有効性を論証する。例えば、ＭＬＭＯシステムは、ＶＣＧを所与として、周期を識別し、次いで、シーケンス内の全てのＶＣＧ周期が互いに類似する形態である２つの連続周期、３つの連続周期、４つの連続周期などのシーケンスを識別し得る。識別された各シーケンスは、ＶＣＧを生成するために使用された発生源構成のパラメータの値に基づいて、ラベル付けされ得る。ＭＬＭＯシステムは、次いで、シーケンス長（例えば２、３、４など）ごとに、そのシーケンス長のシーケンスの訓練データを使用して、別個の分類器を訓練し得る。例えば、ＭＬＭＯシステムは、２つの周期のシーケンスの分類器を訓練し、３つの周期のシーケンスの別個の分類器を訓練し得る。患者の分類を生成するために、ＭＬＭＯシステムは、患者のＶＣＧにおいて様々なシーケンス長の類似する周期のシーケンスを識別し、これらのシーケンスを好適なシーケンス長の分類器に入力し得る。ＭＬＭＯシステムは、次いで、全ての分類器からの分類を組み合わせて最終的な分類に到達し得る、または全ての分類を単純に出力し得る。
分類器は、実際の患者のＥＣＧまたはＶＣＧと、発生源位置の対応心腔内バスケットカテーテル測定値とを使用して訓練され得るが、十分な数のデータの収集、準備、及びラベル付けにかかるコストは、技術の進歩により大幅にコスト削減されるかもしれないが、現在は非常に高くあり得る。また、医療レコードの収集及び記憶の進歩により、実際の患者のデータの使用がより効果的となるかもしれないが、実際の患者に基づく訓練データは、現在、あまりにまばらでノイズが多いため、大規模な母集団のための分類器の訓練には、特に効果的ではあり得ない。いくつかの実施形態では、ＭＬＭＯシステムは、実際の患者のＶＣＧと、シミュレーションから導出されたＶＣＧとの組み合わせを使用して、訓練され得る。実際の患者から収集される訓練データは、フレキシブルエレクトロニクス（例えば表皮電子システム）、及びスマート衣類などの様々なデバイスを使用して収集され得る。
いくつかの実施形態では、ＭＬＭＯシステムは、実際の患者のＶＣＧと、シミュレーションから導出されたＶＣＧとの組み合わせを使用して、訓練され得る。
図１は、いくつかの実施形態における、ＭＬＭＯシステムの全体的な処理を示すブロック図である。ＭＬＭＯシステムは、分類器生成コンポーネント１１０と、分類コンポーネント１２０と、を含む。心臓の計算モデルは、心臓モデルデータストア１１１に格納されたデータ及びコードを含み得る心臓モデルである。シミュレーション生成コンポーネント１１２は、シミュレーションのための心臓モデル及びパラメータ集合を入力する。発生源構成とも称されるパラメータ集合は、可能なパラメータ値の各組み合わせのパラメータ集合を含み得る、またはパラメータ集合を生成する方法を指定し得る（例えばコンピュータコードを介して）。例えば、ローター位置パラメータのコンピュータコードは、可能なローター位置のリストを含み得、心室配向パラメータのコンピュータコードは、ｘ軸及びｙ軸の増分など、ベース配向から可能な傾斜角を生成するために、コードと共にそのベース配向軸からの値を、動的に生成し得る。シミュレーション生成コンポーネントの出力は、電位解がＥＭ出力である電位解データストア１１３に格納される。電位解は、ＥＭメッシュの例である。ＶＣＧ生成コンポーネント１１４は、電位解からＶＣＧを生成し、ＶＣＧをＶＣＧデータストア１１５に格納する。ＶＣＧ生成コンポーネントは、電位解からＥＣＧを生成し、次にＥＣＧからＶＣＧを生成し得る。ＥＣＧからのＶＣＧの生成は、Ｅｕｒｏｐｅａｎ Ｈｅａｒｔ Ｊｏｕｒｎａｌ、第１１巻、第１２号、１９９０年１２月１日、１０８３～１０９２頁に記載のＪ．Ａ．Ｋｏｒｓ、Ｇ．Ｖａｎ Ｈｅｒｐｅｎ、Ａ．Ｃ．Ｓｉｔｔｉｇ、及びＪ．Ｈ．Ｖａｎ Ｂｅｍｍｅｌ著の「Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ ｏｆ ｔｈｅ Ｆｒａｎｋ ｖｅｃｔｏｒｃａｒｉｏｇｒａｍ ｆｒｏｍ ｓｔａｎｄａｒｄ ｅｌｅｃｔｒｏｃａｒｄｉｏｇｒａｐｈｉｃ ｌｅａｄｓ：ｄｉａｇｎｏｓｔｉｃ ｃｏｍｐａｒｉｓｏｎ ｏｆ ｄｉｆｆｅｒｅｎｔ ｍｅｔｈｏｄｓ」に説明され、これは、参照により本明細書に組み込まれるものとする。訓練データ生成コンポーネント１１６は、ＶＣＧを入力し、パラメータ集合から導出され得る１つ以上のラベルで各ＶＣＧをラベル付けし、訓練データを訓練データストア１１７に格納する。ラベルは、例えば、ＶＣＧが導出されたＥＭ出力を生成するのに使用されたパラメータ集合のパラメータの値であり得る。分類器訓練コンポーネント１１８は、訓練データを入力し、分類器を訓練し、分類器重みデータストア１１９に重み（例えば畳み込みニューラルネットワークの活性化関数の重み）を格納する。分類を生成するために、ＥＣＧ収集コンポーネント１２１は、患者から収集したＥＣＧを入力する。ＶＣＧ生成コンポーネント１２２は、ＥＣＧからＶＣＧを生成する。分類コンポーネント１２３は、ＶＣＧを入力し、訓練された分類器の分類器重みを使用して、分類を生成する。
ＭＬＭＯシステム及び他の説明されるシステムが実装され得るコンピューティングシステム（例えばネットワークノードまたはネットワークノードの集合）は、中央処理装置、入力デバイス、出力デバイス（例えばディスプレイデバイス及びスピーカー）、ストレージデバイス（例えばメモリ及びディスクドライブ）、ネットワークインターフェース、グラフィック処理装置、セルラー無線リンクインターフェース、及び全地球測位システムデバイスなどを含み得る。入力デバイスには、キーボード、ポインティングデバイス、タッチスクリーン、ジェスチャ認識デバイス（例えばエアジェスチャ用）、頭部及び目の追跡デバイス、及び音声認識用マイクロフォンなどが含まれ得る。コンピューティングシステムには、高性能コンピューティングシステム、クラウドベースサーバ、デスクトップコンピュータ、ラップトップ、タブレット、電子書籍リーダー、パーソナルデジタルアシスタント、スマートフォン、ゲームデバイス、及びサーバなどが含まれ得る。例えば、シミュレーション及び訓練は、高性能コンピューティングシステムを使用して行われ得、分類は、タブレットにより行われ得る。コンピューティングシステムは、コンピュータ可読記憶媒体及びデータ伝送媒体を含むコンピュータ可読媒体にアクセスし得る。コンピュータ可読記憶媒体は、一時的電波信号を含まない有形記憶手段である。コンピュータ可読記憶媒体の例には、一次メモリ、キャッシュメモリ、及び二次メモリ（例えばＤＶＤ）などのメモリ、並びに他のストレージが挙げられる。コンピュータ可読記憶媒体は、ＭＬＭＯシステム及び他の説明されるシステムを実施するコンピュータ実行可能命令またはロジックを、自身に記録済みであり得る、またはそのようなコンピュータ実行可能命令またはロジックで符号化され得る。データ伝送媒体は、有線接続または無線接続を通して、一時的な伝搬信号または搬送波（例えば電磁気）を介して、データを伝送するために使用される。コンピューティングシステムは、鍵を生成して安全に格納するため、及び鍵を使用してデータを暗号化及び復号化するための中央処理装置の一部として、安全な暗号プロセッサを含み得る。
ＭＬＭＯシステム及び他の説明されるシステムは、１つ以上のコンピュータ、プロセッサ、または他のデバイスにより実行されるプログラムモジュール及びコンポーネントなど、コンピュータ実行可能命令の一般的状況で説明され得る。一般に、プログラムモジュールまたはコンポーネントは、タスクを実行する、またはＭＬＭＯシステム及び他の説明されるシステムのデータ型を実施するルーチン、プログラム、オブジェクト、及びデータ構造などを含む。通常、プログラムモジュールの機能は、様々な例で必要に応じて組み合わされ得る、または分散され得る。ＭＬＭＯシステム及び他の説明されるシステムの態様は、例えば特定用途向け集積回路（「ＡＳＩＣ」）またはフィールドプログラマブルゲートアレイ（「ＦＰＧＡ」）を使用するハードウェアに実装され得る。
図２は、いくつかの実施形態における、ＭＬＭＯシステムによる分類器を生成する全体的な処理を示すフロー図である。分類器生成コンポーネント２００は、分類器を生成するように実行される。ブロック２０１にて、コンポーネントは、シミュレーションを実行するために使用される計算モデルにアクセスする。ブロック２０２にて、コンポーネントは、シミュレーションで使用される次の発生源構成（すなわちパラメータ集合）を選択する。判定ブロック２０３にて、全ての発生源構成が既に選択済みである場合は、コンポーネントはブロック２０５に続行し、そうでない場合は、コンポーネントはブロック２０４に続行する。ブロック２０４にて、コンポーネントは、選択した発生源構成を使用してシミュレーションを実行して、シミュレーションのＥＭ出力を生成し、次いでブロック２０２にループして、次の発生源構成を選択する。ブロック２０５にて、コンポーネントは、シミュレーションで生成された次のＥＭ出力を選択する。判定ブロック２０６にて、全てのＥＭ出力が既に選択済みである場合は、コンポーネントはブロック２１０に続行し、そうでない場合は、コンポーネントはブロック２０７に続行する。ブロック２０７にて、コンポーネントは、ＥＭ出力からＥＭデータを導出する。例えば、ＥＭ出力は、ＥＭメッシュの集合であり得、ＥＭデータは、ＥＭメッシュの電磁値から導出されたＥＣＧまたはＶＣＧであり得る。いくつかの実施形態では、コンポーネントはさらに、ＥＣＧまたはＶＣＧ内の周期（不正動脈活動の定期的間隔）を識別し得る。周期は、基準フレームもしくは基準フレームの集合を含む空間方向もしくは方向集合に関して、負電位から正電位への継続的交差（「正交差」）または正電位から負電位への継続的交差（「負交差」）により、区切られ得る。基準フレームは、解剖構造軸（例えば左右のｘ軸、上下のｙ軸、前後のｚ軸）、撮像軸（例えばＣＴ、ＭＲ、またはｘ線の座標フレーム）、体表面リードベクトル、測定またはシミュレートされたＥＭ発生源構成及び出力の主なコンポーネント分析により計算された主軸、またはユーザ定義の関心方向と、一致し得る。例えば、３秒のＶＣＧは、３つの周期を有し得、各周期は、ｘ軸に沿った正交差の時点で区切られ得る。あるいは、周期は、ｙ軸またはｚ軸に沿った交差で区切られ得る。さらに、周期は、負交差で定義され得る。従って、いくつかの実施形態では、コンポーネントは、様々な周期定義に基づいて、単一ＶＣＧから訓練データを生成し得、様々な周期定義は、ｘ軸、ｙ軸、及びｚ軸のうちの１つの軸上の交差により定義される全ての軸の周期、またはその軸上の交差によりそれぞれ定義される周期を伴う正交差と負交差との様々な組み合わせである。さらに、訓練データは、全ての可能な周期定義または周期定義の部分集合に基づいて、識別された周期を含み得る。例えば、訓練データは、各軸に関して、ｘ軸の正交差、ｙ軸の負交差、及びその軸自体の正交差で定義される周期を含み得る。周期定義はまた、ＥＭメッシュに格納された値から導出される電気的イベントのタイミングによっても定義され得る。例えば、メッシュ内の１点または点集合は、電気的活性化及び非活性化を示す電位閾値を、定期的に超え得る。従って、周期は、メッシュ内の１点または点集合に対応する活性化－非活性化、または連続的な活性化－活性化もしくは非活性化－非活性化の間隔で定義され得る。これらの間隔の結果的タイミングは、ＥＣＧまたはＶＣＧに共局在化し、周期識別を可能にし得る。ブロック２０８にて、コンポーネントは、発生源構成（例えば発生源位置）に基づいて、ＥＭデータにラベル付けを行う。周期が識別されると、コンポーネントは、各周期に同じラベルでラベル付けを行い得る。例えば、コンポーネントは、識別された周期に、同じローター位置でラベル付けを行い得る。ブロック２０９にて、コンポーネントは、ラベルと共にＥＭデータを訓練データに追加し、次いでブロック２０５にループして、次のＥＭ出力を選択する。ブロック２１０にて、コンポーネントは、訓練データを使用して分類器を訓練し、その後完了する。
図３は、いくつかの実施形態における、畳み込みニューラルネットワークを使用した訓練及び分類を示すブロック図である。畳み込みニューラルネットワークは、各ピクセルが赤、緑、及び青（「ＲＧＢ」）の値を有する単一行のピクセルである画像を入力するという意味で、一次元であり得る。ＭＬＭＯシステムは、訓練データのＶＣＧの電位に基づいてピクセルの値を設定する。画像は、訓練データのＶＣＧのベクトルと同じピクセル数を有する。ＭＬＭＯシステムは、画像のピクセルの赤値、緑値、及び青値を、ＶＣＧの対応するベクトルのｘ値、ｙ値、及びｚ値に設定する。例えば、ＶＣＧの周期が１秒の長さで、ＶＣＧがミリ秒ごとにベクトルを有する場合には、画像は１ｘ１０００ピクセルとなる。一次元畳み込みニューラルネットワーク（「１Ｄ ＣＮＮ」）訓練器３１０は、訓練データ３０１を使用して畳み込みニューラルネットワークの活性化関数の重みを学習する。患者の分類を生成するために、ＭＬＭＯシステムは、患者のＶＣＧ３０２を一次元画像として提供する。次に、１Ｄ ＣＮＮ ３２０は、重みに基づいてＶＣＧを分類し、ローター位置などの分類を出力する。
ＣＮＮは、画像を処理するために特別に開発されたニューラルネットワークの一種である。画像全体を入力して、画像の分類を出力するために、ＣＮＮが使用され得る。例えば、ＣＮＮを使用して、患者のスキャンが異常（例えば腫瘍）の存在を示すか否かを自動的に判定することができる。ＭＬＭＯシステムは、導出ＥＭデータを、１次元画像とみなす。ＣＮＮは、畳み込み層、正規化線形ユニット（「ＲｅＬＵ」）層、プーリング層、及び全結合（「ＦＣ」）層などの複数の層を有する。いくつかのより複雑なＣＮＮは、複数の畳み込み層、ＲｅＬＵ層、プーリング層、及びＦＣ層を有し得る。
畳み込み層は、複数のフィルタ（カーネルまたは活性化関数とも称される）を含み得る。フィルタは、画像の畳み込みウィンドウを入力し、畳み込みウィンドウの各ピクセルに重みを適用し、その畳み込みウィンドウの活性値を出力する。例えば、画像が２５６ｘ２５６ピクセルの場合、畳み込みウィンドウは８ｘ８ピクセルであり得る。フィルタは、畳み込みウィンドウ内の６４ピクセルのそれぞれに異なる重みを適用して、特徴値とも称される活性値を生成し得る。畳み込み層は、フィルタごとに、１のストライドと好適なパディングを想定した、画像の各ピクセルのノード（ニューロンとも称される）を含み得る。各ノードは、そのノードの訓練フェーズ中に学習されたフィルタの重みの集合に基づいて、特徴値を出力する。例を続けると、畳み込み層は、フィルタごとに６５，５６６個（２５６ｘ２５６個）のノードを有し得る。フィルタのノードにより生成された特徴値は、高さ及び幅が２５６の畳み込み特徴マップを形成するとみなされ得る。特徴または特性（例えばエッジ）を識別するためにある位置の畳み込みウィンドウに関して計算された特徴値が、別の位置の特徴を識別するのに役立つと想定された場合、フィルタの全てのノードは、同じ重み集合を共有し得る。重みを共有することで、訓練時間及びストレージ要件の両方を、大幅に削減することができる。画像の各ピクセルが複数の色で表される場合には、畳み込み層は、それぞれ個別の色を表す別の次元を含み得る。また、画像が３Ｄ画像である場合、畳み込み層は、３Ｄ画像内の画像ごとにさらに別の次元を含み得る。このような場合、フィルタは、３Ｄ畳み込みウィンドウを入力し得る。
ＲｅＬＵ層は、畳み込み層のノードごとに、特徴値を生成するノードを有し得る。生成された特徴値は、ＲｅＬＵ特徴マップを形成する。ＲｅＬＵ層は、畳み込み特徴マップの各特徴値にフィルタを適用して、ＲｅＬＵ特徴マップの特徴値を生成する。例えば、ｍａｘ（０、活性値）などのフィルタを使用して、ＲｅＬＵ特徴マップの特徴値が負ではないことが確保され得る。
プーリング層は、ＲｅＬＵ特徴マップをダウンサンプリングすることによりＲｅＬＵ特徴マップのサイズを縮小して、プーリング特徴マップを形成するために使用され得る。プーリング層は、ＲｅＬＵ特徴マップの特徴値のグループを入力し、特徴値を出力するプーリング関数を含む。例えば、プーリング関数は、ＲｅＬＵ特徴マップの２ｘ２の特徴値のグループの平均である特徴値を生成し得る。上記の例を続けると、プーリング層は、フィルタごとに１２８ｘ１２８のプーリング特徴マップを有する。
ＦＣ層は、プーリング特徴マップの全ての特徴値にそれぞれ接続されたある数のノードを含む。例えば、画像が猫、犬、鳥、ネズミ、またはフェレットであると分類される必要がある場合、ＦＣ層には、画像に動物のうちの１つが含まれる尤度を示すスコアを提供する特徴値を有する５つのノードが含まれ得る。各ノードは、フィルタが検出する動物の種類に適合した独自の重みの集合を有するフィルタを備える。
以下では、ＭＬＭＯシステムが、以下のデータ構造を参照して説明される。括弧は、配列を示す。例えば、ＶＣＧ［２］．Ｖ［５］．ｘは、第２のＶＣＧにおける第５の時間間隔のｘ軸の電位を表す。データ構造はさらに、最初に参照される時にさらに下記で説明される。
ＶＣＧデータ構造
ＶＣＧ［］
サイズ
Ｖ［］
ｘ
ｙ
ｚ
ｎＶＣＧ
Ｖ［］
ｘ
ｙ
ｚ
周期データ構造
＃Ｃ
Ｃ［］
開始
終了
訓練データ構造
＃ＴＤ
ＴＤ［］
ｎＶＣＧ［］
ラベル（複数可）
図４は、いくつかの実施形態における、ＭＬＭＯシステムの分類器生成コンポーネントの詳細な処理を示すフロー図である。分類器生成コンポーネント４００は、分類器を生成するために呼び出される。ブロック４０１にて、コンポーネントは、シミュレートＶＣＧ生成コンポーネントを呼び出して、ＶＣＧ（ＶＣＧ［］）を様々なパラメータ集合でシミュレートする。ブロック４０２～４０５にて、コンポーネントはループして、各シミュレーションの訓練データを生成する。ブロック４０２にて、コンポーネントは、パラメータ集合を通してインデックス指定を行うために、インデックスｉを１に設定する。判定ブロック４０３にて、インデックスｉがパラメータ集合の数と等しい場合は、全ての訓練データが生成済みであり、コンポーネントはブロック４０６に続行し、そうでない場合は、コンポーネントはブロック４０４に続行する。ブロック４０４にて、コンポーネントは、訓練データ生成コンポーネントを呼び出し、インデックス指定されたパラメータ集合の指示を渡す。ブロック４０５にて、コンポーネントは、インデックスｉをインクリメントし、次いでブロック４０３にループする。ブロック４０６にて、コンポーネントは、分類器訓練コンポーネントを呼び出して、生成された訓練データに基づいて分類器を訓練し、その後完了する。
図５は、いくつかの実施形態における、ＭＬＭＯシステムのシミュレートＶＣＧ生成コンポーネントの処理を示すフロー図である。シミュレートＶＣＧ生成コンポーネント５００は、各パラメータ集合のシミュレートＶＣＧを生成するために呼び出される。ブロック５０１にて、コンポーネントは、パラメータ集合を通してインデックス指定を行うために、インデックスｉを１に設定する。判定ブロック５０２にて、インデックスｉがパラメータ集合の数よりも大きい場合は、コンポーネントは完了し、そうでない場合は、コンポーネントはブロック５０３に続行する。ブロック５０３にて、コンポーネントは、シミュレーションステップを通してインデックス指定を行うために、インデックスｊを１に設定する。判定ブロック５０４にて、インデックスｊがシミュレーションステップの数より大きい場合は、インデックス指定されたパラメータ集合のシミュレーションは完了し、コンポーネントはブロック５０７に続行し、そうでない場合は、コンポーネントはブロック５０５に続行する。ブロック５０５にて、コンポーネントは、インデックス指定されたパラメータ集合及びインデックス指定されたシミュレーションステップに基づく計算モデルを適用して、インデックス指定されたシミュレーションステップの電位解（ＶＳ［ｊ］）を生成する。ブロック５０６にて、コンポーネントは、インデックスｊをインクリメントし、次いでブロック５０４にループして、次のシミュレーションステップを処理する。ブロック５０７にて、コンポーネントは、パラメータ集合に関して計算された電位解（ＶＳ［］）から、インデックス指定されたパラメータ集合のＶＣＧ（ＶＣＧ［ｉ］）を生成する。ブロック５０８にて、コンポーネントは、インデックスｉをインクリメントし、次いでブロック５０２にループして、次のパラメータ集合を処理する。
図６は、いくつかの実施形態における、ＭＬＭＯシステムの周期用の訓練データ生成コンポーネントの処理を示すフロー図である。訓練データ生成コンポーネント６００が呼び出され、パラメータ集合で生成されたＶＣＧをインデックス指定するインデックスｉを渡され、ＶＣＧから訓練データを生成する。ブロック６０１にて、コンポーネントは、周期識別コンポーネントを呼び出し、インデックス指定されたＶＣＧ（ＶＣＧ［ｉ］）の指示を渡し、識別された周期のカウント（＃Ｃ）と共に、各周期の正規化ＶＣＧ（ｎＶＣＧ［］）を受信する。ブロック６０２にて、コンポーネントは、周期を通してインデックス指定を行うために、インデックスｋを１に設定する。判定ブロック６０３にて、インデックスｋが周期のカウントよりも大きい場合は、インデックス指定されたＶＣＧの全ての周期の訓練データは生成されており、コンポーネントは完了し、そうでない場合は、コンポーネントはブロック６０４に続行する。ブロック６０４にて、コンポーネントは、訓練データに対するインデックスとして使用される訓練データ（ＴＤ）の実行カウント（＃ＴＤ）をインクリメントする。ブロック６０５にて、コンポーネントは、インデックス指定された訓練データの正規化ｎＶＣＧ（ＴＤ［＃ＴＤ］．ｎＶＣＧ）を、インデックス指定された周期により特定されるＶＣＧの部分に設定する。コンポーネントは、ｘ軸、ｙ軸、及びｚ軸から、周期の開始点及び終了点で定義される部分を、抽出する。ブロック６０６にて、コンポーネントは、インデックス指定されたパラメータ集合（例えばローター位置）の関数に基づいて、インデックス指定された訓練データのラベル（複数可）を設定する。ブロック６０７にて、コンポーネントは、次の周期にインデックス指定するようにインデックスｋをインクリメントし、次いでブロック６０３にループして、次の周期を処理する。
図７は、いくつかの実施形態における、ＭＬＭＯシステムの周期識別コンポーネントの処理を示すフロー図である。周期識別コンポーネント７００は、ＶＣＧ内の周期を識別するために呼び出され、周期の正規化ＶＣＧ（ｎＶＣＧ［］）を提供する。ブロック７０１にて、コンポーネントは、ＶＣＧを通してインデックス指定を行うためにインデックスｊを２に初期化し、識別された周期を通してインデックス指定を行うためにインデックスｋを０に設定する。判定ブロック７０２にて、インデックスｊがＶＣＧのサイズより大きい場合は、コンポーネントは全ての周期を識別し終え、コンポーネントは完了して正規化ｎＶＣＧを提供し、そうでない場合は、コンポーネントはブロック７０３に続行する。ブロック７０３にて、ＶＣＧのｘ軸の前の電位（ＶＣＧ．Ｖ［ｊ－１］．ｘ）がゼロ以上であり、ＶＣＧのｘ軸のインデックス指定された電位（ＶＣＧ．Ｖ［ｊ］．ｘ）がゼロ未満である場合（すなわちｘ軸の負交差）、可能な周期の開始が識別されており、コンポーネントはブロック７０４に続行して周期を識別し、そうでない場合は、コンポーネントはブロック７０９に続行する。ブロック７０４にて、コンポーネントは、インデックス指定された周期の開始（Ｃ［ｋ］．ｓｔａｒｔ）を、インデックスｊと等しく設定する。判定ブロック７０５にて、少なくとも１つの周期が既に識別されている場合は、前の周期の終了が分かっているため、コンポーネントは、インデックスｋをインクリメントしてブロック７０６に続行し、そうでない場合は、コンポーネントは、インデックスｋをインクリメントしてブロック７０９に続行する。ブロック７０６にて、コンポーネントは、前の周期の終了を、インデックスｊ－１に設定する。ブロック７０７にて、コンポーネントは、前の周期の開始及び終了により区切られた前のインデクス指定の周期のＶＣＧ（ｅＶＣＧ）を抽出する。ブロック７０８にて、コンポーネントは、周期正規化コンポーネントを呼び出し、抽出されたＶＣＧ（ｅＶＣＧ）の指示を渡し、正規化周期（ｎＶＣＧ）を受信する。ブロック７０９にて、コンポーネントは、ＶＣＧを通してインデックス指定を行うためにインデックスｊをインクリメントし、ブロック７０２にループする。
図８は、いくつかの実施形態における、ＭＬＭＯシステムの周期正規化コンポーネントの処理を示すフロー図である。周期正規化コンポーネント８００が呼び出され、周期のＶＣＧの指示を渡され、周期を正規化する。ブロック８０１にて、コンポーネントは、周期内のベクトルの最大ベクトルの大きさＶ’を特定する。例えば、ベクトルのベクトル大きさは、ベクトルのｘ値の二乗、ｙ値の二乗、及びｚ値の二乗の合計の平方根を取ることにより計算され得る。ブロック８０２にて、コンポーネントは、ＶＣＧの次の軸をインデックス指定するように、インデックスｉを設定する。判定ブロック８０３にて、全ての軸が既に選択済みである場合は、コンポーネントは完了して、正規化ＶＣＧを提供し、そうでない場合は、コンポーネントはブロック８０４に続行する。ブロック８０４にて、コンポーネントは、正規化された周期のベクトルを通してインデックス指定を行うために、インデックスｊを１に初期化する。判定ブロック８０５にて、インデックスｊが正規化された周期のベクトルの数より大きい場合は、コンポーネントはブロック８０２にループして、次の軸を選択し、そうでない場合は、コンポーネントはブロック８０６に続行する。ブロック８０６にて、コンポーネントは、インデックス指定された軸のインデックス指定されたベクトルの正規化ＶＣＧを、渡されたＶＣＧ、インデックス指定されたベクトル、及び最大ベクトル大きさＶ’の補間に設定する。補間は、ＶＣＧを、正規化ＶＣＧ内のベクトルの数に効果的に圧縮または拡張し、ベクトルのｘ値、ｙ値、及びｚ値を最大ベクトル大きさＶ’で除算する。ブロック８０７にて、コンポーネントは、インデックスｊをインクリメントし、次にブロック８０５にループする。
図９は、いくつかの実施形態における、ＭＬＭＯシステムの類似周期シーケンス用の訓練データ生成コンポーネントの処理を示すフロー図である。類似周期シーケンス用の訓練データ生成コンポーネント９００が呼び出され、渡されたインデックスｉによりインデックス指定されたＶＣＧの２つの連続する類似周期のシーケンスを識別し、識別された類似周期シーケンスに基づいて訓練データを生成する。シーケンス内の周期は、周期の安定性を反映する類似性スコアに応じて類似する。ブロック９０１にて、コンポーネントは、周期識別コンポーネントを呼び出して、ＶＣＧの周期（ｎＶＣＧ［］）を識別する。ブロック９０２にて、コンポーネントは、識別された周期を通してインデックス指定を行うために、インデックスｊを２に設定する。判定ブロック９０３にて、インデックスｊが識別された周期の数よりも大きい場合は、全ての周期がインデックス指定されたため、コンポーネントは完了し、そうでない場合は、コンポーネントはブロック９０４に続行する。ブロック９０４にて、コンポーネントは、ｊ－１及びｊでインデックス指定された周期の類似性スコアを生成する。類似性スコアは、例えばコサイン類似度、及びピアソン相関などに基づき得る。判定ブロック９０５にて、類似周期を示す類似性スコアの閾値（Ｔ）を類似性スコアが上回る場合は、類似周期のシーケンスが識別されており、コンポーネントはブロック９０６に続行し、そうでない場合は、コンポーネントはブロック９０９に続行する。ブロック９０６にて、コンポーネントは、訓練データの実行カウント（＃ＴＤ）をインクリメントする。ブロック９０７にて、コンポーネントは、訓練データを、類似周期のシーケンスに設定する。ブロック９０８にて、コンポーネントは、訓練データのラベルを、ＶＣＧを生成するために使用されたパラメータ集合（ＰＳ［ｉ］）から導出されるラベルに設定し、次いでブロック９０９に続行する。ブロック９０９にて、コンポーネントは、インデックスｉをインクリメントして次の周期シーケンスを選択し、ブロック９０３にループする。
図１０は、いくつかの実施形態における、ＭＬＭＯシステムの分類コンポーネントの処理を示すフロー図である。分類コンポーネント１０００が呼び出され、患者から導出されたＶＣＧを渡され、分類を出力する。ブロック１００１にて、コンポーネントは、周期識別コンポーネントを呼び出し、ＶＣＧの指示を渡し、周期の正規化ＶＣＧ及び周期のカウントを受信する。ブロック１００２にて、コンポーネントは、周期を通してインデックス指定を行うために、インデックスｋを１に設定する。判定ブロック１００３にて、インデックスｋが周期の数より大きい場合は、コンポーネントは分類を完了し、そうでない場合は、コンポーネントはブロック１００４に続行する。ブロック１００４にて、コンポーネントは、インデックス指定された周期に分類器を適用して、分類を生成する。ブロック１００５にて、コンポーネントは、インデックスをインクリメントし、次いでブロック１００３にループして、次の周期を処理する。周期ごとに、異なる分類（例えば異なるローター位置）が生成され得る。このような場合、全体的な分類は、異なる分類の組み合わせから導出され得る（例えばローター位置の平均）。
モデルライブラリ生成システム
体内のＥＭ源のモデルのモデルライブラリを生成するための方法及びシステムが提供される。いくつかの実施形態では、モデルライブラリ生成（「ＭＬＧ」）システムは、ＥＭ源の解剖構造パラメータ及び電気生理学パラメータを含む構成パラメータを有する発生源構成に基づいて、モデルを生成する。解剖構造パラメータは、ＥＭ源の寸法または全体的形状を指定する。ＥＭ源が心臓である場合、モデルは、心臓壁の厚さ（例えば心内膜、心筋、及び心外膜の厚さ）、心腔の寸法、直径、胸部における心室配向、胴体の解剖構造、線維構造、瘢痕及び線維症及び催不整脈性基質の位置（複数可）、並びに瘢痕の形などから成るグループの任意の部分集合を含み得る解剖構造パラメータに基づく不整脈モデルであり得る。心臓の形状は、心腔容積が最大となり、壁の厚さが最小となり、興奮した時に、測定され得る。正常洞では、興奮は、拍動の拡張末期部分の時に起こる。不整脈では、拍動中の異なる時に、興奮が起こり得る。従って、ＭＬＧシステムでは、拡張末期部分以外の時に、形状を特定することが可能となり得る。胴体解剖構造を使用して、胴体のサイズ、形、及び組成などに基づいて、ＥＭ出力が調整され得る。電気生理学パラメータは、炎症、浮腫、副伝導路、先天性心疾患、悪性腫瘍、前のアブレーション部位、前の手術部位、外照射療法部位、ペーシングリード、植込み型除細動器リード、心臓再同期療法リード、ペースメーカーパルス発生器位置、植込み型除細動器パルス発生器位置、皮下除細動器リード位置、皮下除細動器パルス発生器位置、リードレスペースメーカ位置、他の植込み型ハードウェア（例えば右心室補助装置または左心室補助装置）、体外式除細動電極、表面ＥＣＧリード、表面マッピングリード、マッピングベスト、並びに他の正常分布及び病態生理学的特徴分布、活動電位動態、伝導率、及び不整脈発生源位置などから成るグループの任意の部分集合を含み得る非解剖構造パラメータである。シミュレーション用に選択される構成パラメータは、採用される機械学習アルゴリズムに基づき得る。例えば、線維構造パラメータは、畳み込みニューラルネットワークに対して選択され得るが、他の種類のネットワークには選択され得ない。ＭＬＧシステムは、発生源構成を生成し、これから不整脈モデルが生成される。発生源構成ごとに、ＭＬＧシステムは、メッシュと、不整脈モデルの可変重みなどのモデルパラメータとを含む不整脈モデルを生成する。ＭＬＧシステムは、解剖構造パラメータに基づいて、メッシュを生成する。計算メッシュが生成された後、ＭＬＧは、その発生源構成の電気生理学パラメータに基づいて、メッシュ内の点における不整脈モデルのモデルパラメータを生成する。電気生理学パラメータは、例えば、その点における電磁伝搬のモデル化を、電気生理学パラメータに基づいて制御する。不整脈モデルの集合は、不整脈モデルライブラリを形成する。次にＭＬＭＯシステムは、不整脈モデルごとにモデル化ＥＭ出力を生成し、モデル化ＥＭ出力を使用して、分類器を訓練し得る。不整脈モデルライブラリは、様々な種類のアブレーションの有効性の研究など、他の目的で使用されてもよい。
いくつかの実施形態では、ＭＬＧシステムは、心臓の解剖構造パラメータの集合を生成し、各集合は、各解剖構造パラメータの値（例えばスカラー、ベクトル、またはテンソル）を有する。解剖構造パラメータの集合は、心臓の解剖構造を特定する。ＭＬＧシステムは、シード解剖構造の集合（ＥＭ源の寸法の値を指定）及び各シード解剖構造の重みを含む重みの集合に基づくシミュレート解剖構造を生成する。シード解剖構造はまた、心腔の質量、容積、長さと幅の比、及び球形度などの指定された値から導出される特徴の値も含み得る。シード解剖構造は、患者に見られる極端な解剖構造を表し得る。例えば、シード解剖構造は、拡大右心室、及び非常に厚いまたは薄い心内膜などの極端な心臓状態を有する患者の超音波、コンピュータ断層撮影、及び磁気共鳴撮像スキャンから、生成され得る。ＭＬＧシステムは、重み集合ごとにシミュレート解剖構造を生成する。重み集合内の各重みは、シミュレート解剖構造に対するシード解剖構造の解剖構造パラメータの寄与度を示す。例えば、４つのシード解剖構造が指定される場合、重みは、０．４、０．３、０．２、及び０．１であり得る。ＭＬＧシステムは、重み集合でシミュレートされる解剖構造の各解剖構造パラメータの値を、シード解剖構造の各解剖構造パラメータの値の加重平均に設定する。ＭＬＧシステムは、固定間隔（例えば０．００１）を定義する、１．０に追加される重みをランダムに選択する、及び実験計画法を使用するなど、様々な技法を使用して、重み集合を生成し得る。ＭＬＧシステムはまた、解剖構造パラメータと実際の患者の実解剖構造パラメータとの比較に基づいて、シミュレート解剖構造を検証し得る。例えば、心腔の高さ、幅、及び奥行きの組み合わせにより、実際の患者には見られなかった（例えば患者母集団では見つからなかった）容積が得られる場合は、ＭＬＧシステムは、そのシミュレート解剖構造を、実際の患者では発生しそうにないということで、破棄し得る。
いくつかの実施形態では、ＭＬＧシステムは、ブートストラップ技法を使用して、不整脈モデルに基づいたモデル化ＥＭ出力の生成を、高速化し得る。左心室のメッシュには７０，０００個の頂点があり得るため、左心室の不整脈モデルのモデル化ＥＭ出力を生成するためのシミュレーションでは、ＥＭメッシュごとに７０，０００の値を計算する必要がある。シミュレーションが１ミリ秒のステップサイズで３秒間である場合には、頂点に関して７０ｘ１０6個の値が計算される必要がある。不整脈モデルライブラリが百万個の不整脈モデルを含む場合には、計算する必要のある値の個数は、７０ｘ１０12個となる。さらに、単一値の計算は、多くの数学演算を伴い得、頂点ごとに複数の値が計算され得る。計算する必要のある値の個数を減らすことを支援するために、ＭＬＧシステムは、ある不整脈モデルに基づくあるシミュレーションのために生成されたＥＭメッシュの値のうちのいくつかを、別の不整脈モデルに基づく別のシミュレーションと、有効に共有する。例えば、シミュレーションを開始すると、ＥＭメッシュの値のうちのいくつかが、値に相当な影響を与えるまでに、約１秒かかり得る。例えば、シミュレーションの１秒時点で、瘢痕または線維症または催不整脈性基質の位置を除いて同じ発生源構成を有する不整脈モデルに基づくシミュレーションのＥＭメッシュは、非常に類似した値を有し得る。計算する必要のある値の個数を減らすために、ＭＬＧシステムは、瘢痕または線維症または催不整脈性基質の位置を除いて同じまたはほぼ同じ発生源構成を有する不整脈モデルをグループ化する。グループ化はまた、伝導速度及び活動電位のパラメータを考慮しなくてもよい。次に、ＭＬＧシステムは、グループの代表的な不整脈モデル（例えば瘢痕または線維症または催不整脈性基質の位置のない不整脈モデル）のシミュレーションを実行する。他の不整脈モデルのシミュレーションを実行するために、ＭＬＧシステムは、初期ＥＭメッシュの値を、代表的な不整脈モデルのシミュレーションの１秒時点でのＥＭメッシュの値に設定する。次に、ＭＬＧシステムは、初期ＥＭメッシュの値で開始して、２秒間他のシミュレーションを実行する。他の不整脈モデルごとのモデル化ＥＭ出力は、代表的な不整脈モデルの最初の１秒のＥＭメッシュと、該当する他の不整脈モデルの２秒のＥＭメッシュとを含む。このようにして、ＭＬＧシステムは、シミュレーションのうちのいくつかのシミュレーション中に計算する必要のある値の個数を大幅に（例えば約三分の一）削減することができ、これにより、不整脈モデルライブラリのためのモデルＥＭ出力または電位解の生成が、大幅に高速化され得る。
いくつかの実施形態では、ＭＬＧシステムは、モデル化ＥＭ出力の生成を高速化するために、他のブートストラップ技法を使用し得る。１つのブートストラップ技法により、異なる形状、異なる活動電位、及び異なる伝導率のパラメータなど、異なる構成パラメータの迅速な生成が可能となり得る。例えば、所与の巣状興奮位置またローター発生源位置、及び他の構成パラメータの集合に関して、シミュレーションが２秒間実行され得る。次に、そのシミュレーションからのＥＭメッシュが、異なる形状に基づいて変更される、またはモデルのパラメータが、異なる活動電位または伝導率のパラメータに基づいて調整される。その後、シミュレーションが続行される。異なる構成パラメータに基づいて、活性化電位が安定化するのに、１秒ほどかかり得る。別のブートストラップ技法は、異なる瘢痕位置に係留されたローターの生成を高速化する。例えば、所与の係留瘢痕位置に関して、シミュレーションが２秒間実行され得る。最初の１秒後、ローターは、瘢痕位置に係留されて安定化し得る。その秒の間に、心拍動曲線を生成するのに十分なモデル化ＥＭ出力がシミュレートされる。次に、そのシミュレーションからのＥＭメッシュは、係留瘢痕位置を近くに移動させるように変更され、場合により異なる形状に基づいて変更される。その後、シミュレーションが続行される。シミュレーションにより、ローターを、前の係留瘢痕位置から切り離し、新たな係留瘢痕位置に取り付けることが可能となる。一旦取り付けられると、次の１秒程度のモデル化ＥＭ出力を使用して、ＥＣＧまたはＶＣＧが生成され得る。また、係留瘢痕位置を変更するのではなく、アブレーションの形及びパターンをＥＭメッシュに追加して、そのアブレーションの効果をシミュレートすることができる、または係留瘢痕の構成を変更して、その構成の効果が迅速にシミュレートされてもよい。
いくつかの実施形態では、ＭＬＧシステムは、不整脈モデルライブラリの不整脈モデルに関して生成されたモデル化ＥＭ出力から導出される導出ＥＭデータの生成を、高速化し得る。導出ＥＭデータは、モデル化ＥＭ出力（例えば３，０００ＥＭメッシュ）から生成されるＶＣＧ（または他の心拍動曲線）であり得る。ＭＬＧシステムは、類似する電気生理学パラメータを有する発生源構成を伴う不整脈モデルを、グループ化し得る。従って、グループ内の各不整脈モデルは、類似する電気生理学パラメータと、異なる解剖構造パラメータを有する。次に、ＭＬＧシステムは、グループの代表的な不整脈モデルのシミュレーションを実行する。しかし、ＭＬＧシステムは、グループ内の他の不整脈モデルのシミュレーションを実行する必要はない。他の不整脈モデルのうちの１つに関してＶＣＧを生成するために、ＭＬＧシステムは、代表的な不整脈モデルのモデル化ＥＭ出力と他の不整脈モデルの解剖構造パラメータとを入力する。次に、ＭＬＧシステムは、代表的な不整脈モデルと他の発生源構成との解剖構造パラメータの差異に基づいて調整を行いながら、モデル化ＥＭ出力の値に基づいて他の不整脈モデルのＶＣＧ値を計算する。このようにして、ＭＬＧシステムは、不整脈モデルの各グループの代表的な不整脈モデルを除いて、いずれのシミュレーションの実行も回避する。
いくつかの実施形態では、ＭＬＧシステムは、ある多面体モデルに基づく不整脈モデルを、別の多面体モデルに基づく不整脈モデルに変換する。異なる有限メッシュ問題解決器は、異なる多面体モデルに基づき得る。例えば、ある多面体モデルは六面体モデルであり得、別の多面体モデルは四面体モデルであり得る。六面体モデルは、メッシュが六面体で埋められている。四面体モデルは、メッシュが四面体で埋められている。不整脈モデルライブラリが六面体モデルに基づいて生成されている場合、その不整脈ライブラリを四面体問題解決器に入力することはできない。四面体モデルに基づく別個の不整脈モデルライブラリは、発生源構成に基づいて生成することができるが、計算コストは高くなる。四面体不整脈モデルライブラリを生成するこの計算コストを削減するために、ＭＬＧシステムは、六面体不整脈モデルを四面体不整脈モデルに変換する。四面体不整脈モデルに変換するために、ＭＬＧシステムは、例えば六面体不整脈モデルのメッシュの表面に基づいて、四面体不整脈モデルの表面表現を生成する。次に、ＭＬＧシステムは、表面表現により形成された体積に四面体を配置して、四面体メッシュを生成する。次に、ＭＬＧシステムは、四面体メッシュの各頂点の値を、四面体メッシュのその頂点に近接する六面体メッシュの頂点の値を補間することにより、生成する。このようにして、ＭＬＧシステムは、ある種類の多面体の不整脈モデルライブラリを使用して、別の種類の多面体の不整脈モデルライブラリを生成し、発生源構成から別の種類の多面体の不整脈モデルライブラリを生成する計算コストの発生を防ぐことができる。ＭＬＧシステムはまた、電磁源を表示するために、不整脈モデルを、ある多面体モデルから別の多面体モデルに変換し得る。例えば、ＭＬＧシステムは、六面体心室メッシュを使用してシミュレーションを実行し、次に、表示のために、表面三角形心室メッシュに変換して、心室のよりリアルな外観の表示を提供し得る。
図１１は、いくつかの実施形態における、ＭＬＧシステムのコンポーネントを示すブロック図である。ＭＬＧシステム１１００は、モデルライブラリ生成コンポーネント１１０１と、シミュレート解剖構造（複数）生成コンポーネント１１０２と、シミュレート解剖構造（単数）生成コンポーネント１１０３と、発生源構成生成コンポーネント１１０４と、モデル生成コンポーネント１１０５と、シミュレート解剖構造表示コンポーネント１１０６と、代表用電位解生成コンポーネント１１０７と、グループ用電位解生成コンポーネント１１０８と、ＶＣＧ概算コンポーネント１１０９と、多面体モデル変換コンポーネント１１１０とを含む。ＭＬＧシステムはまた、不整脈モデルを格納するモデルライブラリ１１１と、シード解剖構造（例えば心臓のシード解剖構造）を格納するシード解剖構造ライブラリ１１１２と、シミュレート解剖構造（例えば心臓のシミュレート解剖構造）を格納するシミュレート解剖構造ライブラリ１１１３とを含む。モデル生成ライブラリコンポーネントは、モデルライブラリの全体的な生成を制御する。シミュレート解剖構造（複数）生成コンポーネントは、重み集合ごとにシミュレート解剖構造（単数）コンポーネントを呼び出すことにより、様々な重み集合に関してシミュレート解剖構造を生成する。発生源構成生成コンポーネントは、シミュレート解剖構造と電気生理学パラメータの可能な値とに基づいて、様々な発生源構成を生成する。モデル生成コンポーネントは、発生源構成に基づいてモデルを生成する。シミュレート解剖構造表示コンポーネントは、重み集合を指定し、シード解剖構造及びシミュレート解剖構造を見るためのアプリケーションプログラミングインターフェースまたはユーザ体験を提供し得る。代表用電位解生成コンポーネントは、グループの代表的な発生源構成用の電位解を生成する。グループ用電位解生成コンポーネントは、代表的な発生源構成の電位解を使用したブートストラップに基づいて、グループにおける発生源構成の電位解を生成する。ＶＣＧ概算コンポーネントは、異なる解剖構造パラメータを有するが類似する発生源構成の電位解に基づいて、概算ＶＣＧを生成する。多面体モデル変換コンポーネントは、六面体モデルを四面体モデルに変換する。
図１２は、シード解剖構造からのシミュレート解剖構造の生成を示すブロック図である。この例では、シード解剖構造１２０１～１２０６を使用して、シミュレート解剖構造１２１０が生成される。各シード解剖構造は、シミュレート解剖構造に対するシード解剖構造の寄与度を指定する対応付けられた重みを有する。重みは、合計で１．０となり得る。いくつかの実施形態では、ＭＬＧシステムは、各シード解剖構造の単一の重みではなく、シード形状の各解剖構造パラメータの重みを使用し得る。例えば、重みには、心腔の寸法に対する重み、及び心臓壁の厚みに対する重みなどが含まれ得る。シード解剖構造の解剖構造パラメータの重みは、合計で１．０となり得る。例えば、左心室の寸法に関して、シード解剖構造１２０１～１２０６の重みは、それぞれ０．１、０．１、０．１、０．１、０．３、及び０．３であり得、心内膜、心筋、及び心外膜の厚さに関して、シード解剖構造１２０１～１２０６の重みは、それぞれ０．２、０．２、０．２、０．２、０．１、及び０．１であり得る。代替的に、シード解剖構造の重み、またはシード解剖構造の解剖構造パラメータの重みは、合計で１．０となる必要はない。
図１３は、いくつかの実施形態における、シミュレート解剖構造を見るユーザ体験を示す表示ページである。表示ページ１３００は、グラフィック領域１３１０と、重み領域１３２０と、オプションエリア１３３０とを含む。グラフィック領域は、心臓の各シード解剖構造のグラフィック及び重みを、これらの重みに基づく心臓のシミュレート解剖構造のグラフィックと共に表示する。ユーザは、重み領域を使用して、各シード解剖構造の重みを指定することができる。ユーザは、オプション領域を使用して、各オプションのユーザインターフェース（図示せず）に基づいて、さらなるシード解剖構造を追加すること、シード解剖構造を削除すること、及び重みルールを指定することができる。ＭＬＧシステムは、シード解剖構造の解剖構造パラメータを格納するためのデータ構造を指定し得る。ユーザは、新たなシード解剖構造を追加する時に、データ構造をアップロードすることができる。ＭＬＧシステムにより、ユーザは、シミュレート解剖構造を生成するために使用され得るシード解剖構造のライブラリを作ることも可能となり得る。重みルールは、シミュレート解剖構造のライブラリに関して、重み集合を生成する方法を指定する。例えば、重みルールは、正規化されていない重みの集合の全ての組み合わせを、０．０～１．０の範囲で０．２刻みで生成し、次に各重み集合の重みの合計が１．０となるように重みを正規化するよう、指定し得る。この重みルールと６個のシード解剖構造とを考えると、５ｘ１０6個の重み集合が指定される。グラフィックスは、Ｂｌｅｎｄｅｒなどの３Ｄコンピュータグラフィックソフトウェアツールセットを使用して生成され得る。
図１４は、いくつかの実施形態における、ＭＬＧシステムのモデルライブラリ生成コンポーネントの処理を示すフロー図である。モデルライブラリ生成コンポーネント１４００が呼び出され、各電気生理学パラメータの値の範囲を指定する電気生理学パラメータ指定と共に、解剖構造パラメータを生成するための、シード解剖構造と、各モデルのシード解剖構造に対する重み集合とに基づいて、不整脈モデルライブラリなどのモデルライブラリを生成する。コンポーネントは、解剖構造パラメータ及び電気生理学パラメータの組み合わせから、発生源構成を生成する。ブロック１４０１にて、コンポーネントは、シミュレート解剖構造（複数）生成コンポーネントを呼び出して、シード解剖構造からシミュレート解剖構造を生成する。ブロック１４０２にて、コンポーネントは、発生源構成生成コンポーネントを呼び出して、シミュレート解剖構造の解剖構造パラメータと、電気生理学パラメータ指定とに基づいて、発生源構成を生成する。ブロック１４０３～１４０６にて、コンポーネントはループして、発生源構成ごとにモデルを生成する。ブロック１４０３にて、コンポーネントは、次の発生源構成ｉを選択する。判定ブロック１４０４にて、全ての発生源構成が既に選択済みである場合は、コンポーネントは完了し、そうでない場合は、コンポーネントはブロック１４０５に続行する。ブロック１４０５にて、コンポーネントは、モデル生成コンポーネントを呼び出し、発生源構成ｉの指示を渡して、その発生源構成のモデル（モデル［ｉ］）を生成する。ブロック１４０６にて、コンポーネントは、生成されたモデルをモデルライブラリに追加し、次にブロック１４０３にループして、次の発生源構成を選択する。
図１５は、いくつかの実施形態における、ＭＬＧシステムのシミュレート解剖構造生成コンポーネントの処理を示すフロー図である。シミュレート解剖構造生成コンポーネント１５００が呼び出され、シード解剖構造と、対応付けられた重み集合とに基づいて、シミュレート解剖構造を生成する。ブロック１５０１にて、コンポーネントは、次の重み集合ｉを選択する。判定ブロック１５０２にて、全ての重み集合が既に選択済みである場合は、コンポーネントは完了し、そうでない場合は、コンポーネントはブロック１５０３に続行する。ブロック１５０３にて、コンポーネントは、シミュレート解剖構造生成コンポーネントを呼び出し、選択した重み集合ｉの指示を渡し、シミュレート解剖構造の解剖構造パラメータの指示を受信する。ブロック１５０４にて、コンポーネントは、解剖構造パラメータを格納し、次にブロック１５０１にループして、次の重み集合を選択する。
図１６は、いくつかの実施形態における、ＭＬＧシステムのシミュレート解剖構造生成コンポーネントの処理を示すフロー図である。シミュレート解剖構造生成コンポーネント１６００が呼び出され、重み集合の指示を渡され、その重み集合に基づいてシミュレート解剖構造を生成する。ブロック１６０１にて、コンポーネントは、次の解剖構造パラメータｉを選択する。判定ブロック１６０２にて、全ての解剖構造パラメータが既に選択済みである場合は、コンポーネントはシミュレート解剖構造の解剖構造パラメータの指示を返し、そうでない場合は、コンポーネントはブロック１６０３に続行する。ブロック１６０３にて、コンポーネントは、選択した解剖構造パラメータｉを初期化する。ブロック１６０４～１６０６にて、コンポーネントはループし、選択した解剖構造パラメータを、重みと、各シード解剖構造のその解剖構造パラメータの値とに基づいて、調整する。ブロック１６０４にて、コンポーネントは、次のシード解剖構造ｊを選択する。判定ブロック１６０５にて、全てのシード解剖構造が既に選択済みである場合は、コンポーネントはブロック１６０１にループして、次の解剖構造パラメータを選択し、そうでない場合は、コンポーネントはブロック１６０６に続行する。ブロック１６０６にて、コンポーネントは、選択した解剖構造パラメータｉを、選択した解剖構造パラメータｉと、選択したシード解剖構造ｊのその解剖構造パラメータｉを選択したシード解剖構造の重みで割った値との合計に、設定する。次にコンポーネントは、ブロック１６０４にループして、次のシード解剖構造を選択する。
図１７は、いくつかの実施形態における、ＭＬＧシステムの発生源構成生成コンポーネントの処理を示すフロー図である。発生源構成生成コンポーネント１７００が呼び出され、モデルライブラリを生成する際に使用する発生源構成を生成する。発生源構成は、シミュレート解剖構造と、解剖構造パラメータの値の組み合わせとにより、指定される。ブロック１７０１にて、コンポーネントは、次のシミュレート解剖構造を選択する。判定ブロック１７０２にて、全てのシミュレート解剖構造が既に選択済みである場合は、コンポーネントは完了し、そうでない場合は、コンポーネントはブロック１７０３に続行する。ブロック１７０３～１７０７にて、コンポーネントはループして、選択したシミュレート解剖構造に関して、解剖構造パラメータの集合を選択する。ブロック１７０３にて、コンポーネントは、線維構造の解剖構造パラメータの次の値を選択する。判定ブロック１７０４にて、選択したシミュレート解剖構造に関して、線維構造の解剖構造パラメータの全ての値が既に選択済みである場合は、選択したシミュレート解剖構造に関して全ての発生源構成が生成済みであるため、コンポーネントはブロック１７０１にループして、次のシミュレート解剖構造を選択し、そうでない場合は、コンポーネントは、省略符号で示されるように、他の解剖構造パラメータそれぞれの値を選択し続ける。ブロック１７０５にて、コンポーネントは、選択したシミュレート解剖構造及び他の解剖構造パラメータの値の集合に関して、次の発生源位置を選択する。判定ブロック１７０６にて、選択したシミュレート解剖構造及び他の解剖構造パラメータの値の集合に関して、全ての発生源位置が既に選択済みである場合は、コンポーネントはブロック１７０５にループして、新たな値の集合を選択する。ブロック１７０７にて、コンポーネントは、選択したシミュレート解剖構造及び解剖構造パラメータの選択した値の集合の指示を、発生源構成として格納し、次にブロック１７０５にループして、次の発生源位置を選択する。
図１８は、いくつかの実施形態における、ＭＬＧシステムのモデル生成コンポーネントの処理を示すフロー図である。モデル生成コンポーネント１８００が呼び出され、発生源構成ｉの指示を渡され、モデルを生成する。モデルは、発生源構成のシミュレート解剖構造を表すメッシュの各頂点の１つ以上のモデルパラメータを含む。ブロック１８０１にて、コンポーネントは、解剖構造パラメータに基づいて、メッシュを生成する。メッシュは、頂点ごとに、例えばその頂点の電位を生成する際に使用する１つ以上のモデルパラメータの値と共に、その隣接する頂点への参照指示を明示的または暗示的に含むデータ構造により表され得る。ブロック１８０２にて、コンポーネントは、次の頂点ｊを選択する。判定ブロック１８０３にて、全ての頂点が既に選択済みである場合は、コンポーネントは完了し、そうでない場合は、コンポーネントはブロック１８０４に続行する。ブロック１８０４にて、コンポーネントは、選択した頂点の計算モデルの次のモデルパラメータｋを選択する。判定ブロック１８０５にて、全てのモデルパラメータが既に選択済みである場合は、コンポーネントはブロック１８０２にループして、次の頂点を選択し、そうでない場合は、コンポーネントはブロック１８０６に続行する。ブロック１８０６にて、コンポーネントは、発生源構成ｉに基づいて、選択した頂点ｊに関して選択したモデルパラメータｋを計算し、次にブロック１８０４にループして、次のモデルパラメータを選択する。
図１９は、いくつかの実施形態における、ＭＬＧシステムのシミュレート解剖構造表示コンポーネントの処理を示すフロー図である。シミュレート解剖構造表示コンポーネント１９００が呼び出され、シード解剖構造に基づいて生成されたシミュレート解剖構造を表示する。ブロック１９０１にて、コンポーネントは、グラフィック１３１１などのシミュレート解剖構造のシミュレート表現を表示する。ブロック１９０２～１９０６にて、コンポーネントはループして、各シード解剖構造のシード表現を表示する。ブロック１９０２にて、コンポーネントは、シミュレート解剖構造を生成するのに使用された次のシード解剖構造を選択する。判定ブロック１９０３にて、全てのシード解剖構造が既に選択済みである場合は、コンポーネントはブロック１９０７に続行し、そうでない場合は、コンポーネントはブロック１９０４に続行する。ブロック１９０４にて、コンポーネントは、グラフィック１３０１～１３０６などの選択したシード解剖構造のシード表現を表示する。ブロック１９０５にて、コンポーネントは、シード表現からシミュレート表現への矢印を表示する。ブロック１９０６にて、コンポーネントは、シード解剖構造に対応付けられた重みを矢印の隣に表示し、次にブロック１９０２にループして、次のシード解剖構造を選択する。判定ブロック１９０７にて、ユーザが重みの変更を指示する場合は、コンポーネントはブロック１９０８に続行し、そうでない場合は、コンポーネントは完了する。ブロック１９０８にて、コンポーネントは、変更された重みに基づくシミュレート解剖構造の新たなシミュレート表現を表示する。コンポーネントは、シミュレート解剖構造を生成するシミュレート解剖構造生成コンポーネントと、シミュレート解剖構造のグラフィックを生成するコンポーネントとを呼び出し得る。ブロック１９０９にて、コンポーネントは、重量が変更されたシード解剖構造のシード表現からの矢印の近くに、変更された重みを表示して、その後完了する。
図２０は、類似する解剖構造パラメータによる以前のシミュレーションのＥＭメッシュに基づいて、シミュレーションをブートストラップするプロセスを示すブロック図である。異なる瘢痕または線維症または催不整脈性基質の位置を除いて同じ発生源構成の不整脈モデルに基づく前のシミュレーションに今度は基づいて、シミュレーションがブートストラップされ得る。初期ＥＭメッシュを生成するために、シミュレーション生成コンポーネント２０２０は、第１の瘢痕または線維症または催不整脈性基質の位置を有する不整脈モデル２０１０を入力し、電位解２０３０を出力する。シミュレーション生成コンポーネント２０２０は、メッシュデフォルト初期化コンポーネント２０２１と、シミュレーション実行コンポーネント２０２２とを含む。ＥＭメッシュ初期化コンポーネントは、ＥＭメッシュを、頂点の電位のデフォルト値で初期化する。シミュレーション実行コンポーネント２０２２は、初期化されたＥＭメッシュ及び不整脈モデル２０１０に基づいて、シミュレーションを実行して（例えば３秒間）、電位解（例えば３，０００ＥＭメッシュ）を生成し、電位解２０３０を出力する。シミュレーションをブートストラップするために、シミュレーション生成コンポーネント２０６０は、第２の瘢痕または線維症または催不整脈性基質の位置を有する不整脈モデル２０５０を入力し、電位解２０７０を出力する。シミュレーション生成コンポーネント２０６０は、電位解ベースＥＭメッシュ初期化コンポーネント２０６１と、シミュレーション実行コンポーネント２０６２とを含む。電位解ベースＥＭメッシュ初期化コンポーネント２０６１は、電位解２０３０を入力して、ＥＭメッシュを、例えば電位解２０３０の１秒時点に対応するＥＭメッシュに初期化する。シミュレーション実行コンポーネント２０６２は、初期化されたＥＭメッシュに基づいて、シミュレーションを実行する。例えば、シミュレーションが３秒であり、初期化されたＥＭメッシュが１秒時点でのＥＭメッシュに基づく場合は、シミュレーション実行コンポーネント２０６２は、さらに２秒間シミュレーションを実行する。シミュレーション実行コンポーネント２０６２は、電位解を電位解ストア２０７０に格納する。
図２１は、いくつかの実施形態における、ＭＬＧシステムのグループ内代表的不整脈モデル用電位解生成コンポーネントの処理を示すフロー図である。代表用電位解生成コンポーネント２１００は、不整脈モデルｉの電位解を生成する。ブロック２１０１にて、コンポーネントは、シミュレーションステップの数を追跡するために、インデックスｊを初期化する。判定ブロック２１０２にて、インデックスｊがシミュレーションステップの数より大きい場合は、コンポーネントは完了し、電位解を示し、そうでない場合は、コンポーネントはブロック２１０３に続行する。ブロック２１０３にて、コンポーネントは、不整脈モデル及び選択されたシミュレーションステップに基づく計算モデルを適用して、選択されたシミュレーションステップの電位解を生成する。ブロック２１０４にて、コンポーネントは次のシミュレーションステップへインクリメントし、ブロック２１０２へループする。
図２２は、いくつかの実施形態における、ＭＬＧシステムの代表的電位解に基づく不整脈モデルグループ用電位解生成コンポーネントの処理を示すフロー図である。グループ用電位解生成コンポーネント２２００は、代表的な電位解及び不整脈モデル集合の指示を渡される。ブロック２２０１にて、コンポーネントは、次の不整脈モデルｉを選択する。判定ブロック２２０２にて、全ての不整脈モデルが既に選択済みである場合は、コンポーネントは完了し、そうでない場合は、コンポーネントはブロック２２０３に続行する。ブロック２２０３にて、コンポーネントは、選択した不整脈モデルの電位解を、最初の１０００個のシミュレーションステップの代表的な電位解に初期化する。ブロック２２０４～２２０６にて、コンポーネントはループして、シミュレーションステップ１００１から始まりシミュレーションの終わりまで続くシミュレーションを実行する。ブロック２２０４にて、コンポーネントは、シミュレーションステップ１００１から開始して、次のシミュレーションステップｊを選択する。判定ブロック２２０５にて、現行のシミュレーションステップがシミュレーションステップの数より大きい場合は、コンポーネントはブロック２２０１にループして、次の不整脈モデルを選択し、そうでない場合は、コンポーネントはブロック２２０６に続行する。ブロック２２０６にて、コンポーネントは、シミュレーションステップに基づいて不整脈モデルを適用して、シミュレーションステップの電位解を生成し、次にブロック２２０４にループして、次のシミュレーションステップを選択する。
図２３は、異なる解剖構造パラメータによる不整脈モデルの電位解に基づいて、ベクトル心電図を概算するプロセスを示すブロック図である。解剖構造パラメータの第１の集合に基づいて不整脈モデル２３０１の電位解を生成するために、シミュレーション生成コンポーネント２３０２は、不整脈モデルを入力し、電位解２３０３を出力する。次に、ＶＣＧ生成コンポーネント２３０４は、電位解からＶＣＧを生成し、それをＶＣＧストア２３０５に格納する。異なる解剖構造パラメータを有するが類似する発生源構成に基づいた不整脈モデルのＶＣＧを概算するために、ＶＣＧ概算コンポーネント２３１４は、不整脈モデル２３１１を入力し、概算ＶＣＧを生成し、ＶＣＧ２３１５を出力する。
図２４は、いくつかの実施形態における、ＭＬＧシステムのＶＣＧ概算コンポーネントの処理を示すフロー図である。ＶＣＧ概算コンポーネント２４００は、第１の解剖構造パラメータによる第１の不整脈モデルに基づいて生成された電位解（「ＶＳ１」）を入力し、第２の解剖構造パラメータによる第２の不整脈モデルのＶＣＧを概算する。ブロック２４０１にて、コンポーネントは、シミュレーションステップを通してインデックス指定を行うために、インデックスｉを設定する。判定ブロック２４０２にて、インデックスｉがシミュレーションステップの数より大きい場合は、コンポーネントはブロック２４０８に続行し、そうでない場合は、コンポーネントはブロック２４０３に続行する。ブロック２４０３にて、コンポーネントは、不整脈モデルのメッシュの点（例えば頂点またはガウス点）を通してインデックス指定を行うために、インデックスｊを設定する。判定ブロック２４０４にて、インデックスｊが点の数より大きい場合は、コンポーネントはブロック２４０７に続行し、そうでない場合は、コンポーネントはブロック２４０５に続行する。ブロック２４０５にて、コンポーネントは、インデックス指定されたシミュレーションステップ及び点における第２の不整脈モデルの電位解（「ＶＳ２」）の値を、第１の不整脈モデルの電位解の対応する値に設定する。ブロック２４０５にて、コンポーネントは、インデックスｊをインクリメントし、ブロック２４０４にループする。ブロック２４０７にて、コンポーネントは、インデックスｉをインクリメントし、ブロック２４０２にループする。ブロック２４０８にて、コンポーネントは、生成された電位解ＶＳ２に基づいて第２の不整脈モデルのＶＣＧを生成して、完了する。
図２５は、いくつかの実施形態における、第１の多面体に基づく不整脈モデルを、第２の多面体に基づく不整脈モデルに変換するプロセスを示すブロック図である。第１の多面体不整脈モデル２５０１の第１の多面体不整脈モデルが、表面抽出コンポーネント２５０２に入力される。表面抽出コンポーネントは、不整脈モデルのメッシュの表面を抽出する。第２の多面体配置コンポーネント２３０３は、表面を入力し、表面内の体積に第２の種類の多面体を配置する。モデルパラメータ補間コンポーネント２５０４は、第２の多面体メッシュ及び第１の多面体モデルを入力し、第２の多面体モデルのモデルパラメータを生成し、第２の多面体モデル２５０５を出力する。
図２６は、いくつかの実施形態における、ＭＬＧシステムの多面体モデル変換コンポーネントの処理を示すフロー図である。多面体モデル変換コンポーネント２６００が呼び出され、六面体モデルを四面体モデルに変換する。ブロック２６０１にて、コンポーネントは、六面体モデルから表面を抽出する。ブロック２６０２にて、コンポーネントは、六面体モデルの表面に基づいて、四面体メッシュを生成する。ブロック２６０３にて、コンポーネントは、例えば同じ原点に対して頂点の位置を設定することで、四面体メッシュの頂点を、六面体モデルの六面体メッシュの空間にマッピングする。ブロック２６０４にて、コンポーネントは、四面体メッシュの次の頂点ｊを選択する。判定ブロック２６０５にて、全てのこのような頂点が既に選択済みである場合は、コンポーネントは完了し、そうでない場合は、コンポーネントは２６０６に続行する。ブロック２６０６にて、コンポーネントは、次のモデルパラメータｋを選択する。判定ブロック２６０７にて、選択した頂点に関して、全てのモデルパラメータが既に選択済みである場合は、コンポーネントはブロック２６０４にループして、次の頂点を選択し、そうでない場合は、コンポーネントはブロック２６０８に続行する。ブロック２６０８にて、コンポーネントは、選択したモデルパラメータを、六面体モデル内の隣接する頂点の選択したモデルパラメータの値の補間に基づいて、設定する。次に、コンポーネントは、ブロック２６０６にループして、次のモデルパラメータを選択する。
患者マッチングシステム
患者発生源構成をＥＭ源のモデル発生源構成にマッチングさせる患者マッチングに基づいて、体内のＥＭ源の属性または分類を識別するための方法及びシステムが提供される。いくつかの実施形態では、患者マッチング（「ＰＭ」）システムは、マッチングモデル発生源構成を使用して、患者の属性を識別するプロセスを高速化する、または分類器を使用して患者のより正確な分類を提供する。患者の属性（例えば不整脈発生源位置）を識別するために、ＰＭシステムは、シミュレート（またはモデル化）ＥＭ出力を生成するのに使用された各モデル発生源構成と、そのモデル発生源構成に基づいて生成されたシミュレートＥＭ出力から導出された導出ＥＭデータとのマッピングを生成する。各導出（またはモデル化）ＥＭデータはまた、モデル発生源構成を有するＥＭ源に対応付けられた属性にもマッピングされる。例えば、ＥＭ源が心臓の場合、モデル発生源構成は、解剖構造パラメータ及び電気生理学パラメータなどの構成パラメータを含む。構成パラメータには、不整脈の発生源位置、ローターの種類、及び障害または状態の種類などが含まれ得る。不整脈発生源位置など、構成パラメータのうちの１つは、患者に関して識別する必要のある属性を表す属性パラメータとして指定され得る。ＰＭシステムは、モデル発生源構成とモデル化ＶＣＧとのマッピングを生成し、モデル化ＶＣＧとそれらの対応する不整脈発生源位置とのマッピングを生成する。モデル化ＶＣＧと発生源位置とのマッピングは、ＭＬＭＯシステムにより訓練データが生成される方法と同様の方法で、ラベルに対応する属性を用いて、生成され得る。いくつかの実施形態では、導出電磁データと発生源構成及び属性とのマッピングは、シミュレーションへ入力されシミュレーションにより生成されたデータではなく、実際の患者から収集されたデータに基づき得る。
いくつかの実施形態では、ＰＭシステムは、マッピングを使用して、患者の患者発生源構成と患者の患者ＶＣＧとの組み合わせに基づいて、患者の属性を識別する。属性は、患者ＶＣＧを各モデル化ＶＣＧと比較して、最も類似するモデル化ＶＣＧを識別し、その最も類似するモデル化ＶＣＧの属性を、患者の患者属性として特定することにより、識別され得る。しかし、モデル化ＶＣＧの数は数百万個にもなり得るため、患者ＶＣＧをモデル化ＶＣＧと比較することは、計算コストが非常にかかり得る。ＰＭシステムは、計算コストを削減するために、様々な技法を採用し得る。１つの技法では、ＰＭシステムは、患者発生源構成を使用して、患者ＶＣＧが比較される必要のあるモデル化ＶＣＧの数を減らす。ＰＭシステムにより、ユーザは、患者の患者発生源構成を提供することが可能となり得る。患者発生源構成の各構成パラメータの値を提供できる場合が好ましい。ただし、実際には、患者に関して、特定の構成パラメータのみの値が分かっている場合があり得る。このような場合、ＰＭシステムは、全ての構成パラメータではなく、構成パラメータの分かっている値に基づいて、比較を行う。患者の解剖構造パラメータは、撮像スキャンに基づいて計算され得る。活動電位は、患者の心臓に挿入されたバスケットカテーテルの出力、または患者の抗不整脈薬もしくは遺伝子治療の履歴に基づいて計算され得、伝導率は、患者のＥＣＧの分析に基づいて計算され得る。構成パラメータには、活動電位及び／または伝導率が病的状態を表すか否かを示す電気生理学パラメータも含まれ得る。このような事例では、患者の活動電位または伝導率を入手できない場合、構成パラメータは、活動電位または伝導率が病的状態を表すか否かを示す。ＰＭシステムは、様々な技法を使用して、最小二乗法に基づく類似度、及びコサイン類似度など、患者発生源構成とモデル発生源構成との類似性を評価し得る。ＰＭシステムは、各モデル発生源構成に対する類似性スコアを生成し、マッチング閾値を超える類似性スコアを有するモデル発生源構成を、マッチングモデル発生源構成として識別し得る。
いくつかの実施形態では、マッチングモデル発生源構成が特定された後、ＰＭシステムは、患者ＶＣＧと、マッチングモデル発生源構成がマッピングされたモデル化ＶＣＧとを比較する。ＰＭシステムは、モデル化ＶＣＧごとに類似性スコアを生成し（例えばピアソン相関技法を使用して）、類似性スコアが閾値類似性を超えるモデル化ＶＣＧを、マッチングモデル化ＶＣＧとして識別し得る。次に、ＰＭシステムは、マッチングモデル化ＶＣＧの属性に基づいて、患者の属性（複数可）を識別する。例えば、属性が不整脈の発生源位置である場合、ＰＭシステムは、マッチングモデル化ＶＣＧの類似性スコアに基づいて重み付けされた発生源位置の平均を生成し得る。このようにして、ＰＭシステムは、患者ＶＣＧを、全てのモデル化ＶＣＧと比較する計算コストの発生を防ぐ。
いくつかの実施形態では、ＰＭシステムは、患者ＶＣＧを全てのモデル化ＶＣＧと比較する計算コストを削減するために、他の技法を採用し得る。例えば、ＰＭシステムは、面積、及び最大寸法などのＶＣＧの特徴を識別し得る。次に、ＰＭシステムは、特徴の値を、これらの値を有するモデル化ＶＣＧにマッピングするインデックスを生成し得る。患者ＶＣＧにマッチングするモデル化ＶＣＧを識別するために、ＰＭシステムは、患者ＶＣＧの特徴を識別し、インデックスを使用してマッチングモデル化ＶＣＧを識別する。例えば、ＰＭシステムは、特徴ごとに、患者ＶＣＧの特徴にマッチングするモデル化ＶＣＧの集合を識別し得る。次に、ＰＭシステムは、各集合に共通する（例えば集合の共通部分）または集合に最も共通するモデル化ＶＣＧを、マッチングモデル化ＶＣＧとして識別し得る。次に、ＰＭシステムは、属性識別に関して前述されたように、これらのマッチングモデル化ＶＣＧを患者ＶＣＧと比較し得る。
いくつかの実施形態では、ＰＭシステムは、訓練された分類器に基づくＶＣＧの分類を向上させために、患者マッチングを使用し得る。ＰＭシステムは、様々なクラスタリング技法を使用して、類似するモデル発生源構成のクラスタを生成し得る。クラスタリング技法には、重心ベースクラスタリング技法（例えばｋ－ｍｅａｎｓクラスタリング）、及び教師あり学習クラスタリング技法もしくは教師なし学習クラスタリング技法（例えばニューラルネットワークを使用）などが含まれ得る。重心ベースクラスタリング技法では、ＰＭシステムは、最も類似するモデル発生源構成の現行クラスタに、各モデル発生源構成を連続的に追加することにより、クラスタを生成する。ＰＭシステムは、例えば、各クラスタ内のモデル発生源構成の数、及びあるクラスタと別のクラスタとのモデル発生源構成の類似性などに基づいて、クラスタを動的に結合及び分割し得る。クラスタが識別された後、ＰＭシステムは、ＭＬＭＯシステムのコンポーネントを使用して、各クラスタの分類器を生成し得る。ＰＭシステムは、クラスタの分類器の訓練を行い、これは、分類器の訓練データとして、そのクラスタのモデル発生源構成のモデル化ＶＣＧに基づいて行われる。
いくつかの実施形態では、患者の分類を生成するために、ＰＭシステムは、患者発生源構成に最もマッチングするモデル発生源構成を有するクラスタを識別する。例えば、ＰＭシステムは、各クラスタの類似性スコアを、そのクラスタの代表的モデル発生源構成（例えばクラスタの平均値を有する）と、患者発生源構成との類似性に基づいて、生成し得る。次に、ＰＭシステムは、類似性スコアが最も高いクラスタの分類器を選択し、その分類器を患者ＶＣＧに適用して、患者の分類を生成する。各分類器は、類似するモデル発生源構成のクラスタに基づいて訓練されているため、各分類器は、これらの類似するモデル発生源構成において、わずかであり得る違いのみに基づいて、分類を生成するように適合されている。対照的に、全てのモデル発生源構成に基づいて訓練された分類器は、類似するモデル発生源構成間のわずかな違いを考慮することが不可能であり得る。よって、類似するモデル発生源構成のクラスタに基づいて訓練された分類器は、全てのモデル発生源構成に基づいて訓練された分類器よりも、正確な分類を提供し得る。
いくつかの実施形態では、ＰＭシステムは、心臓の標準的な配向を想定して、モデル発生源構成のモデル化ＥＭ出力を生成し得る。しかし、患者の心臓の配向が多少異なる場合は、マッチングモデル化ＶＣＧは、配向が異なることから、患者に適用する属性または分類を有さない場合がある。このような場合、ＰＭシステムは、患者ＶＣＧをモデル化ＶＣＧと比較する前にＶＣＧ回転を実行し得る。ＰＭシステムは、各モデル化ＶＣＧまたは患者ＶＣＧのいずれかを回転させ得る。ＰＭシステムは、配向の違いに基づいて、回転行列を生成し得る。次に、ＰＭシステムは、ＶＣＧの各点（例えばｘ値、ｙ値、及びｚ値）と回転行列（例えば３ｘ３行列）とで行列乗算を実行して、回転ＶＣＧの回転点を生成する。ＭＬＭＯシステムはまた、配向の違いに基づいて、ＶＣＧを回転し得る。
図２７～３０は、いくつかの実施形態における、ＰＭシステムのコンポーネントの処理を示すフロー図である。図２７は、いくつかの実施形態における、ＰＭシステムの属性識別コンポーネントの処理を示すフロー図である。属性識別コンポーネント２７００は、患者発生源構成及び患者心拍動曲線（例えばＶＣＧ）に基づいて、患者の患者属性を識別する。ブロック２７０１にて、コンポーネントは、ＭＬＭＯシステムのシミュレートＶＣＧ生成コンポーネントを呼び出して、モデル化ＶＣＧを生成し、次にそれらを、それらの生成元であるモデル発生源構成にマッピングする。ブロック２７０２にて、コンポーネントは、患者発生源構成及び患者ＶＣＧを取得する。ブロック２７０３にて、コンポーネントは、マッチングＶＣＧ識別コンポーネントを呼び出して、患者発生源構成及び患者ＶＣＧの指示を渡して、マッチングＶＣＧに基づいて患者属性を識別する。ブロック２７０４にて、コンポーネントは、患者の治療法を知らせるために患者属性を提示し、その後完了する。
図２８は、いくつかの実施形態における、ＰＭシステムのマッチングＶＣＧ識別コンポーネントの処理を示すフロー図である。マッチングＶＣＧ識別コンポーネント２７００は、患者発生源構成及び患者ＶＣＧを渡され、患者属性を識別する。ブロック２８０１にて、コンポーネントは、モデル発生源構成とモデル化ＶＣＧとの次のマッピングを選択する。判定ブロック２８０２にて、全てのマッピングが既に選択済みである場合は、コンポーネントは患者属性を示して完了し、そうでない場合は、コンポーネントは、ブロック２８０３に続行する。判定ブロック２００３にて、選択したモデル発生源構成が患者発生源構成とマッチングする場合は、コンポーネントはブロック２８０４に続行し、そうでない場合は、コンポーネントはブロック２８０１にループして、次のマッピングを選択する。判定ブロック２８０４にて、選択したマッピングのモデル化ＶＣＧが患者ＶＣＧとマッチングする場合は、コンポーネントはブロック２８０５に続行し、そうでない場合は、コンポーネントはブロック２８０１にループして、次のマッピングを選択する。ブロック２８０５にて、コンポーネントは、選択したモデル化ＶＣＧの属性を、患者属性に追加し、次にブロック２８０１にループして、次のマッピングを選択する。いくつかの実施形態では、ＰＭシステムは、ＥＥＧ、並びに、体表面ベスト、バスケットカテーテル、及び患者着用キャップなどにより収集されるものに対応する測定値など、他の種類のマッチング測定値を識別するコンポーネントを含み得る。
図２９は、いくつかの実施形態における、ＰＭシステムのクラスタリングベース分類識別コンポーネントの処理を示すフロー図である。クラスタリングベース分類識別コンポーネント２９００は、類似するモデル発生源構成のクラスタを使用して訓練された分類器に基づいて、患者の分類を識別する。ブロック２９０１にて、コンポーネントは、クラスタ分類器生成コンポーネントを呼び出し、類似するモデル発生源構成のクラスタの分類器を生成する。ブロック２９０２にて、コンポーネントは、患者発生源構成及び患者ＶＣＧを受信する。ブロック２９０３～２９０８にて、コンポーネントは、クラスタの選択をループして、患者発生源構成に最も類似するモデル発生源構成を有するクラスタを識別する。ブロック２９０３にて、コンポーネントは、変数を初期化して、これまでに計算された最大類似性を追跡する。ブロック２９０４にて、コンポーネントは、次のクラスタを選択する。判定ブロック２９０５にて、全てのクラスタが既に選択済みである場合は、コンポーネントはブロック２９０９に続行し、そうでない場合は、コンポーネントはブロック２９０６に続行する。ブロック２９０６にて、コンポーネントは、類似性計算コンポーネントを呼び出して、選択したクラスタのモデル発生源構成と患者発生源構成との類似性を計算する。判定ブロック２９０７にて、類似性がこれまで計算された最大類似性より大きい場合は、コンポーネントはブロック２９０８に続行し、そうでない場合は、コンポーネントはブロック２９０４にループして、次のクラスタを選択する。ブロック２９０８にて、コンポーネントは、最大類似性を、選択したクラスタに関して計算された類似性に設定し、変数を、これまで計算された最大類似性を有するクラスタのインデックスを示すように設定する。次に、コンポーネントは、ブロック２９０４にループして、次のクラスタを選択する。ブロック２９０９にて、コンポーネントは、クラスタベース分類コンポーネントを呼び出して、最大類似性を有するクラスタに基づいて、患者ＶＣＧの分類を識別する。クラスタベース分類コンポーネントは、使用する分類器を入力するように適合されたＭＬＭＯシステムの分類コンポーネントに対応し得る。次に、コンポーネントは、分類を示して完了する。
図３０は、いくつかの実施形態における、ＰＭシステムのクラスタ分類器生成コンポーネントの処理を示すフロー図である。クラスタ分類器生成コンポーネント３０００が呼び出され、モデル発生源構成をクラスタ化し、各クラスタに基づいて分類器を生成する。ブロック２００１にて、コンポーネントは、モデル発生源構成のクラスタを生成する。ブロック３００２にて、コンポーネントは、次のクラスタを選択する。判定ブロック３００３にて、全てのクラスタが既に選択済みである場合は、コンポーネントは分類器を示して完了し、そうでない場合は、コンポーネントはブロック３００４に続行する。ブロック３００４にて、コンポーネントは、ＭＬＭＯシステムの分類器生成コンポーネントを呼び出し、選択したクラスタのモデル発生源構成の指示を渡して、そのクラスタの分類器を生成する。次に、コンポーネントは、ブロック３００２にループして、次のクラスタを選択する。
臨床データに基づく機械学習
実際の患者データに基づいて分類器を生成するようにＭＬＭＯシステムを適合させるための方法及びシステムが提供される。いくつかの実施形態では、（１）モデル分類器の重みの移転を使用して、実際の患者に対応付けられた患者訓練データに基づいて患者分類器を生成し、（２）患者との類似性に基づいて選択されたモデル訓練データに基づいて患者特有モデル分類器を生成する、臨床データベース機械学習（「ＭＬＣＤ」）システムが提供される。患者分類器は、ＭＬＣＤシステムの患者分類器システムにより生成され、患者特有モデル分類器は、患者特有モデル分類器システムにより生成される。用語「患者分類器」は、患者のデータに基づいて生成された患者訓練データに基づいて生成された分類器を指し、用語「モデル分類器」は、ＥＭ源の計算モデルに基づいて生成されたモデル訓練データに基づいて生成された分類器を指す。
患者分類器システム
いくつかの実施形態では、患者分類器（「ＰＣ」）システムは、体内のＥＭ源のＥＭ出力から導出された導出ＥＭデータを分類するための患者分類器を生成する。例えば、患者分類器は、ＥＣＧから導出されたＶＣＧを分類する。ＰＣシステムは、ＭＬＭＯシステムを使用して生成されたモデル分類器など、モデル分類器にアクセスする。モデル分類器は、ＥＭ源の計算モデルを使用して生成されたモデル訓練データを使用して生成される。モデル分類器は、ＣＮＮの活性化関数の重みなど、モデル分類器が訓練される時に学習されるモデル分類器の重みを含む。ＰＣシステムはまた、患者訓練データにもアクセスし、患者訓練データは、患者導出ＥＭデータ（例えばＶＣＧ）と、ローター位置及び前のアブレーション処置結果など、その患者の患者分類とを、患者ごとに含む。前のアブレーション処置結果の例として、患者が、特定の位置を特定の焼灼パターンでアブレーションされた後、特定の期間不整脈がなかったことが挙げられ得る。患者分類器を訓練するために、ＰＣシステムは、モデル分類器のモデル分類器重みに基づいて、患者分類器の患者分類器重みを初期化し、次に、患者訓練データ及び初期化された患者分類器重みで、患者分類器を訓練する。通常、分類器の重みは、全てが特定の値（例えば０．０、０．５、または１．０）またはランダムな値になど、デフォルト値に初期化される。従って、分類器の重みの学習は、「スクラッチ」から行われるとみなされる。前に学習された重みに基づいて重みの値を初期化するプロセスは、知識の「移転」と称される。前の分類器の前の訓練により得られた知識は、新たな分類器の訓練に導入される。移転の目標は、新たな分類器の訓練の高速化、及び新たな分類器の精度の向上の両方である。
いくつかの実施形態では、ＰＣシステムは、患者分類器を使用して、患者を分類する。例えば、ＥＭ源が心臓である場合、ＰＣシステムは、患者の心拍動曲線（例えばＥＣＧまたはＶＣＧ）を受信し、その心拍動曲線に患者分類器を適用し得る。患者分類器を訓練するために選択された患者に応じて、患者分類器は、計算モデルを使用して生成されたモデル訓練データで訓練されたモデル分類器よりも、正確な分類器であり得る。さらに、患者が、患者分類器を訓練するために使用された患者に類似する場合は、分類器の精度はさらに高くなり得る。ＰＣシステムはまた、類似する患者のクラスタを識別し、クラスタ患者分類器と称されるクラスタごとに別個の患者分類器を訓練し得る。患者の類似性は、患者から収集される導出ＥＭデータ（例えば心拍動曲線）、患者の患者発生源構成（例えば解剖構造パラメータ、電気力学特性）、及び患者人口統計学情報などのうちの１つ以上といった様々な特性の比較に基づくなど、様々な方法で特定され得る。各クラスタのクラスタ患者分類器は、そのクラスタ内の患者のＶＣＧ及び対応するラベルに基づいて訓練され得る。対象患者を分類する場合、ＰＣシステムは、対象患者が最も類似する患者のクラスタを識別する。次に、ＰＣシステムは、識別されたクラスタのクラスタ患者分類器を、対象患者のＶＣＧに適用する。
患者特有モデル分類器システム
いくつかの実施形態では、患者特有モデル分類器（「ＰＳＭＣ」）システムは、体内のＥＭ源の導出ＥＭデータを分類するための患者特有モデル分類器を生成する。ＰＳＭＣシステムは、患者に類似するモデルを識別する。ＰＳＭＣシステムは、患者－モデル類似性に基づいて、類似モデルを識別する。患者－モデル類似性は、モデルのモデル発生源構成と患者の患者発生源構成との類似性、及び／またはモデルのモデル化導出ＥＭデータ（例えばＶＣＧ）と患者の対応する患者導出ＥＭデータとの類似性に基づき得る。例えば、ＰＳＭＣシステムは、解剖構造パラメータ（例えば右心室の寸法）、及び特定の電気生理学パラメータなどの類似性に基づいて、作動し得る。次に、ＰＳＭＣシステムは、ＭＬＭＯシステムを用いて、類似するモデルのモデル発生源構成を使用して患者特有モデル分類器を生成し得る。ＰＳＭＣシステムは、最初にＥＭ源の計算モデルを適用して、類似するモデルのモデル発生源構成に基づいてＥＭ源のモデル化ＥＭ出力を生成することにより、患者特有モデル分類器を生成し得る。次に、ＰＳＭＣシステムは、生成されたモデル化ＥＭ出力及びモデルのラベルから、モデル化導出ＥＭデータ（例えばＶＣＧ）を含むモデル訓練データを生成する。あるいは、類似するモデルに関してモデル訓練データが既に生成されている場合は、ＰＳＭＣシステムは、モデル訓練データを再生成する必要はない。次に、ＰＳＭＣシステムは、モデル訓練データに基づいて、患者特有モデル分類器を訓練する。
いくつかの実施形態では、患者特有モデル分類器が生成された後、ＰＳＭＣシステムは、患者特有モデル分類器を、患者の導出ＥＭデータ（例えばＶＣＧ）に適用して、患者の分類を生成する。患者特有モデル分類器は、患者に基づいて選択されたモデル訓練データを使用して訓練されるため、患者特有モデル分類器は、患者に特有ではないモデル訓練データの集合に基づいて訓練されたモデル分類器により提供される分類よりも、正確な分類を提供する。
いくつかの実施形態では、ＰＳＭＣシステムは、対象患者のクラスタ用のクラスタ特有モデル分類器を生成し得る。クラスタ特有モデル分類器を生成するために、ＰＳＭＣシステムは、クラスタの対象患者に全体的に類似するモデルを識別し、次に、類似するモデルに基づいてクラスタ特有モデル分類器を訓練する。その後、ＰＳＭＣシステムは、クラスタ特有モデル分類器を適用して、クラスタの対象患者の分類を生成し得る。ＰＳＭＣシステムはまた、対象患者のクラスタを生成し、各クラスタのクラスタ特有モデル分類器を生成し得る。次に、ＰＳＭＣシステムは、対象患者がメンバーであるクラスタのクラスタ特有モデル分類器を使用して、各対象患者の分類を生成し得る。ＰＳＭＣシステムは、さらにクラスタ特有モデル分類器を使用して、新たな対象患者の分類を生成し得る。ＰＳＭＣシステムは、新たな対象患者が最も類似するクラスタを識別し、その識別されたクラスタのクラスタ特有モデル分類器を、新たな対象患者の患者導出ＥＭデータに適用して、新たな対象患者の分類を生成する。
図３１は、いくつかの実施形態における、ＭＬＣＤシステムの患者分類器システムの全体的な処理を示すブロック図である。分類器コンポーネント３１１０（すなわちコンポーネント３１１１～１９）は、図１の分類器コンポーネント１１０に類似する。用語「モデル」は、シミュレート発生源構成またはパラメータ集合により表されるモデルに基づいて分類器を生成するためにコンポーネントが使用されることを強調するために、様々なコンポーネントに挿入される。コンポーネント３１２０は、患者データストア３１２１と、患者訓練データ生成コンポーネント３１２２と、患者訓練データストア３１２３と、患者分類器訓練コンポーネント３１２４と、患者分類器重みストア３１２５とを含む。患者データストアは、患者から収集されたＥＣＧ、及び心臓障害の位置などの対応するラベルを含み得る。患者訓練データ生成コンポーネントは、例えばＥＣＧからＶＣＧを生成し、ＶＣＧにラベル付けを行い、訓練データを患者訓練データストアに格納することにより、患者データから患者訓練データを生成する。患者分類器訓練コンポーネントは、モデル分類器からの知識の移転として、モデル分類器重みストア３１１９からモデル分類器重みを入力し、患者訓練データに基づいて患者分類器を訓練する。次に、患者分類器訓練コンポーネントは、患者分類器重みを、患者分類器重みストアに格納する。
図３２は、いくつかの実施形態における、患者分類器システムの患者分類器生成コンポーネントの処理を示すフロー図である。患者分類器生成コンポーネント３２００は、モデル分類器からの知識の移転を使用して、患者の集合のための患者分類器を生成する。ブロック３２０１にて、コンポーネントは、モデル分類器がまだ生成されていない場合、分類器生成コンポーネントを呼び出し、モデル訓練データに基づいてモデル分類器を生成する。分類器生成コンポーネントは、モデル分類器のモデル分類器重みを生成する。ブロック３２０２にて、コンポーネントは、モデル分類器のモデル分類器重みを抽出する。ブロック３２０３にて、コンポーネントは、例えばＶＣＧを生成し、ＶＣＧにラベル付けを行うことにより、患者訓練データを生成する。ブロック３２０４にて、コンポーネントは、患者分類器の患者分類器重みを、モデル分類器重みに初期化する。ブロック３２０５にて、コンポーネントは、分類器訓練コンポーネントを呼び出して、患者訓練データ及び初期化された患者分類器重みに基づいて、患者分類器を訓練する。その後、コンポーネントは完了する。
図３３は、いくつかの実施形態における、患者分類器システムのクラスタ患者分類器生成の処理を示すフロー図である。クラスタ患者分類器生成３３００は、患者のクラスタのためのクラスタ患者分類器を生成する。ブロック３３０１にて、コンポーネントは、例えば患者の臨床的特徴、発生源構成、またはＶＣＧの類似性に基づいて、患者のクラスタを生成する。ブロック３３０２にて、コンポーネントは、次のクラスタを選択する。判定ブロック３３０３にて、全てのクラスタが既に選択済みである場合は、コンポーネントは完了し、そうでない場合は、コンポーネントはブロック３３０４に続行する。ブロック３３０４にて、コンポーネントは、患者分類器生成コンポーネントを呼び出し、選択したクラスタの指示を渡し、選択したクラスタ内の患者のためのクラスタ患者分類器を生成し、次にブロック３３０２にループして、次のクラスタを選択する。患者分類器生成コンポーネントが呼び出される場合、患者分類器生成コンポーネントは、呼び出しごとに同じモデル分類器重みを再利用することができるため、呼び出しごとにモデル分類器を生成する必要はない。
図３４は、いくつかの実施形態における、ＭＬＣＤシステムの患者特有モデル分類器システムのコンポーネントを示すブロック図である。ＰＳＭＣシステムは、図１のコンポーネント１１０に類似するコンポーネント３４１０（コンポーネント３４１１～１９）を含む。ＰＳＭＣシステムはまた、類似心臓構成識別コンポーネント３４３０と、類似ＶＣＧ識別コンポーネント３４４０とを含み、これらは、ＰＳＭＣシステムの２つの異なる実施形態を表す。第１の実施形態では、類似心臓構成識別コンポーネントが、患者心臓構成及びモデル心臓構成を入力し、患者心臓構成に類似するモデル心臓構成を識別する。次に、類似するモデル心臓構成は、シミュレーション生成コンポーネントに入力され、電位解が生成され、最終的に患者特有モデル分類器が訓練される。第２の実施形態では、類似ＶＣＧ識別コンポーネントが、患者ＶＣＧ及び訓練データを入力し、患者ＶＣＧに類似する訓練データのＶＣＧを識別する。類似するＶＣＧの訓練データは、ＰＳＭＣ分類器訓練コンポーネント３４１８に入力され、患者特有モデル分類器が訓練される。図示されていないが、ＰＳＭＣ分類器訓練は、移転を使用して、ＰＳＭＣ分類器重みを初期化し得る。また、第１の実施形態及び第２の実施形態は、両方とも、類似する心臓構成に基づいて訓練データを生成し、次いで訓練用の類似するＶＣＧを選択するために、使用され得る。
図３５は、いくつかの実施形態における、ＰＳＭＣシステムの患者特有モデル分類器生成コンポーネントの処理を示すフロー図である。患者特有モデル分類器生成コンポーネント３５００は、対象患者の患者特有モデル分類器を生成する。ブロック３５０１にて、コンポーネントは、類似モデル識別コンポーネントを呼び出して、対象患者の指示を渡し、類似モデルを識別する。ブロック３５０２にて、コンポーネントは、識別した類似モデルに基づいて、モデル訓練データを生成する。コンポーネントは、ＭＬＭＯシステムを使用して、識別した類似モデルのモデル心臓構成に基づいて、訓練データを生成し得る、または既に生成されている場合は、類似するＶＣＧに基づいて訓練データを取得し得る。ブロック３５０３にて、コンポーネントは、分類器訓練コンポーネントを呼び出し、類似するモデルのモデル訓練データに基づいて、患者特有モデル分類器を訓練し、その後完了する。
図３６は、いくつかの実施形態における、ＰＳＭＣシステムの類似モデル識別コンポーネントの処理を示すフロー図である。類似モデル識別コンポーネント３６００は、患者に類似するモデルを識別する。ブロック３６０１にて、コンポーネントは次のモデルを選択する。判定ブロック３６０２にて、全てのモデルが既に選択済みである場合は、コンポーネントは類似モデルを示して完了し、そうでない場合は、コンポーネントはブロック３６０３に続行する。ブロック３６０３にて、コンポーネントは、選択したモデルと患者との類似性スコアを生成する。患者－モデル類似性スコアは、心臓構成、心拍動曲線、またはその両方に基づき得る。判定ブロック３６０４にて、類似性スコアが類似性閾値を上回る場合は、コンポーネントはブロック３６０５に続行し、そうでない場合は、コンポーネントはブロック３６０１にループし、次のモデルを選択する。ブロック３６０５にて、コンポーネントは、モデルを、患者に類似するものとして指定し、ブロック３６０１にループして、次のモデルを選択する。
患者特有モデル表示
患者に類似するモデルのモデル化ＥＭ出力に基づく患者のＥＭ源の表現の生成及び表示を支援するように、ＭＬＭＯシステムを適合させるための方法及びシステムが提供される。いくつかの実施形態では、患者特有モデル表示（「ＰＳＭＤ」）システムは、患者のＥＭ源に類似すると見なされるＥＭ源のモデルを識別する。次に、ＰＳＭＤシステムは、梗塞及び薬歴などの患者の臨床パラメータに基づいて、患者のＥＭ源のグラフィック表現を生成する。例えば、ＥＭ源が心臓である場合、ＰＳＭＤシステムは、患者の心臓の解剖構造モデルを表すマップを生成し得る。次に、ＰＳＭＤシステムは、類似するモデルのモデル化ＥＭ出力から導出された表示値を、マップに投入する。例えば、ＰＳＭＤシステムは、そのモデル化ＥＭ出力のＥＭメッシュを選択し、マップの各頂点の値を、そのＥＭメッシュの対応する電位に基づいて、それぞれ設定し得る。ＰＳＭＤシステムはまた、シミュレーションで使用された多面体メッシュからのモデル化ＥＭ出力を、別の多面体メッシュにマッピングして、六面体メッシュから表面三角形メッシュなど、よりリアルな概観のディスプレイを生成し得る。ＰＳＭＤシステムは、高電位に対応する値を、赤色の様々な強度（またはグレースケールの濃淡）に設定し、低電位に対応する値を、緑色の様々な強度に設定し得る。別の例として、ＰＳＭＤシステムは、モデルＥＭ出力の周期を選択し、周期内の第１のＥＭメッシュの電位と周期内の最後のＥＭメッシュの電位との差またはデルタに基づいて、値を設定し得る。ＰＳＭＤシステムはまた、周期内の連続するＥＭメッシュにわたるデルタの累積に基づいて、値を設定し得、この際、累積は重み付けされ得る。次に、ＰＳＭＤシステムは、患者のＥＭ源の活動の表現として、マップを表示する（例えばラスタライズ技法を使用して）。ＰＳＭＤシステムはまた、患者の解剖構造パラメータに基づいて、心臓の輪郭が描かれた画像を表示し得る。輪郭画像は、心腔の境界を示し得る。
いくつかの実施形態では、ＰＳＭＤシステムは、モデル発生源構成及びモデル化導出ＥＭデータと、患者発生源構成及び患者導出ＥＭデータとを比較することにより、患者に類似するモデルを識別し得る。比較は、図２８に示されるマッチングＶＣＧ識別コンポーネントの処理により表される処理に基づき得る。しかし、このコンポーネントは、ＰＳＭＤシステムが患者に最も類似するＶＣＧ、従ってモデルを選択できるように、各マッチングＶＣＧの類似性スコアを生成するように、適合され得る。あるいは、ＰＳＭＤシステムは、全てのマッチングモデルのＥＭメッシュの値の重み付けされた組み合わせ（例えば平均）に基づいて、マップのピクセルの値を生成し得る。ＰＳＭＤシステムはまた、マッチングモデルの類似性スコアに基づいて、値に重み付けを行い得る。
いくつかの実施形態では、ＰＳＭＤシステムは、経時的な患者のＥＭ源の活性化の映像表現として表示するために、マップのシーケンスを生成し得る。例えば、ＰＳＭＤシステムは、周期を３０個の表示間隔に分割し、その表示間隔に対応するＥＭメッシュの値に基づいて、各表示間隔のマップを生成し得る。次に、ＰＳＭＤシステムは、３０個のマップを、実際の周期時間に基づいて映像を提供するために周期の時間にわたり順番に表示し得る、またはスローモーション効果を提供するために周期より長い時間にわたり順番に表示し得る。ＰＳＭＤシステムはまた、シミュレーション時間の１秒あたりに、表示用の最大フレームレートよりも多くのマップを生成することにより、スローモーション効果を達成し得る。例えば、最大フレームレートが１秒あたり６０フレームである場合は、シミュレーションの１秒あたり１２０マップを生成することで、シミュレーション時間の１秒が、２秒にわたり表示されることとなる。シミュレーション時間ごとの電位解からマップを生成することにより、最も遅く最も滑らかなスローモーション効果が得られ得る。
図３７は、いくつかの実施形態における、患者特有モデル表示システムの全体的な処理を示すブロック図である。コンポーネント３７１０（すなわちコンポーネント３７１１～１５）は、図１のコンポーネント１１１～１１５に類似する。コンポーネント３７２０は、ＥＣＧ収集コンポーネント３７２１と、ＶＣＧ生成コンポーネント３７２２と、類似ＶＣＧ識別コンポーネント３７２３と、表示表現生成コンポーネント３７２４と、表示デバイス３７２５とを含む。ＥＣＧ収集コンポーネントは、ＰＳＭＤシステムの出力により心臓が表される患者のＥＣＧを受信する。ＶＣＧ生成コンポーネントは、患者のＥＣＧを受信し、患者のＶＣＧを生成する。類似ＶＣＧ識別コンポーネントは、患者ＶＣＧをＶＣＧストアのモデル化ＶＣＧと比較して、患者ＶＣＧに類似するモデル化ＶＣＧを識別する。類似ＶＣＧは、ＶＣＧの周期の比較に基づいて識別され得る。従って、類似ＶＣＧ識別コンポーネントは、周期識別コンポーネントを呼び出して、各ＶＣＧの周期を識別し得る。表示表現生成コンポーネントは、類似するモデル化ＶＣＧを入力し、類似するモデル化ＶＣＧが導出された電位解に基づいて、患者の心臓の表示表現を生成する。次に、表示表現生成コンポーネントは、表示表現を、表示デバイスに出力する。
図３８は、いくつかの実施形態における、ＰＳＭＤシステムの患者心臓表示生成コンポーネントの処理を示すフロー図である。患者心臓表示生成コンポーネント３８００は、患者ＶＣＧ及び患者心臓構成を提供され、患者の心臓の出力表現を生成する。ブロック３８０１にて、コンポーネントは、患者マッチングシステムのマッチングＶＣＧ識別コンポーネントを呼び出して、患者ＶＣＧ及び患者心臓構成の指示を渡し、１つ以上のマッチングＶＣＧを識別する。ブロック３８０２にて、コンポーネントは、最も近いＶＣＧマッチングを識別する。ブロック３８０３にて、コンポーネントは、最も近いマッチングＶＣＧ内の周期を識別する。ブロック３８０４にて、コンポーネントは、表示値計算コンポーネントを呼び出して、識別した周期の指示を渡し、マップの表示値を生成する。ブロック３８０５にて、コンポーネントは、マップに表示値を格納することにより、表示表現を生成する。ブロック３８０５にて、コンポーネントは、その患者の解剖構造パラメータに基づいて、マップ内の値を表示して、患者の心臓の輪郭を表す。ブロック３８０７にて、コンポーネントは、マップを出力し、完了する。
図３９は、いくつかの実施形態における、ＰＳＭＤシステムの表示値計算コンポーネントの処理を示すフロー図である。表示値計算コンポーネント３９００は、周期の指示を渡され、その周期のＥＭメッシュに基づいて、表示値を生成する。ブロック３９０１にて、コンポーネントは、周期の最初の電位解を選択する。ブロック３９０２にて、コンポーネントは、最後の電位解など、周期の別の電位解を選択する。ブロック３９０３にて、コンポーネントは、電位解の次の値を選択する。判定ブロック３９０４にて、全ての値が既に選択済みである場合は、コンポーネントはブロック３９０６に続行し、そうでない場合は、コンポーネントはブロック３９０５に続行する。ブロック３９０５にて、コンポーネントは、選択した値のデルタ値を、周期の最初の電位解の値と最後の電位解の値との差に設定する。あるいは、デルタ値は、周期全体の差の重み累積であり得る。次に、コンポーネントは、ブロック３９０３にループして、電位解の次の値を選択する。ブロック３９０６にて、コンポーネントは、マップの次の表示値を選択する。判定ブロック３９０７にて、全ての表示値が既に選択済みである場合は、コンポーネントは表示値を示して完了し、そうでない場合は、コンポーネントはブロック３９０８に続行する。ブロック３９０８にて、コンポーネントは、表示値に近い隣接するデルタ値を識別する。ブロック３９１０にて、コンポーネントは、表示値を、隣接するデルタ値の関数に設定し、次に、ブロック３９０６にループして、次の表示値を選択する。関数は、隣接するデルタ値の平均、及び電位解の位置と表示値が表す患者の心臓の位置との距離に基づく加重平均などを取り得る。
電磁力の表示
体内の電磁源により生成される電磁力の視覚的表現を生成するための方法及びシステムが提供される。いくつかの実施形態では、電磁力表示（「ＥＦＤ」）システムは、経時的な電磁力の大きさ及び方向を表すベクトルのシーケンスから、電磁力の「表面表現」を生成する。例えば、電磁力が心臓である場合、ベクトルのシーケンスは、ベクトル心電図であり得る。ベクトルは、電磁源内に配置され得る原点に相関する。表面表現を生成するために、ＥＦＤシステムは、時間的に隣接するベクトルのペアに関して、原点及びベクトルのペアに基づいて、領域を識別する。例えば、ベクトルのｘ座標、ｙ座標、及びｚ座標の値が（１．０、２．０、２．０）であり、隣接ベクトルの値が（１．１、２．０、２．０）である場合、領域は、（０．０、０．０、０．０）、（１．０、２．０、２．０）、及び（１．１、２．０、２．０）の頂点を有する三角形で囲まれた領域となる。次に、ＥＦＤシステムは、各領域の表現を表示して、電磁力の表面表現を形成する。領域が１つの平面に存在する可能性は低いため、ＥＦＤシステムは、陰影付けまたは色付けを提供して、領域が異なる平面に存在することを示すのを支援し得る。ＥＦＤシステムはまた、表面表現が視覚的に電磁源から発しているように、電磁源の表現を表示し得る。例えば、ＥＦＤシステムは、ＶＣＧが収集された患者の解剖構造パラメータに基づく心臓を表示し得る。電磁力に周期がある場合、周期の領域は、その周期の表面表現を形成する。ＥＦＤシステムは、複数の周期の表面表現を、同時に表示し得る。例えば、電磁源が心臓である場合、周期は、不整脈に基づき得る。ＥＦＤシステムはまた、各周期の表面表現を順番に表示し（例えば表示上同じ位置を中心にして）、経時的な電磁力の変化を示し得る。ＥＦＤシステムは、表面表現の各領域を順番に表示して、ベクトルに対応付けられた時間を示し得る。ＥＦＤシステムは、シミュレートＶＣＧまたは患者から収集されたＶＣＧを表示するために使用され得る。
図４０は、ベクトル心電図の様々な表面表現を示す。画像４０１０は、斜視図に基づくベクトル心電図の表面表現の表示を示す。画像４０２０は、心臓から発しているように示されたベクトル心電図の表面表現の表示を示す。画像４０３１～３４は、経時的な表面表現の表示を示して、電磁力の変化を示す。
いくつかの実施形態では、ＥＦＤシステムは、様々な動画技法を採用して、ユーザがＶＣＧを分析することを支援し得る。例えば、ＥＦＤシステムは、ＶＣＧの実際のタイミングと同じタイミングで各領域を順番に表示することにより、表面表現の表示を動画化し得る。周期が１０００ミリ秒である場合は、ＥＦＤシステムは、１０００ミリ秒を超えて領域を順番に表示する。複数の周期の表面表現を順番に表示し、次に表示する領域が前に表示した領域と重複する場合は、ＥＦＤシステムは、まず重複する領域を取り除き、それから次の領域を表示し得る。ＥＦＤシステムはまた、ユーザが、周期の表面表現の一部のみが表示されるように指定することを可能にし得る。例えば、ユーザは、表面表現の２５０ミリ秒に対応する部分を表示するように、指定し得る。このような場合、ＥＦＤシステムは、ヘッド領域を追加する時にテール領域を削除することにより、部分の表示を動画化し得る。ＥＦＤシステムはまた、ユーザが、表面表現の表示を加速または減速することを可能にし得る。
図４１は、いくつかの実施形態における、ＥＦＤシステムのＶＣＧ視覚化コンポーネントの処理を示すフロー図である。ＶＣＧ視覚化コンポーネント４１００は、ＶＣＧを渡され、ＶＣＧの各部分（例えば周期）の表面表現を生成する。ブロック４１０１にて、コンポーネントは、心臓の表現を表示する。ブロック４１０２にて、コンポーネントは、ＶＣＧの次の周期を選択する。判定ブロック４１０３にて、全ての周期が既に選択済みである場合は、コンポーネントは完了し、そうでない場合は、コンポーネントはブロック４１０４に続行する。ブロック４１０４にて、コンポーネントは、ＶＣＧ表面表現表示コンポーネントを呼び出して、選択した周期の表面表現を表示し、次にブロック４１０２にループして、次の周期を選択する。
図４２は、いくつかの実施形態における、ＥＦＤシステムのＶＣＧ表面表現表示コンポーネントの処理を示すフロー図である。ＶＣＧ表面表現表示コンポーネント４２００は、ベクトル心電図を渡され、ＶＣＧの表面表示表現を生成する。ブロック４２０１にて、コンポーネントは、ＶＣＧの時間間隔を通してインデックス指定を行うために、インデックスｔを２に設定する。判定ブロック４００２にて、インデックスｔが時間間隔の数より大きい場合は、コンポーネントは完了し、そうでない場合は、コンポーネントはブロック４２０３に続行する。ブロック４２０３にて、コンポーネントは、原点、インデックス指定された間隔ｔ、及び前の間隔ｔ－１に基づいて、ＶＣＧ三角形を生成する。ブロック４２０４にて、コンポーネントは、ＶＣＧ三角形を、三角形の平面に基づいて変化し得る陰影で塗りつぶす。ブロック４２０５にて、コンポーネントは、塗りつぶしたＶＣＧ三角形を表示する。ブロック４２０６にて、コンポーネントは、インデックスｔをインクリメントする。判定ブロック４２０７にて、インデックスｔが表示スパンｔspan＋１より大きい場合は、コンポーネントは、ブロック４２０８に続行し、そうでない場合は、コンポーネントはブロック４２０２にループする。ブロック４２０８にて、コンポーネントは、現在表示されているスパンの先頭にあるＶＣＧ三角形を表示から削除し、ブロック４２０２にループする。
シミュレーションの較正
患者心拍動曲線との配向類似性及び／または電気生理学類似性などの形態学的類似性に基づいて、モデル心拍動曲線とも称されるシミュレート心拍動曲線の較正された集合を生成するために、コンピューティングシステムにより実行される方法及びシステムが提供される。形態学的類似性は、患者のＥＣＧデータ及び／またはＶＣＧデータを表す「生トレース」データ（例えば電位対時間）の分析に基づいて、特定され得る。較正集合はさらに、シミュレート心拍動曲線を生成するのに使用された追加の構成パラメータと、患者の構成パラメータとの類似性に基づいて、生成され得る。いくつかの実施形態では、シミュレート心拍動曲線較正（「ＣＳＣ」）システムが、較正集合を生成する。ＣＳＣシステムは、患者心拍動曲線への類似性に基づいて較正集合を生成することから、較正集合は、シミュレート心拍動曲線の患者特有集合を表す。較正集合のシミュレート心拍動曲線を使用して、そのシミュレート心拍動曲線を生成するのに使用された構成パラメータでラベル付けされた各シミュレート心拍動曲線で、患者特有モデル分類器は訓練され得る。シミュレート心拍動曲線は、ローターの発生源位置など、患者から収集されない構成パラメータでラベル付けされ得る。次に、患者特有モデル分類器を使用して、患者のその構成パラメータが特定され得る。ＣＳＣシステムは、ＰＳＭＣシステムと同様に、患者特有モデル分類器を生成するが、形態学的類似性などの様々な類似性測定値を使用する。
いくつかの実施形態では、ＣＳＣシステムは、シミュレート心拍動曲線と、各シミュレート心拍動曲線を生成する際に使用されたシミュレート構成パラメータとを入力する。シミュレート心拍動曲線は、図１のシミュレーション生成コンポーネント１１２及びＶＣＧ生成コンポーネントにより示されるように、ＭＬＭＯシステムにより生成され得る。ＣＳＣシステムはまた、患者心拍動曲線と患者構成パラメータとを入力する。ＣＳＣシステムは、患者心拍動曲線を収集する時に使用された患者ペーシング（複数可）に類似するシミュレートペーシングを有するペーシング類似シミュレート心拍動曲線を識別する。患者心拍動曲線を収集するために、電気生理学者（または他の医療提供者）は、冠状静脈洞の近くなどの様々な位置で、患者の心臓内にカテーテルを配置し得る。各位置で、患者の心臓は、例えば１Ｈｚで１０拍動、続いて一定の遅延後に期外刺激拍動で、ペーシングされる。次に、１Ｈｚでの同じペーシングプロセスが、異なる遅延の期外刺激拍動で、複数回繰り返される。次に、同じペーシングプロセスが、異なるペーシングレート（例えば２Ｈｚ及び４Ｈｚ）で繰り返される。結果、異なる位置、ペーシングレート、及び期外刺激遅延に基づいて収集された患者心電図の集合が得られる。正常な洞調律拍動の心電図も収集され得る。
いくつかの実施形態では、ペーシング位置は、ペーシングまたは臨床処置の標的である標的心腔内に、離れた部位であり得る少なくとも２つの部位を含む。例えば、標的心腔が心室である場合、ペーシング位置は、後方右心室に１つのペーシング位置と、側方左心室に１つのペーシング位置とを含み得る。このようなペーシング位置は、よくアクセスされ、カテーテルで簡単にアクセスされる。しかし、他のペーシング位置も使用され得る。例えば、唯一の標的心腔が左心室である場合、ペーシング位置は、心基部近く（心臓弁のレベル）の側方左心室壁に１つのペーシング位置と、心尖部近くの左心室中隔壁に１つのペーシング位置とを含み得る。別の例として、標的心腔が心房である場合は、左心房の冠状静脈洞におけるペーシング位置など、１つのペーシング位置のみが使用され得る。このペーシング位置は、右心房の洞房結節に位置する通常のＰ波と組み合わせられ得る。通常、較正の有効性は、ペーシング位置が多いほど、及びペーシング位置が離れている場合に、向上する。
ＣＳＣシステムは、患者心拍動曲線と形態学的に類似するシミュレート心拍動曲線を識別する。形態学的類似性には、配向類似性及び電気生理学類似性の両方が含まれ、電気生理学類似性には、活動電位類似性及び伝導速度類似性の両方が含まれる。ＣＳＣシステムは、ペーシング類似心拍動曲線から、患者の心臓の患者配向に類似するシミュレート配向を有するシミュレート心臓の配向類似シミュレート心拍動曲線を識別する。配向類似性を特定するために、ＣＳＣシステムは、患者の心室拍動のＱＲＳ群及びＴ波ベクトル、並びに患者の心房拍動のＰ波ベクトルを、生成する。ベクトルは、心周期のその周期位相（例えばＱＲＳ群）での全電気的双極子の平均空間配向を表し得る。あるいは、ＣＳＣシステムは、平均ベクトルではなく、時系列のベクトル、すなわち生のＶＣＧ信号を使用し得る。ＣＳＣシステムは、各ベクトルに、そのペーシング（例えばペーシング位置及びペーシングレート）及び周期位相で、ラベル付けを行う。ＣＳＣシステムは、ペーシング類似シミュレート集合のシミュレート心拍動曲線から、対応するシミュレートベクトルを生成する。次に、ＣＳＣシステムは、患者ベクトルと、同じペーシング及び周期位相の各シミュレートベクトルとの配向差を計算する。例えば、ＣＳＣシステムは、ＱＲＳ群及びＴ波の間の左心室（「ＬＶ」）尖部、ＬＶ側壁、ＬＶ後壁、及びＬＶ前壁のベクトルの内積を計算し得る。次に、ＣＳＣシステムは、全配向差（例えば内積の加重平均）が最小であるシミュレート心拍動曲線の集合を識別する。配向差を計算するために、ＣＳＣシステムは、患者配向と、識別した集合のシミュレート配向のそれぞれとの配向差を表す回転行列を生成する。回転行列を生成するために、ＣＳＣシステムは、患者ベクトルの最小二乗適合を、集合のシミュレートベクトルに適用し得る。ＣＳＣシステムは、配向類似シミュレート心拍動曲線として、回転行列により示される最小シミュレート配向差を有するシミュレート心拍動曲線を選択する。いくつかの実施形態では、ＣＳＣシステムは、ＥＣＧまたはＶＣＧのＱＲＳ群、Ｔ波、及びＰ波から導出されるベクトル以外の生トレースデータ（例えば電位対時間）の特徴に基づいて、配向類似性を特定し得る。
ＣＳＣシステムは、形態学的類似シミュレート心拍動曲線から、患者心拍動曲線により表される活動電位に類似する活動電位を表す活動電位類似シミュレート心拍動曲線を識別する。活動電位類似性を特定するために、ＣＳＣシステムは、シミュレート心拍動曲線のＥＣＧ及び患者心拍動曲線のＥＣＧを、時間及び大きさの両方において正規化する。例えば、各ＥＣＧは、１秒、及びＱＲＳ群またはＰ波の特定ピーク信号に、正規化され得る。ＣＳＣシステムは、ＥＣＧ及び／またはＶＣＧの周期位相の相対的持続時間を変える、活性化心筋組織の持続時間（活動電位持続時間）を制御する活動電位パラメータを推定する。活動電位特性は、解剖構造全体にわたり不均一であり、心臓組織の様々な属性（例えば解剖構造内の位置、心臓細胞の種類、及び健康／疾患分類）に依存し得る。ＥＣＧ及び／またはＶＣＧにおける心周期の持続時間は、心臓双極子全体に対する活動電位パラメータの局所分布の全体的影響を表す。ＣＳＣシステムは、患者ＶＣＧをシミュレートＶＣＧと、同じペーシングレート及びペーシング位置で比較し得る。活動電位は、周期の絶対的タイミングが異なっていても、ＱＲＳ群、Ｔ波、及びＰ波のＸ値、Ｙ値、及びＺ値間の相対的な大きさ及び偏差の類似性に基づいて、類似しているとみなされる。相対的なタイミングは、心筋内の電磁波の形状及び持続時間（興奮波前面、興奮波後面、及び興奮波長）を示す。ＣＳＣシステムは、１）患者によりよくマッチングする形状を選択することと、２）バルク心筋伝導率パラメータを調整することと、３）活動電位の持続時間を統制するイオンモデルにおけるパラメータ（すなわち時定数）を調整することとのうちの１つ以上に基づいて、シミュレートＶＣＧの時間を調整し得る。後者の２つのパラメータは、絶対タイミングと相対的タイミングとの誤差がある閾値（例えば１０ミリ秒、または５％）未満であるように、変更され得る。次に、ＣＳＣシステムは、各シミュレート心拍動曲線と各患者心拍動曲線との活動電位類似性を計算する（例えばピアソン相関を使用する）。次に、ＣＳＣシステムは、最も類似するシミュレート心拍動曲線（例えば活動電位類似性が閾値を超える）を、活動電位類似シミュレート心拍動曲線として選択する。
ＣＳＣシステムは、活動電位類似シミュレート心拍動曲線から、患者心拍動曲線により表される伝導速度に類似する伝導速度を表す伝導速度類似シミュレート心拍動曲線を識別する。ＣＳＣシステムは、心拍動曲線が大きさで正規化され、時間では正規化されないことを除いて、活動電位類似シミュレート心拍動曲線を識別する方法と同様の方法で、伝導速度類似シミュレート心拍動曲線を識別する。
ＣＳＣシステムはまた、心臓形状類似性及び疾患基質類似性に基づいて、シミュレート心拍動曲線を識別し得る。心臓形状類似性は、特定の心腔内の構造的疾患の程度（例えば心室内の重度の心筋症）に基づく構造的疾患類似性、及び患者の心臓の測定値（例えばＣＴまたは超音波により収集された測定値）とシミュレート心拍動曲線の構成パラメータとの比較に基づく測定値類似性に、基づき得る。疾患基質は、患者の心筋瘢痕の位置及びサイズに基づき得る。患者の瘢痕のサイズ及び位置は、患者の心臓の形状表現上で（電位マップに基づいて）患者の心臓の瘢痕部分を指定する人により、識別され得る。疾患基質類似性は、患者の瘢痕とシミュレート心拍動曲線の瘢痕の重複程度に基づく。
ＣＳＣシステムは、心臓形状類似性（例えば構造的疾患類似性及び測定値類似性）、配向類似性、電気生理学類似性（例えば活動電位類似性及び伝導速度類似性）、及び疾患基質類似性を、任意の順序で特定し得る。具体的には、所与の類似性特定順序で、ＣＳＣシステムは、前の類似性特定に基づく類似すると特定されたシミュレート心拍動曲線の集合に基づいて、シミュレート心拍動曲線の集合を効果的に連続してフィルタリングすることで、類似性を特定し得る。ＣＳＣシステムはまた、シミュレート心拍動曲線の集合から、各類似性メトリックに関して最も類似する集合を識別し、次に、これらの集合から、最も類似するシミュレート心拍動曲線を識別し得る。例えば、ＣＳＣシステムは、加重平均を使用して類似性スコアを組み合わせて、各シミュレート心拍動曲線の最終的類似性スコアにし得る。
ＣＳＣシステムはまた、線形回帰技法、及びニューラルネットワークなどの様々な機械学習（「ＭＬ」）技法を使用して、シミュレート心拍動曲線の較正集合を識別し得る。ＭＬ較正集合を生成するために、ＣＳＣシステムは、構成パラメータ（例えば形態学的パラメータ）と対応する患者のパラメータとの類似性に基づいて、及びペーシング位置の類似性に基づいて、患者心拍動曲線にマッチングするシミュレート心拍動曲線の訓練集合を識別する。例えば、患者心拍動曲線の各ペーシング位置に関して、ＣＳＣは、そのペーシング位置を有するそれらのシミュレート心拍動曲線から、患者パラメータに類似する構成パラメータを有するシミュレート心拍動曲線の集合を識別する。
次に、ＣＳＣシステムは、シミュレート心拍動曲線を患者心拍動曲線にマッピングするマッピング関数を訓練する。例えば、マッピング関数は、訓練集合に基づいて学習される重みを有するニューラルネットワークであり得る。重みは、シミュレート心拍動曲線から患者心拍動曲線への非線形変換を表し、これは、構成パラメータと患者パラメータとの差を最小限に抑える傾向がある。マッピング関数を訓練するために、ＣＳＣシステムは、シミュレート心拍動曲線から様々な特徴を導き出し、これらの特徴を訓練データとして使用し得る。特徴は、心臓セグメントの電位の大きさ、及び心臓セグメントのタイミングなどに基づき得る。マッピング関数が一旦訓練されると、ＣＳＣシステムは、患者心拍動曲線にマッチングするシミュレート心拍動曲線の集合にマッピング関数を適用して、ＭＬ変換されたシミュレート心拍動曲線を生成する。ＭＬ変換されたシミュレート心拍動曲線は、シミュレート心拍動曲線のＭＬ較正集合を形成する。
次に、ＭＬ較正集合を使用して、患者特有モデル分類器が生成され得る。患者心拍動曲線にマッチングするシミュレート心拍動曲線を識別するために、マッピング関数は、前述の様々な技法と組み合わせて使用され得る。例えば、マッチングするシミュレート心拍動曲線は、配向類似性及び電気生理学類似性に基づいて識別され得る。
いくつかの実施形態では、ＣＳＣシステムはまた、患者特有発生源構成（例えば形状、疾患基質または瘢痕、活動電位）に基づいて、シミュレート心拍動曲線の較正集合を生成し得る。較正集合を識別するために、ＣＳＣシステムは、発生源構成、及び／または患者のＶＣＧに類似するＶＣＧなどの心拍動曲線に基づいて、シミュレーションを識別する。次に、ＣＳＣシステムは、モデルライブラリの生成を高速化するために使用される前述のブートストラップ技法と同様のブートストラップ技法を採用する。識別された各シミュレーションに関して、ＣＳＣシステムは、シミュレーションのある時点のＥＭメッシュの値を使用して、患者特有シミュレーションをブートストラップする。次に、ＣＳＣシステムは、識別したシミュレーションの発生源構成ではなく、患者の患者特有発生源構成を使用して、シミュレーションを続行する。例えば、シミュレーションが４秒間である場合、ＣＳＣシステムは、３秒時点の値で患者特有シミュレーションを初期化し、患者特有シミュレーションを１秒間実行し得る。次に、ＣＳＣシステムは、患者特有シミュレーションから患者特有シミュレートＶＣＧを生成する。ＣＳＣシステムは、対応する発生源構成を有する患者特有シミュレーションを、較正集合として識別し、患者特有ＶＣＧを、シミュレート心拍動曲線の較正集合として識別する。較正集合は、患者特有分類器の訓練データとして、または集合内のシミュレーションの発生源構成を直接使用して発生源位置を特定するなどの他の目的で、使用され得る。
いくつかの実施形態では、ＣＳＣシステムはまた、ＶＣＧなどの患者特有シミュレート心拍動曲線に基づいて、シミュレート心拍動曲線の較正集合を識別し得る。較正集合を識別するために、ＣＳＣシステムは、患者の発生源構成に類似する発生源構成に基づいて、シミュレーションを識別する。例えば、類似性は、形状及び瘢痕位置に基づき得る。次に、ＣＳＣシステムは、識別された各シミュレーションのＥＭデータまたはＥＭ出力と、患者の心臓の形状とを使用して、そのシミュレーションの患者特有ＶＣＧを生成する。ＶＣＧを生成するために、ＣＳＣシステムは、ＥＭデータまたはＥＭ出力が、患者特有ＶＣＧを生成する時に患者の形状とマッチングする形状を使用して生成されたと、効率的に推測する。次に、ＣＳＣシステムは、シミュレート心拍動曲線の較正集合として、患者特有ＶＣＧに最もマッチングするＶＣＧを有するシミュレーションを識別する。較正集合は、患者特有分類器の訓練データとして、または集合内のシミュレーションの発生源構成を直接使用して発生源位置を特定するなどの他の目的で、使用され得る。
いくつかの実施形態では、ＣＳＣシステムは、シミュレートＶＣＧと患者特有ＶＣＧとのペアの線形変換または非線形変換を介して、患者特有ＶＣＧに最もマッチングする識別されたシミュレートＶＣＧに基づいて、さらなる較正を実行し得る。シミュレートＶＣＧと患者特有ＶＣＧとのペアは、類似する発生源構成（例えば形状、瘢痕位置、電気生理学特性、発生源位置など）及び電磁データ（例えば心拍動曲線形態）を有する２つのＶＣＧを含む。ＣＳＣシステムは、シミュレートＶＣＧに適用される変換により、患者特有ＶＣＧとの類似性スコアが高くなるように、シミュレートＶＣＧと患者特有ＶＣＧとの少なくとも１つのペアの最小二乗適合から、線形変換を計算し得る。ＣＳＣシステムはまた、シミュレートＶＣＧを、患者特有ＶＣＧによりよくマッチングするように変換させるために、シミュレートＶＣＧと患者特有ＶＣＧとのペアで訓練されたニューラルネットワーク、または他の機械学習技法を使用して、非線形変換を適用し得る。
図４３は、いくつかの実施形態における、ＣＳＣシステムのシミュレート心拍動曲線識別コンポーネントの処理を示すフロー図である。シミュレート心拍動曲線識別コンポーネント４３００は、患者心拍動曲線及びシミュレート心拍動曲線を渡され、各患者心拍動曲線に類似するシミュレート心拍動曲線を識別する。ブロック４３０１にて、コンポーネントは、各患者心拍動曲線と各シミュレート心拍動曲線との心臓形状類似性（例えば構造的疾患類似性及び／または測定値類似性）を特定する。ブロック４３０２にて、コンポーネントは、各患者心拍動曲線と各シミュレート心拍動曲線とのペーシング類似性を特定する。ペーシング類似性は、シミュレート心拍動曲線のペーシング位置及びペーシングレートが、患者心拍動曲線のペーシング位置及びペーシングレートにどれだけ近いかに基づき得る。ブロック４３０３にて、コンポーネントは、各患者心拍動曲線と各シミュレート心拍動曲線との配向類似性を特定する。ブロック４３０４にて、コンポーネントは、各患者心拍動曲線と各シミュレート心拍動曲線との電気生理学類似性を特定する。ブロック４３０５にて、コンポーネントは、特定された類似性に基づいてシミュレート心拍動曲線を較正されたシミュレート心拍動曲線として識別し、その後完了する。示されていないが、コンポーネントはまた、類似するシミュレート心拍動曲線を識別するために、疾患基質類似性を特定し得る。シミュレート心拍動曲線を生成するために使用される構成パラメータは、これらの心拍動曲線に対応付けられたものであるとみなされる。例えば、心拍動曲線は、シミュレート心拍動曲線または患者心拍動曲線を生成する際に使用されるペーシング位置及び疾患基質を有するとみなされ得る。
図４４は、いくつかの実施形態における、ＣＳＣシステムのコンポーネントを示すブロック図である。ＣＳＣシステム４４００は、シミュレート心拍動曲線較正コンポーネント４４０１を含む。ＣＳＣシステムは、配向較正コンポーネントを含み、これには、ベクトル生成コンポーネント４４０２と、配向類似性特定コンポーネント４４１１及び電気生理学類似性特定コンポーネント４４１２を有する形態学的類似性特定コンポーネント４４１０と、が含まれる。ＣＳＣシステムは、配向較正コンポーネント４４０３と、電気生理学較正コンポーネントとを含み、電気生理学較正コンポーネントには、活動電位較正コンポーネント４４０４と、伝導速度較正コンポーネント４４０５とが含まれる。ＣＳＣシステムは、心臓形状コンポーネントを含み、これには、構造的疾患較正コンポーネント４４０６と、測定値較正コンポーネント４４０７とが含まれる。ＣＳＣシステムは、疾患基質較正コンポーネント４４０８と、ペーシング較正コンポーネント４４０９とを含む。ＣＳＣシステムは、シミュレーションストア４４２０にアクセスして、較正されたシミュレート心拍動曲線を出力する。シミュレート心拍動曲線較正コンポーネントは、配向較正コンポーネント、電気生理学較正コンポーネント、心臓形状コンポーネント、疾患基質較正コンポーネント、及びペーシング較正コンポーネントを呼び出して、較正されたシミュレート心拍動曲線を識別する。配向較正コンポーネント、活動電位較正コンポーネント、及び心臓形状較正コンポーネントは、フロー図で説明される。
図４５は、患者データを収集するために電気生理学者（「ＥＰ」）により実行される処理を示すフロー図である。ブロック４５０１にて、ＥＰは、次のペーシング位置を選択する。判定ブロック４５０２にて、全てのペーシング位置が既に選択済みである場合は、処理は完了し、そうでない場合は、処理はブロック４５０３に続行する。ブロック４５０３にて、ＥＰは、カテーテルをペーシング位置に配置する。ブロック４５０４にて、ＥＰは、次のペーシングレートを選択する。判定ブロック４５０５にて、選択したペーシング位置に関して、全てのペーシングレートが既に選択済みである場合は、処理はブロック４５０１にループして、次のペーシング位置を選択し、そうでない場合は、処理はブロック４５０６に続行する。ブロック４５０６にて、ＥＰは、次の期外刺激間隔を選択する。判定ブロック４５０７にて、選択したペーシング位置及びペーシングレートに関して、全ての期外刺激間隔が既に選択済みである場合は、処理はブロック４５０４にループして、次のペーシングレートを選択し、そうでない場合は、処理はブロック４５０８に続行する。ブロック４５０８にて、ＥＰは、選択したペーシングレートで刺激を与える。ブロック４５０９にて、期外刺激間隔において刺激が与えられ、処理はブロック４５０６にループして、次の期外刺激間隔を選択する。
図４６は、いくつかの実施形態における、ＣＳＣシステムのシミュレート心拍動曲線較正コンポーネントの処理を示すフロー図である。シミュレート心拍動曲線較正コンポーネント４６００は、患者心拍動曲線及びシミュレート心拍動曲線の指示を渡され、患者心拍動曲線に類似するシミュレート心拍動曲線を識別する。ブロック４６０１にて、コンポーネントは、ベクトル生成コンポーネントを呼び出して、患者心拍動曲線の指示を渡し、各患者心拍動曲線の患者ベクトルを生成する。ブロック４６０２にて、コンポーネントは、配向類似シミュレート心拍動曲線識別を呼び出して、シミュレート心拍動曲線及び各患者心拍動曲線の測定されたベクトルの指示を渡し、返報として、配向類似シミュレート心拍動曲線の指示を受信する。ブロック４６０１及び４６０２は、配向類似シミュレート心拍動曲線を特定するための処理を表す。ブロック４６０３にて、コンポーネントは、活動電位較正コンポーネントを呼び出して、配向類似シミュレート心拍動曲線及び患者心拍動曲線の指示を渡し、返報として、活動電位類似シミュレート心拍動曲線の指示を受信する。ブロック４６０４にて、コンポーネントは、伝導速度較正コンポーネントを呼び出して、活動電位類似シミュレート心拍動曲線及び患者心拍動曲線の指示を渡して、返報として、伝導速度類似シミュレート心拍動曲線の指示を受信する。ブロック４６０３及び４６０４は、電気生理学類似性を特定するための処理を表す。
図４７は、いくつかの実施形態における、ＣＳＣシステムのベクトル生成コンポーネントの処理を示すフロー図である。ベクトル生成コンポーネントが呼び出され、渡された各心拍動曲線のベクトルを生成する。図示されていないが、ブロック４７０１～４７０８の処理は、各心拍動曲線に関して実行される。ブロック４７０１にて、コンポーネントは、心拍動曲線の次の心周期を選択する。判定ブロック４７０２にて、全ての心周期が既に選択済みである場合は、コンポーネントは完了し、そうでない場合は、コンポーネントはブロック４７０３に続行する。ブロック４７０３にて、コンポーネントは、選択した心周期の次の心周期位相を選択する。判定ブロック４７０４にて、全ての心周期位相が既に選択済みである場合は、コンポーネントはブロック４７０１にループして、次の心周期を選択し、そうでない場合は、コンポーネントはブロック４７０５に続行する。ブロック４７０５にて、コンポーネントは、次の心臓位置を選択する。判定ブロック４７０６にて、全ての心臓位置が既に選択済みである場合は、コンポーネントはブロック４７０３に続行し、次の心周期位相を選択し、そうでない場合は、コンポーネントはブロック４７０７に続行する。ブロック４７０７にて、コンポーネントは、心周期位相中の心臓位置の心拍動曲線から、ベクトルを計算する。ブロック４７０８にて、コンポーネントは、ベクトルに対し、心臓周期位相及び心臓位置でラベル付けを行い、次にブロック４７０５にループして、次の心臓位置を選択する。
図４８は、いくつかの実施形態における、ＣＳＣシステムの配向類似識別コンポーネントの処理を示すフロー図である。配向類似識別コンポーネント４８００が呼び出され、シミュレート心拍動曲線と各患者心拍動曲線の患者ベクトルとの指示を渡される。図示されていないが、ブロック４８０１～４８０７は、各患者心拍動曲線に関して実行される。ブロック４８０１にて、コンポーネントは、次のシミュレート心拍動曲線を選択する。判定ブロック４８０２にて、全てのシミュレート心拍動曲線が既に選択済みである場合は、コンポーネントはブロック４８０８に続行し、そうでない場合は、コンポーネントはブロック４８０３に続行する。ブロック４８０３にて、コンポーネントは、ベクトル生成コンポーネントを呼び出して、シミュレート心拍動曲線の指示を渡し、返報として、シミュレートベクトルを受信する。ブロック４８０４にて、コンポーネントは、次のシミュレートベクトルを選択する。判定ブロック４８０５にて、全てのシミュレートベクトルが既に選択済みである場合は、コンポーネントはブロック４８０７に続行し、そうでない場合は、コンポーネントはブロック４８０６に続行する。ブロック４８０６にて、コンポーネントは、選択したシミュレートベクトルと、対応する患者ベクトルとの配向差を計算し、ブロック４８０４にループして、次のシミュレートベクトルを選択する。ブロック４８０７にて、コンポーネントは、選択したシミュレート心拍動曲線の配向類似性を計算し、次にブロック４８０１にループして、次のシミュレート心拍動曲線を選択する。ブロック４８０８にて、コンポーネントは、配向類似性が最も高いシミュレート心拍動曲線を識別して返報し、その後完了する。
図４９は、いくつかの実施形態における、ＣＳＣシステムの心臓形状較正コンポーネントの処理を示すフロー図である。心臓形状較正コンポーネント４９００が呼び出され、患者心拍動曲線に心臓形状が類似するシミュレート心拍動曲線を識別する。ブロック４９０１にて、コンポーネントは、患者の構造的疾患の評価を受信する。ブロック４９０２にて、コンポーネントは、類似する構造的疾患を有するシミュレート心拍動曲線を識別する。ブロック４９０３にて、コンポーネントは、患者の形状測定値を受信する。ブロック４９０４にて、コンポーネントは、次の識別したシミュレート心拍動曲線を選択する。判定ブロック４９０５にて、全てのシミュレート心拍動曲線が既に選択済みである場合は、コンポーネントはブロック４９０７に続行し、そうでない場合は、コンポーネントはブロック４９０６に続行する。ブロック４９０６にて、コンポーネントは、選択したシミュレート心拍動曲線と患者心拍動曲線との間の形状スコアを計算し、その後ブロック４９０４にループして、次の識別したシミュレート心拍動曲線を選択する。ブロック４９０７にて、コンポーネントは、心臓形状類似シミュレート心拍動曲線として、形状スコアに基づいて、最もマッチングするシミュレート心拍動曲線を選択し返報する。
図５０は、いくつかの実施形態における、ＣＳＣシステムの活動電位較正コンポーネントの処理を示すフロー図である。活動電位較正コンポーネント５０００は、患者心拍動曲線の活動電位に類似する活動電位を有するシミュレート心拍動曲線を識別する。図示されていないが、ブロック５００１～５００６の処理は、各患者心拍動曲線に関して実行される。ブロック５００１にて、コンポーネントは、患者心拍動曲線の正規化ＥＣＧを生成する。ブロック５００２にて、コンポーネントは、次のシミュレート心拍動曲線を選択する。判定ブロック５００３にて、全てのシミュレート心拍動曲線が既に選択済みである場合は、コンポーネントはブロック５００６に続行し、そうでない場合は、コンポーネントはブロック５００４に続行する。ブロック５００４にて、コンポーネントは、選択したシミュレート心拍動曲線の正規化シミュレートＥＣＧを生成する。ブロック５００５にて、コンポーネントは、正規化患者ＥＣＧとシミュレートＥＣＧとの活動電位類似性を計算し、次にブロック５００２にループして、次のシミュレート心拍動曲線を選択する。ブロック５００６にて、コンポーネントは、活動電位類似性が最も高いシミュレート心拍動曲線を選択し返報する。
図５１は、いくつかの実施形態における、ＣＳＣシステムのマッピング関数生成コンポーネントの処理を示すフロー図である。マッピング関数生成コンポーネント５１００は、訓練データとして使用される患者心拍動曲線とマッチングするシミュレート心拍動曲線の集合を識別し、その後、マッピング関数を訓練する。ブロック５１０１にて、コンポーネントは、患者心拍動曲線の次のペーシング位置を選択する。判定ブロック５１０２にて、全てのペーシング位置が既に選択済みである場合は、コンポーネントはブロック５１０７に続行し、そうでない場合は、コンポーネントはブロック５１０３に続行する。ブロック５１０３にて、コンポーネントは、そのペーシング位置を有する次のシミュレート心拍動曲線を選択する。判定ブロック５１０４にて、全てのそのようなシミュレート心拍動曲線が既に選択済みである場合は、コンポーネントはブロック５１０１にループして、次のペーシング位置を選択し、そうでない場合は、コンポーネントはブロック５１０５に続行する。判定ブロック５１０５にて、シミュレート心拍動曲線の構成パラメータが患者構成パラメータとマッチングする場合は、コンポーネントはブロック５１０６に続行し、そうでない場合は、コンポーネントはブロック５１０３にループして、次のシミュレート心拍動曲線を選択する。ブロック５１０６にて、コンポーネントは、シミュレート心拍動曲線を訓練データに追加し、ブロック５１０６にループして、次のシミュレート心拍動曲線を選択する。ブロック５１０７にて、コンポーネントは、訓練データのシミュレート心拍動曲線を患者心拍動曲線にマッピングするようにマッピング関数を訓練し、その後完了する。
図５２は、いくつかの実施形態における、ＣＳＣシステムのシミュレート心拍動曲線変換コンポーネントの処理を示すフロー図である。シミュレート心拍動曲線変換コンポーネント５２００は、シミュレート心拍動曲線にマッピング関数を適用して、シミュレート心拍動曲線のＭＬ較正集合を生成する。ブロック５２０１にて、コンポーネントは、患者心拍動曲線の次のペーシング位置を選択する。判定ブロック５２０２にて、全てのペーシング位置が既に選択済みである場合は、コンポーネントは完了し、そうでない場合は、コンポーネントはブロック５２０３に続行する。ブロック５２０３にて、コンポーネントは、そのペーシング位置を有する次のシミュレート心拍動曲線を選択する。判定ブロック５２０４にて、全てのそのようなシミュレート心拍動曲線が既に選択済みである場合は、コンポーネントはブロック５２０１にループして、次のペーシング位置を選択し、そうでない場合は、コンポーネントはブロック５２０５に続行する。判定ブロック５２０５にて、シミュレート心拍動曲線の構成パラメータが患者構成パラメータとマッチングする場合は、コンポーネントはブロック５２０６に続行し、そうでない場合は、コンポーネントはブロック５２０３にループして、次のシミュレート心拍動曲線を選択する。ブロック５２０６にて、コンポーネントは、シミュレート心拍動曲線にマッピング関数を適用して、ＭＬ変換されたシミュレート心拍動曲線を生成する。ブロック５２０７にて、コンポーネントは、ＭＬ変換されたシミュレート心拍動曲線をＭＬ較正集合に追加し、ブロック５２０３にループして、次のシミュレート心拍動曲線を選択する。
主に心臓である電磁源に即して説明されているが、ＣＳＣシステムは、体の他の電磁源のシミュレート電磁出力を較正するために使用されてもよい。本明細書で説明されるＣＳＣシステム及び他のシステムは、例えば、体が人体または他の動物の体であり、電磁源が心臓、脳、肝臓、肺、腎臓、筋肉、または体の外側または内側から測定可能な電磁場を生成する体の別の部分である場合に、使用され得る。また、患者ペーシングは、カテーテルなどの電磁源の内側から電磁パルスを与える侵襲的ペーシングデバイスを使用して、実行され得る。患者ペーシングは、磁気共鳴スキャナなどの電磁源の外側から電磁パルスを与える非侵襲的ペーシングデバイスを使用して、実行され得る。非侵襲的ペーシングデバイスは、電磁場を生成して、患者の電磁源のペーシングを行い得る。
配向を較正するためのユーザインターフェース
いくつかの実施形態では、ＣＳＣシステムのユーザインターフェース較正（「ＵＩＣ」）システムは、患者ＶＣＧの配向のシミュレートＶＣＧへの手動較正を行うためのユーザインターフェースを提供する。正常な洞調律中に、及び／または研究撮像データ（例えば胸部Ｘ線またはカテーテルシステム位置特定システムからの撮像データ）に基づいて識別され得る様々なペーシング位置でのペーシングに基づいて、収集された患者ＥＣＧにアクセスする。次に、ＵＩＣシステムは、興奮発生源位置が分かっているセグメントをＥＣＧから抽出し、その後セグメントのノイズ除去を行う。次に、ＵＩＣシステムは、セグメントからＶＣＧを生成する。次に、ＵＩＣシステムは、アクセスした患者ＥＣＧの発生源位置に類似する発生源位置を有するシミュレート心拍動曲線を選択する。
図５３は、手動で配向を較正するためのユーザインターフェースを示す。ディスプレイ５３００は、患者表現５３１０と、シミュレート表現５３２０とを含む。患者表現を生成するために、ＵＩＣシステムは、患者発生源位置の患者ＶＣＧ５３１１及び５３１２を、三次元（「３Ｄ」）表面としてレンダリングする。冠状面及び／または直交面などの解剖構造基準フレームを提供するために、患者ＶＣＧが胴体モデル上に５３１５に重ねられ得、これは３Ｄで回転させることができる。シミュレート表現を生成するために、ＵＩＣシステムは、患者発生源位置に類似するシミュレート発生源位置を有する選択したシミュレート心拍動曲線から、シミュレートＶＣＧ５３２１及び５３２２をレンダリングし、これらも、胴体モデル５３２５上に重ねられ得る。ＵＩＣシステムはまた、シミュレート心拍動曲線の心臓形状に基づいて、心臓５３２６の表現を重ね得る。次に、ユーザは、シミュレートＶＣＧを有する心臓形状を回転させて、シミュレートＶＣＧを心臓形状と共に回転させて、シミュレートＶＣＧの位置を患者ＶＣＧの位置に合わせることができる（視覚的比較に基づく）。位置合わせを支援するために、ＵＩＣシステムはまた、患者ＶＣＧに対する回転されたシミュレートＶＣＧの位置合わせの近さを示す位置合わせスコア（例えば最小二乗適合に基づく）を生成し得る。ＶＣＧの位置は合わされたとユーザが判断すると、次にＵＩＣシステムは、シミュレートＶＣＧを患者ＶＣＧに位置合わせするために必要な心臓形状の回転量に基づいて、回転行列を生成する。ＣＳＣシステムは、回転行列を使用して、配向類似心拍動曲線を識別し得る。
アブレーションパターンを識別する
アブレーションパターンを識別するための方法及びコンピューティングシステム、並びに識別されたアブレーションパターンに基づいて患者を治療するための方法が提供される。いくつかの実施形態では、アブレーションパターン識別（「ＡＰＩ」）システムは、患者のＥＭ源を治療するためのアブレーションパターンを識別する。ＡＰＩシステムは、ＥＭ源（例えば心臓または脳）の患者ＥＭ出力にアクセスする。ＡＰＩシステムは、アブレーションパターンに基づくのではなく、シミュレート発生源構成に基づいて、非アブレーションパターンシミュレーションの非アブレーションパターン情報を識別する。例えば、非アブレーションパターン情報は、非アブレーションパターンシミュレーションから生成されたシミュレートＥＭ出力（例えばシミュレートＥＣＧ）であり得る。ＡＰＩシステムは、非アブレーションパターンシミュレーションのシミュレートＥＭ出力と患者ＥＭ出力との類似性に基づいて、非アブレーションパターン情報を識別する。ＡＰＩシステムは、次に、識別した非アブレーションパターン情報及びアブレーションパターンシミュレーションに対応付けられたアブレーションパターン情報に基づいて、アブレーションパターンを識別する。例えば、アブレーションパターンは、シミュレートＥＭ出力と、アブレーションパターンシミュレーションで使用されるアブレーションパターンとのマッピングに基づいて、識別され得る。各アブレーションパターンシミュレーションは、シミュレート発生源構成及びアブレーションパターンに基づいて、生成される。次に、ＡＰＩシステムは、患者のＥＭ源の可能性のあるアブレーションパターンとして、識別したアブレーションパターンの指示を出力する。
いくつかの実施形態では、ＡＰＩシステムは、非アブレーションパターンシミュレーションのモデルライブラリと、モデルライブラリのシミュレートＥＭ出力から生成されたシミュレート導出ＥＭデータとに、アクセスする。モデルライブラリは、ＭＬＭＯシステムにより生成され得る。このモデルライブラリは、「非アブレーションパターンモデルライブラリ」と称され、シミュレーションは、アブレーションパターンを含まないシミュレート発生源構成に基づくことから、シミュレーションは「非アブレーションパターンシミュレーション」と称される。例えば、ＥＭ源が心臓である場合は、非アブレーションパターンシミュレーションは、アブレーションパターンを想定することなく、不整脈のシミュレート発生源位置に基づき得、シミュレート導出ＥＭデータは、ＶＣＧであり得る。ＡＰＩシステムはまた、非アブレーションパターンモデルライブラリを生成するために使用されるシミュレート発生源構成ごとに、１つ以上のアブレーションパターンシミュレーションを含み得るアブレーションパターンモデルライブラリを生成する。各シミュレート発生源構成に関して、ＡＰＩシステムは、アブレーションパターン集合ごとに、アブレーションパターンシミュレーションを実行する。各アブレーションパターンシミュレーションを使用して、シミュレート発生源構成のシミュレート発生源位置にそのアブレーションパターンを適用した場合の結果が識別される。アブレーションパターンシミュレーションにより不整脈が発生しなかった場合、アブレーションパターンは、シミュレート発生源構成の不整脈を止めるのに成功したものとして識別される。そうでない場合は、失敗として識別される。例えば、アブレーションパターン集合に１０個のアブレーションパターンが含まれる場合、ＡＰＩシステムは、シミュレート発生源構成ごとに、１０個のアブレーションパターンシミュレーションを生成する。シミュレート発生源構成の成功するアブレーションパターンの数は、０から１０まで様々であり得る。例えば、シミュレート発生源構成のうちの１つは２個の成功アブレーションパターンを有し得、別のシミュレート発生源構成は、７個の成功アブレーションパターンを有し得る。
いくつかの実施形態では、ＡＰＩシステムは、患者ＥＭ出力（または患者導出ＥＭデータ）をシミュレートＥＭ出力（またはシミュレート導出ＥＭデータ）と比較して、マッチングするシミュレートＥＭ出力を識別することにより、患者の１つ以上の可能性のあるアブレーションパターンを識別する。ＡＰＩシステムは、一致するシミュレートＥＭ出力が生成された非アブレーションパターンシミュレーションで使用されたシミュレート発生源構成を選択する。次に、ＡＰＩシステムは、選択したシミュレート発生源構成に基づいて、アブレーションパターンシミュレーションを識別する。ＡＰＩシステムは、これらのアブレーションパターンシミュレーションの成功アブレーションパターンを、可能性のあるアブレーションパターンとして選択する。例えば、ＥＭ源が患者の心臓であり、患者導出データがＶＣＧである場合、ＡＰＩシステムは、患者ＶＣＧを使用して、最もマッチングするシミュレートＶＣＧを生成するのに使用された非アブレーションパターンシミュレーションのシミュレート発生源構成を選択する。次に、ＡＰＩシステムは、選択したシミュレート発生源構成に基づいて、成功アブレーションパターンを生じるアブレーションパターンシミュレーションを識別する。次に、ＡＰＩシステムは、成功アブレーションパターンを、患者の可能性のあるアブレーションパターンとして出力する。
いくつかの実施形態では、ＡＰＩシステムは、例えば不整脈（またはより一般的には頻脈）を有する患者を治療する時、患者を治療する方法を支援するために使用される。アブレーションアシスト（「ＡＡ」）システムは、医師が患者を治療するのを支援するために使用される。不整脈中に収集された患者の患者ＶＣＧが、ＡＡシステムに入力される。次に、ＡＡシステムは、患者ＶＣＧをＡＰＩシステムに提供する。これに応じて、ＡＰＩシステムは、アブレーションの１つ以上の可能性のあるアブレーションパターンの指示を出力し、アブレーションの１つ以上の標的部位を出力し得る。次に、医師は、可能性のあるアブレーションパターン及び標的部位を選択する。選択を支援するために、ＡＡシステムは、患者の心臓の表現上の標的部位に、アブレーションパターンを重ねて表示し得る。表示される表現は、患者の心臓の解剖構造特性に基づき得る。定位放射線療法（「ＳＢＲＴ」）デバイスを使用する場合、患者の解剖構造特性は、療法の一環で収集された画像（例えば「スカウト」画像）から特定され得る。ＡＡシステムは、自動配置を行うために、選択したアブレーションパターン及び発生源位置を、アブレーションデバイス（例えばＳＢＲＴデバイス）に提供し得る。あるいは、医師は、アブレーションデバイス（例えばカテーテル）を手動で配置し得る。患者のアブレーションの準備ができると、エネルギーが活性化され、選択したアブレーションパターンに基づいてアブレーションが行われる。アブレーションデバイスは、ＳＢＲＴデバイス、アブレーションカテーテル、凍結アブレーションカテーテル、及び植込み型パルス発生器などであり得る。
図５４は、いくつかの実施形態における、ＡＰＩシステムの全体的な処理を示すフロー図である。アブレーションパターン識別コンポーネント５４００は、患者導出ＥＭデータに基づいて、アブレーションパターンを識別する。ブロック５４０１にて、コンポーネントは、導出ＥＭデータ（例えばＶＣＧ）にアクセスする。ブロック５４０２にて、コンポーネントは、患者導出ＥＭデータに最もマッチングするシミュレート導出ＥＭデータに基づいて、モデルライブラリの非アブレーションパターンシミュレーションを識別する。ブロック５４０３にて、コンポーネントは、識別した非アブレーションパターンシミュレーションを生成するのに使用されたシミュレート発生源構成を取得する。ブロック５４０４にて、コンポーネントは、取得したシミュレート発生源構成を使用して実行されたアブレーションパターンシミュレーションを識別する。ブロック５４０５にて、コンポーネントは、識別したアブレーションシミュレーションに対応付けられたアブレーションパターンを取得する。ブロック５４０６にて、コンポーネントは、取得したアブレーションパターンの指示を出力して、その後完了する。
図５５は、いくつかの実施形態における、ＡＰＩシステムのマッピング関数生成の処理を示すフロー図である。マッピング関数生成コンポーネント５５００は、可能性のある発生源位置及び可能性のあるアブレーションパターンを識別するために使用され得るマッピング関数を生成する。ブロック５５０１にて、コンポーネントは、アブレーションパターンシミュレーションにアクセスする。ブロック５５０２にて、コンポーネントは、次のアブレーションパターンシミュレーションを選択する。判定ブロック５５０３にて、全てのアブレーションパターンシミュレーションが既に選択済みである場合は、コンポーネントはブロック５５０６に続行し、そうでない場合は、コンポーネントはブロック５５０４に続行する。ブロック５５０４にて、コンポーネントは、選択したアブレーションパターンシミュレーションのシミュレート発生源構成に基づいて、特徴ベクトルを生成する。ベクトルの特徴には、シミュレート発生源構成を使用して非アブレーションパターンシミュレーションから生成されたシミュレートＥＭデータなどの他の情報と共に、発生源位置及びアブレーションパターンを識別することに特に関連する全てのシミュレート発生源構成、またはシミュレート発生源構成の部分集合が、含まれ得る。ブロック５５０５にて、コンポーネントは、シミュレート発生源位置及び選択したアブレーションパターンシミュレーションのアブレーションパターンに基づいて、特徴ベクトルにラベル付けを行い、次にブロック５５０２にループして、次のアブレーションパターンシミュレーションを選択する。ブロック５５０６にて、コンポーネントは、特徴ベクトル及びラベルを使用して、マッピング関数を訓練し、その後完了する。
図５６は、いくつかの実施形態における、アブレーション中に患者を治療するための方法の処理を示すフロー図である。方法５６００は、処理の最初のステップとして患者導出ＥＭデータ（例えばＶＣＧ）にアクセスする。ステップ５６０１にて、方法は、使用する発生源位置及びアブレーションパターンを識別する。この識別は、患者の患者発生源構成から導出された特徴及び患者導出ＥＭデータに基づいて特徴ベクトルを生成し、次にＡＰＩシステムにより訓練されたマッピング関数を適用することにより、実行され得る。あるいは、識別は、患者ＥＭデータに最もマッチングするシミュレートＥＭデータを有する非アブレーションパターンシミュレーションを識別し、次にシミュレート発生源構成を使用して、そのシミュレート発生源構成を使用して生成されたアブレーションパターンシミュレーションを識別することにより、実行され得る。ステップ５６０２にて、方法は、識別した発生源位置に基づいて、アブレーションデバイス（例えば神経調節デバイス）を配置するまたは方向付ける（すなわち狙いを付ける）。ステップ５６０３にて、方法は、アブレーションデバイス（例えば神経調節デバイス）を使用して、識別した発生源位置から導出される標的部位に、識別したアブレーションパターンに基づいて、エネルギーを当てるまたは向ける。
図５７は、いくつかの実施形態における、ＡＰＩシステムのコンポーネントを示すブロック図である。アブレーションパターンシミュレーション生成コンポーネント５７０２は、ＥＭ発生源モデル５７０１及び発生源構成のパラメータ集合を入力し、心臓モデルを使用して発生源構成に基づいて、シミュレーションを実行する。次に、アブレーションパターンシミュレーション生成コンポーネントは、発生源構成とアブレーションパターンとのマッピングを、発生源構成／アブレーションパターンマッピングストア５７０３に格納する。アブレーション指示コンポーネント５７０４は、患者発生源構成及び患者導出ＥＭデータを入力し、導出ＥＭデータ／発生源マッピングストア５７０７及び発生源構成／アブレーションパターンマッピングストアにアクセスして、発生源位置及びアブレーションパターンを識別し、アブレーションの実行を制御する。命令送信コンポーネント５７０５は、発生源位置及びアブレーションパターンを入力し、命令をアブレーションデバイス５７０６に送信する。
図５８は、いくつかの実施形態における、ＡＰＩシステムのアブレーションパターンシミュレーション生成コンポーネントの処理を示すフロー図である。アブレーションパターンシミュレーション生成コンポーネント５８００は、発生源構成を入力し、発生源構成を成功アブレーションパターンにマッピングする。コンポーネントは、発生源構成ごとに呼び出される。ブロック５８０１にて、コンポーネントは、アブレーションパターンシミュレーションで使用するアブレーションパターンにアクセスする。ＡＰＩシステムは、各発生源構成に、同じアブレーションパターンを使用し得る。あるいは、異なる発生源位置では異なるアブレーションパターンがより効果的であり得ることから、ＡＰＩシステムは、発生源位置に基づいてアブレーションパターンを選択し得る。ブロック５８０２にて、コンポーネントは、次のアブレーションパターンを選択し、変数ｉを選択したアブレーションパターンに設定する。判定ブロック５８０３にて、全てのアブレーションパターンが既に選択済みである場合は、コンポーネントはブロック５８１０に続行し、そうでない場合は、コンポーネントはブロック５８０４に続行する。ブロック５８０４にて、コンポーネントは、変数ｊをゼロに初期化して、アブレーションパターンシミュレーションの各ステップを追跡する。判定ブロック５８０５にて、コンポーネントは、変数ｊをインクリメントし、変数ｊがシミュレーションステップの数より大きいか否か、すなわちアブレーションパターンシミュレーションが完了したことを示すか否かを、判定する。完了した場合、コンポーネントはブロック５８０９に続行し、そうでない場合は、コンポーネントはブロック５８０６に続行して、シミュレーションの次のステップを実行する。ブロック５８０６にて、コンポーネントは、アブレーションパターンシミュレーションの次のステップのモデルを、選択したアブレーションパターンに適用する。判定ブロック５８０７にて、アブレーションパターンシミュレーションが不整脈が止まったことを示す場合は、コンポーネントはブロック５８０８に続行し、そうでない場合は、コンポーネントはブロック５８０５にループして、シミュレーションの次のステップを実行する。ブロック５８０８にて、コンポーネントは、アブレーションパターンを成功と標し、ブロック５８０２にループして、次のアブレーションパターンを選択する。ブロック５８０９にて、アブレーションシミュレーションは完了したが不整脈は止まらなかったことから、コンポーネントは、アブレーションパターンを失敗と標す。次に、コンポーネントは、ブロック５８０２にループして、次のアブレーションパターンを選択する。ブロック５８１０にて、コンポーネントは、発生源構成を、成功したアブレーションパターンにマッピングし、完了する。
図５９は、いくつかの実施形態における、ＡＰＩシステムのアブレーション指示コンポーネントの処理を示すフロー図である。アブレーション指示コンポーネント５９００が呼び出され、患者のアブレーションを指示する。ブロック５９０１にて、コンポーネントは、患者のＥＭ源の画像を受信する。ブロック５９０２にて、コンポーネントは、瘢痕位置、前のアブレーション、及び現在の薬物治療などの患者に関して提供された画像及び他の情報に基づいて、患者発生源構成を生成する。ブロック５９０３にて、コンポーネントは、患者導出ＥＭデータ（例えばＶＣＧ）を受信する。ブロック５９０４にて、コンポーネントは、可能アブレーションパターン識別コンポーネントを呼び出す。ブロック５９０５にて、コンポーネントは、実アブレーションパターン選択コンポーネントを呼び出して、アブレーションで使用するアブレーションパターンを選択する。ブロック５９０６にて、コンポーネントは、実際のアブレーションパターンに基づいて生成されたアブレーション命令を出力する。アブレーション命令は、アブレーションデバイスに直接提供され得る、または医師に表示され得る。その後、コンポーネントは完了する。
図６０は、いくつかの実施形態における、ＡＰＩシステムの可能アブレーションパターン識別コンポーネントの処理を示すフロー図である。可能アブレーションパターン識別コンポーネント６０００が呼び出され、アブレーションのための可能性のあるアブレーションパターンを識別する。ブロック６００１にて、コンポーネントは、患者発生源構成及び患者導出ＥＭデータを受信する。ブロック６００２にて、コンポーネントは、患者発生源構成及び患者導出ＥＭデータに基づいて、１つ以上のアブレーションパターンシミュレーションを識別する。ブロック６００３にて、コンポーネントは、次のマッチングアブレーションパターンシミュレーションを選択する。判定ブロック６００４にて、全てのマッチングアブレーションパターンシミュレーションが既に選択済みである場合は、コンポーネントは完了し、そうでない場合は、コンポーネントはブロック６００５に続行する。ブロック６００５にて、コンポーネントは、マッチングアブレーションパターン及び選択したマッチングアブレーションパターンシミュレーションの発生源位置を、命令集合に追加する。コンポーネントはまた、アブレーション命令に、標的体積を追加し得る。標的体積は、非アブレーションパターンシミュレーションを生成する時に使用される発生源構成のパラメータであり得る。次に、コンポーネントは、ブロック６００３にループして、次のマッチングアブレーションパターンを選択する。
図６１は、いくつかの実施形態における、ＡＰＩシステムの実アブレーションパターン選択コンポーネントの処理を示すフロー図である。実アブレーションパターン選択コンポーネント６１００が呼び出され、患者解剖構造特性、可能性のあるアブレーションパターン、及び対応する発生源位置の指示を渡される。コンポーネントは、アブレーションで使用する実際のアブレーションパターンを識別する。ブロック６１０１にて、コンポーネントは、患者解剖構造特性に基づいて、患者ＥＭ源の３Ｄ表現を表示する。ブロック６１０２にて、コンポーネントは、可能性のあるアブレーションパターン及び対応する発生源位置のリストを表示する。ブロック６１０３にて、コンポーネントは、可能性のあるアブレーションパターンの選択を受信する。ブロック６１０４にて、コンポーネントは、選択した部分アブレーションパターン及び発生源位置を、３Ｄ表現上に重ねる。判定ブロック６１０５にて、選択された可能アブレーションパターンを実アブレーションパターンとして使用すると医師が示した場合、コンポーネントは完了し、そうでない場合は、コンポーネントはブロック６１０３にループして、別の可能アブレーションパターンを表示する。
ＥＭデータのリモート収集
いくつかの実施形態では、遠隔ＥＭデータ収集（「ＲＥＭＤＣ」）システムは、臨床環境にいない患者から収集されたＥＭ源のＥＭデータを受信し得る。例えば、患者は、ＥＭデータ（例えばＥＣＧ）を収集する携帯型ＥＭデータ収集（「ＰＥＭＤＣ」）デバイス（例えばホルターモニター）を付けるために、診療所を訪れ得る。さらに、規定されていないＰＥＭＤＣデバイス（例えばスマートウォッチなどのウェアラブルデバイス、電磁センサを備えた外部モバイルデバイス、表皮、真皮、もしくは皮下組織に埋め込まれた電磁センサ、電磁センサが埋め込まれたスマート衣類）が使用されてもよい。患者が診療所を去った後、ＰＥＭＤＣデバイスは、患者のＥＭデータを定期的または継続的に収集し得る。ＰＥＭＤＣデバイスにより、患者が診療所から遠隔にいる時、収集されたＥＭデータがＲＥＭＤＣシステムに送信されることが可能となる。例えば、ＰＥＭＤＣデバイスは、ＷｉＦｉ、セルラーブルートゥース(登録商標)、または他の接続を使用して、収集されたＥＭデータを送信する無線インターフェースを含み得る。ＷｉＦｉ接続を使用する場合、インターネットにアクセスできるＷｉＦｉネットワークにＰＥＭＤＣデバイスが接続できる時はいつでも、ＰＥＭＤＣデバイスは、収集されたＥＭデータを直接ＲＥＭＤＣシステムに送信し得る。セルラー接続（例えばＰＥＭＤＣデバイスに埋め込まれたセルラー送信器／受信器）を使用する場合、ＰＥＭＤＣデバイスがセルラーネットワーク範囲内にいる時はいつでも、ＰＥＭＤＣデバイスは、収集されたＥＭデータを直接ＲＥＭＤＣシステムに送信し得る。ブルートゥース(登録商標)接続（例えばＰＥＭＤＣデバイスに埋め込まれたブルートゥース(登録商標)送信器／受信器）を使用する場合、ＰＥＭＤＣデバイスは、収集ＥＭデータを、スマートフォン、スマートウォッチ、デスクトップコンピュータ、または他のブルートゥース(登録商標)対応デバイスに送信し得る。ＰＥＭＤＣデバイスはまた、収集されたＥＭデータを、有線（例えばユニバーサルシリアルバス（ＵＳＢ）ケーブル）を介して、コンピューティングデバイス（例えばラップトップ）に送信する有線インターフェースを有し得、コンピューティングデバイスは、収集されたＥＭデータをＲＥＭＤＣシステムに転送する。ＰＥＭＤＣデバイスは、収集されたデータを、スケジュールベースで（例えば１時間に１回）、収集されるとすぐに、ＲＥＭＤＣシステムに要求されると、またはＰＥＭＤＣにインストールされたプログラムにより行われる収集ＥＭデータの分析に基づくなどのいくつかの他の基準で、送信し得る。
ＲＥＭＤＣシステムが収集されたＥＭデータを受信すると、収集されたＥＭデータは、本明細書に説明されるシステムのうちのいずれかにより、処理され得る。例えば、ＥＭデータがＥＣＧである場合、ＲＥＭＤＣシステムは、ＭＬＭＯシステムにより生成された分類器を使用して、収集されたＥＣＧに基づいて発生源位置を識別し得る。別の例として、ＲＥＭＤＣシステムは、ＰＳＭＣシステムを使用して、患者特有モデル分類器を生成し得、これを使用して、発生源位置が識別され得る。別の例として、ＲＥＭＤＣシステムは、ＣＳＣシステムを使用して、シミュレーションの較正集合を生成し得る。
ＲＥＭＤＣシステムは、患者が診療所に戻る前に、収集されたＥＭデータを処理することができるため、医療提供者は、患者が戻る前に、様々なシステムの出力を分析して、治療方針を識別（例えば処置、アブレーション、及びアブレーションパターンの推奨）することができる。このような事例では、患者が診療所にいる間にＥＭデータを収集してからＥＭデータを処理する様々なシステムに伴う遅延を、回避することができる。さらに、患者が診療所に戻る前にＥＭデータが収集される場合、ＥＭデータを処理するのに必要な計算リソースのコストは、ずっと少なくて済み得る。また、患者が診療所に戻る前に、医療提供者は、様々なシステムの出力をよく検討し、その検討に基づいて、予定よりも早くまたは遅く戻るように患者に依頼することができる。最後に、医療提供者は、収集されたＥＭデータの結果を使用して、最適な患者ケアを行うために必要な時間及び他の医療リソースを、より適切に割り当てて実行することができる。
分散型台帳での患者研究結果の記録
患者に対して行われた処置の研究結果を分散型台帳に格納するための方法及びシステムが提供される。いくつかの実施形態では、研究結果用分散型台帳（「ＤＬＳＲ」）システムは、患者の電磁源に対して行われた処置の研究結果（または処置結果）を格納する。計算標的化プロシージャを使用して、電磁源から導出された電磁データと処置標的とのマッピングに基づいて、処置の処置標的が識別され得る。計算標的化プロシージャは、処置標的を識別するために生成されたマッピングを使用して訓練された分類器であり得る。ＭＬＭＯシステムを使用して、このような分類器は生成され得る。あるいは、計算標的化プロシージャは、患者の電磁データに最も類似するマッピングの電磁データを識別し、処置で使用するためにそのマッピングの処置標的を識別し得る。マッピングの電磁データは、シミュレートデータまたは実際の患者データであり得る。下記では、計算標的化プロシージャの実施形態が、処置標的を識別する分類器を使用して説明される。
いくつかの実施形態では、電磁源は心臓であり得、処置は、分類器を使用して識別されたアブレーション標的に基づいて医師により実行されるアブレーション処置であり得る。ＤＬＳＲシステムは、分類器を適用して、患者の心電図に基づいて心臓のアブレーション標的を識別し得る。各分類器は、複数の心臓構成のモデル化心電図から生成された訓練データを使用して、訓練され得る。モデル化心電図は、心臓構成に基づいて心臓の経時的な電磁出力をモデル化する心臓の計算モデルを使用して、生成され得る。ＤＬＳＲシステムは、モデル化心電図にマッチングする患者の心電図に基づいて、分類器を選択する。ＤＬＳＲシステムは、識別されたアブレーション標的に基づいて患者に行われたアブレーション処置の結果を受信する。各アブレーション処置に関して、ＤＬＳＲシステムは、アブレーション処置の結果のアブレーション処置レコードを生成する。アブレーション処置レコードは、アブレーション処置における患者及び任意の他の利害関係者（例えば医師、保険会社、規制当局、及び医療提供者）を識別し、アブレーション処置の結果への参照指示を含む。ＤＬＳＲシステムは、各アブレーション処置レコードを発行して、許可された関係者がアクセスできるように分散型台帳に記録する。
いくつかの実施形態では、分散型台帳は、ブロックチェーンである。分散型台帳、特にブロックチェーンについて、下記に説明される。アブレーション処置の結果への参照指示及び患者の電子医療レコードは、利害関係者により格納され得る。アブレーション処置の結果を格納する利害関係者は、関係者による結果へのアクセスを制御し得る。関係者がブロックチェーンに格納したアブレーション処置レコードの量及び質に基づいて、関係者は、モデル化心電図から生成された訓練データを使用して訓練された分類器へのアクセスを提供され得る。アブレーション処置は、アブレーション研究中に患者に対して行われるいくつかのアブレーション処置のうちの１つであり得、患者のアブレーション処置レコードは、分散型台帳の同じブロックに格納され得る。分散型台帳の各ブロックには、１人の患者のみのアブレーション処置レコードが格納され得る。分散型台帳を維持するために必要な計算リソースは、分散型台帳のマイナーにより提供され得る。マイナーは、マイナーが行ったマイニングに基づいて、複数の心臓構成のモデル化心電図から生成された訓練データを使用して訓練された分類器へのアクセスを提供され得る。ブロックをマイニングするマイナーは、プルーフオブステークコンセンサスアルゴリズムに基づいて選択され得る。
図６２は、いくつかの実施形態における、ＤＬＳＲシステムのコンポーネントを示すブロック図である。ＤＬＳＲシステムは、ＭＬＭＯシステム６２１０と、電気生理学（「ＥＰ」）データ収集コンポーネント６２３０と、研究システム６２４０と、トランザクション生成器システム６２５０と、利害関係者システム６２６１～６４と、マイナーシステム６２７０と、分散型台帳アクセスシステム６２８０と、分散型台帳６２９０とを含む。いくつかの実施形態では、ＭＬＭＯシステムは、心臓構成を生成し、心臓の計算モデル化を適用して、心臓の関数をシミュレートし、シミュレートした関数に基づいて心電図を生成する。ＭＬＭＯシステムは、ＭＬＭＯストア６２１１に結果を格納する。ＭＬＭＯストアは、モデル化心電図と発生源位置とのマッピングを格納し得る。
いくつかの実施形態では、ＭＬＭＯシステムは、シミュレーションの実行及び分散型台帳のマイニングなど、ＭＬＭＯシステムの支援に関連するタスクを定義し得る。タスクは、Ａｍａｚｏｎ Ｗｅｂ Ｓｅｒｖｉｃｅｓ（「ＡＷＳ」）Ｅｌａｓｔｉｃ Ｃｏｎｔａｉｎｅｒ ＲｅｐｏｓｉｔｏｒｙまたはＡＷＳバッチに基づくシステムなど、コンテナベースシステムにより展開され組織化されるコンテナとして実施され得る。ＭＬＭＯシステムにより、マイナーまたは他のコントリビュータが、ＭＬＭＯシステムのサーバ上でタスクを実行することが可能となり得る。例えば、マイナーは、マイニングタスクを実行し得る。タスクを実行する各コントリビュータと、タスクを実行するのに使用される計算リソースと、を識別するレポートが生成され得る。コントリビュータは、使用した計算リソース（例えばＣＰＵ、ストレージ）に関してチャージされ得、タスクを実行するインセンティブとしてタスクトークンを付与され得る。例えば、マイニングタスクを実行してブロックをマイニングするマイナー、またはシミュレーションタスクを実行するコントリビュータは、タスクを実行するために使用された計算リソースに基づいて、分散型台帳に記録された１つ以上のタスクトークが付与される。次に、タスクトークンの所有者は、タスクトークンと、分散型台帳内で追跡されている様々なリソースへのアクセスとを、交換し得る。例えば、タスクトークンは、特定の研究の結果へのアクセスと交換され得る。マイナーに付与されるタスクトークンの数はまた、ブロックをマイニングするマイナーを選択するために、プルーフオブステークコンセンサスアルゴリズムにおいても使用され得る。（同様の方法で、処置レコードを提出してブロックチェーンに記録する関係者は、レコードトークンを付与され得、これは、リソースへのアクセスと交換することができる。）シミュレーションの実行を支援するために、ＭＬＭＯシステムは、シミュレーションタスクのキューを維持して、実行し得る、または完了し得る。シミュレーションタスクを実行する場合、コンテナのコードは、シミュレーションタスクをキューの先頭から削除し、シミュレーションタスクを実行する。例えば、シミュレーションがまだ完了していない場合、キューは、そのシミュレーションを完了するためのシミュレーションタスクを含む。シミュレーションがシミュレーションタスクにより完了されない場合はいつでも（例えばコントリビュータがシミュレーションタスクを完了するのに十分ではない一定量の計算リソースを使用するように契約しているため）、そのシミュレーションタスクを実行したコンテナは、シミュレーションを続けるために新たなシミュレーションタスクをキューに追加する（例えばキューの先頭、より具体的には両頭待ちキューまたは両端キュー）。シミュレーションタスクに加えて、ＭＬＭＯシステムは、シミュレーション前タスク及びシミュレーション後タスクをキューに追加し得る。シミュレーション前タスクは、モデルの構築またはシミュレーションの初期化に関連し得る。シミュレーション後タスクは、分類器の訓練（または他の機械学習）、シミュレーショ結果の検証、及びシミュレーションに基づく推論の作成に関連し得る。
患者ストア６２２０は、患者の電子医療レコードを格納する。単一のデータベースとして図示されるが、１人の患者の電子医療レコードは、病院、医師、及び研究所などの様々なエンティティにより格納され得る。さらに、電子医療レコードは、医療保険の相互運用性と説明責任に関する法律（「ＨＩＰＰＡ」）などの様々な規制に準拠する許可された分散型台帳システムまたは公共の分散型台帳システムのいずれかである分散型台帳システムを介して、アクセス可能であり得る。ＥＰデータ収集システム６２３０は、患者の電気生理学データを収集し、電気生理学データを、ＥＰ研究ストア６２３１に格納する。研究システム６２４０は、患者のＥＰ研究のための電気生理学データ及び患者の電子医療レコードからの情報を入力し、ＭＬＭＯストアから分類器を選択し、分類器を患者データに適用して、アブレーション標的を識別し、研究情報を研究ストア６２４１に格納する。
トランザクション生成器システム６２５０は、研究ストアにアクセスし、分散型台帳に格納するレコード（例えばトランザクション）を生成する。トランザクション生成器システムはまた、保険システム６２６１、規制当局システム６２６２、医療提供者システム６２６３、及び医師システム６２６４から情報を受信し得る。レコードが一旦生成されると、利害関係者は、自身の秘密鍵を使用してレコードに署名し得る。このような場合、トランザクション生成器システムは、保険システム、規制当局システム、医療提供者システム、及び／または医師システムに対し、署名をするようにレコードを送信し得る。次に、トランザクション生成器システムは、マイナーシステム６２７０にレコードを公開する。マイナーシステムは、プルーフオブステークコンセンサスアルゴリズムまたはある他のコンセンサスアルゴリズムを実施して、分散型台帳６２９０を格納するブロックを生成するマイナーシステムを識別し得る。分散型台帳は、ブロック６２９１を含み、これらはそれぞれ、１人の患者の研究を表し得、その研究の一環として実行された各処置のトランザクションを含む。分散型台帳アクセスシステム６２８０は、許可に基づいて分散型台帳にアクセスすることができる。例えば、分散型台帳アクセスシステムの特定のクラスは、公開鍵で暗号化された特定のレコードにアクセスするための秘密鍵で構成され得る。あるいは、分散型台帳アクセスシステムは、ブロックチェーン分散型台帳へのアクセスを制御する分散型台帳へのフロントエンドシステムに、アクセスし得る。
図６３は、いくつかの実施形態における、ブロックの構造及びブロック内のレコードを示すブロック図である。ブロック６３１０は、ブロックヘッダ６２１１及びトランザクション６２１２を含む。ブロックヘッダは、ブロックハッシュを含み得、これは、ブロックチェーン内の前のブロックの前のブロックハッシュと、トランザクションのハッシュのマークルツリーのルートノードのハッシュとを含むブロックのデータのハッシュである。ブロックチェーンの構造は、下記で詳しく説明される。トランザクション６３２０は、トランザクションが生成された時のタイムスタンプ、研究識別子、処置識別子、患者識別子、医師識別子、医療提供者識別子、保険会社識別子、及び規制当局識別子を含み得る。トランザクションは、トランザクションを検証する様々な利害関係者の署名も含み得る。トランザクションはまた、研究ストアへのポインタ、並びに研究ストア、患者ストア、及びＥＰ研究ストアから生成された要約情報へのポインタなど、研究に関連する情報への様々なポインタを含み得る。
図６４は、いくつかの実施形態における、研究システムの処理を示すフロー図である。研究システムコンポーネント６４００は、患者の指示を渡され、医師による患者に対する処置の実行を調整する。ブロック６４０１にて、コンポーネントは、患者ストア及びＥＰ研究ストアにアクセスして、患者に関連する情報を取得する。ブロック６４０２にて、コンポーネントは、患者データと電気生理学データとのマッチングに基づいて、ＭＬＭＯストアから分類器を選択する。ブロック６４０３にて、コンポーネントは、分類器を患者の心電図に適用する。ブロック６４０４にて、コンポーネントは、医師に、標的のアブレーション標的を提示する。ブロック６４０５にて、コンポーネントは、処置のアブレーション結果を受信する。ブロック６４０６にて、コンポーネントは、研究ストアに結果を格納し、その後完了する。
図６５は、いくつかの実施形態における、トランザクション生成器システムの処理を示すフロー図である。トランザクション生成器システムコンポーネント６５００は、分散型台帳に格納するトランザクションを生成するように定期的に稼働し得る。ブロック６５０１にて、コンポーネントは、研究ストアから処置の結果への参照指示を取得する。ブロック６５０２にて、コンポーネントは、結果において識別された患者に基づいて、処置の利害関係者を識別する。ブロック６５０３にて、コンポーネントは、タイムスタンプを生成し得る。６５０４にて、コンポーネントは、利害関係者、タイムスタンプ、及び研究ストアに格納された結果への参照指示を識別するトランザクションを生成する。ブロック６５０５にて、コンポーネントは、利害関係者から署名を取得し得る。分散型台帳にトランザクションを記録するには、利害関係者の許可が必要となり得る。ブロック６５０６にて、コンポーネントは、トランザクションをマイナーシステムに公開し、その後完了する。
図６６は、いくつかの実施形態における、マイナーシステムの処理を示すフロー図である。マイナーコンポーネント６６００は、定期的に呼び出され、分散型台帳に格納するための処置のブロック（複数可）を生成し得る。ブロック６６０１にて、コンポーネントは、プルーフオブステークコンセンサスアルゴリズムを実行して、マイナーシステムが次のブロックを生成するために選択されているか否かを判定する。判定ブロック６６０２にて、選択されている場合は、コンポーネントはブロック６６０３に続行し、そうでない場合は、コンポーネントは完了する。ブロック６６０３にて、コンポーネントは、研究のトランザクションをブロックに追加する。ブロック６６０４にて、コンポーネントは、マークルツリーを生成し、ブロックに追加する。ブロック６６０５にて、コンポーネントは、前のブロックのハッシュを、ブロックに追加する。ブロック６６０６にて、コンポーネントは、マイナーのアドレスをブロックに追加する。ブロック６６０７にて、コンポーネントは、ブロック全体のハッシュを、ブロックに追加する。ブロック６６０８にて、コンポーネントは、マイナーの署名をブロックに追加する。ブロック６６０９にて、コンポーネントは、ブロックを公開し、その後完了する。コンポーネントはまた、ブロックの作成タイムスタンプを追加し得、これは、他のマイナーシステムが、プルーフオブステークアルゴリズムにより識別されたマイナーによりブロックが生成されたことを検証する時に使用され得る。
分散型台帳
分散型台帳は現在、多種多様のビジネスアプリケーションで使用されている。ビットコインシステムは、分散型台帳の一例である。ビットコインシステムは、サトシ・ナカモト氏による「Ｂｉｔｃｏｉｎ：Ａ Ｐｅｅｒ－ｔｏ－Ｐｅｅｒ Ｅｌｅｃｔｒｏｎｉｃ Ｃａｓｈ Ｓｙｓｔｅｍ」と題するホワイトペーパーに説明されるように、金融機関を介さずに電子現金をある当事者から別の当事者に直接転送できるように、開発された。ビットコイン（例えば電子コインなど）は、ある当事者から別の当事者へ所有権を譲渡する一連のトランザクションにより表される。ビットコインの所有権を譲渡するために、新たなトランザクションが生成され、ブロック内のトランザクションのスタックに追加される。新たな所有者の公開鍵を含む新たなトランザクションは、新たな所有者の公開鍵で表される新たな所有者へ所有権を譲渡するために、所有者により所有者の秘密鍵でデジタル署名される。ビットコインの所有者による署名は、新たなトランザクションを介して新たな所有者にビットコインの所有権を譲渡するための所有者による承認である。ブロックが一杯になると、ブロックは、ブロック内の全てのトランザクション識別子のハッシュダイジェストであるブロックヘッダで「キャップ」される。ブロックヘッダは、チェーン内の次のブロックにおける最初のトランザクションとして記録され、「ブロックチェーン」と称される数学的階層を作成する。現在の所有者を確認するために、トランザクションのブロックチェーンをたどって、最初のトランザクションから最後のトランザクションまでの各トランザクションが確認され得る。新たな所有者は、ビットコインを譲渡したトランザクションの公開鍵に合う秘密鍵を有していればよい。ブロックチェーンは、セキュリティ識別（例えば公開鍵）により表されるエンティティにおける所有権の数学的証明を作成し、これは、ビットコインシステムの場合では疑似匿名である。
ビットコインの前の所有者がビットコインを二重使用する（すなわち同じビットコインの所有権を２人の当事者に譲渡する）ことが確実にないように、ビットコインシステムは、トランザクションの分散型台帳を維持する。分散型台帳により、ビットコインの全てのトランザクションの台帳は、ブロックチェーンネットワークの複数のノード（すなわちコンピュータ）に冗長的に格納される。各ノードの台帳は、ブロックチェーンとして格納される。ブロックチェーンでは、トランザクションは、ノードにトランザクションが受信された順序で格納される。ブロックチェーンネットワークの各ノードは、ブロックチェーン全体の完全な複製を有する。ビットコインシステムはまた、ノードが異なる順序でトランザクションを受信し得るとしても、確実に各ノードに同一のブロックチェーンを格納させる技法を実施する。ノードに格納されている台帳内のトランザクションが正しいことを検証するために、ブロックチェーン内のブロックは、最も古いものから最も新しいものまでアクセスされ、ブロックの新たなハッシュが生成され、新たなハッシュと、ブロックが生成された時に生成されたハッシュとが比較され得る。ハッシュが同じである場合は、ブロック内のトランザクションが検証される。ビットコインシステムはまた、計算コストの高い技法を使用して、ブロックの作成時にブロックに追加されるナンスを生成することにより、トランザクションを変更してブロックチェーンを再生成することを確実に不可能にする技法を実施する。ビットコイン台帳は、まだ使用されていない全てのトランザクションの出力を追跡することから、未使用トランザクション出力（「ＵＴＸＯ」）セットと時に称される。
ビットコインシステムは非常に成功しているが、ビットコインまたは他の暗号通貨でのトランザクションに限定されている。ブロックチェーンは、車両の販売、金融派生商品の販売、株式の販売、及び契約の支払いなどに関連するトランザクションなど、あらゆる種類のトランザクションに対応するように開発された。このようなトランザクションは、識別トークンを使用して、所有対象となり得るものまたは他の物を所有することができるものを、一意的に識別する。物理資産またはデジタル資産の識別トークンは、資産を一意的に識別する情報の暗号一方向ハッシュを使用して生成される。トークンはまた、追加の公開鍵／秘密鍵ペアを使用する所有者を有する。所有者公開鍵または所有者公開鍵のハッシュは、トークン所有者識別として設定され、トークンに対してアクションが実行される時、所有者秘密鍵により生成された署名であって、トークンの所有者として挙げられた公開鍵または公開鍵のハッシュに対して認証された当該署名を提供することにより、所有権証明は確立される。個人は、例えばユーザ名、社会保障番号、及び生体認証（例えば指紋）の組み合わせを使用して、一意的に識別され得る。ブロックチェーンにおける資産の識別トークンの作成により、資産の証明が確立され、識別トークンは、ブロックチェーンに格納された資産に関与するトランザクション（例えば購入、販売、保険契約）で使用され、トランザクションの完全な監査証跡を作成し得る。
ビットコインが対応するトランザクションよりも複雑なトランザクションを可能にするために、いくつかのシステムは、「スマートコントラクト」を使用する。スマートコントラクトは、コード及びステートを含む分散型コンピュータプログラムである。スマートコントラクトは、送金、及び外部データベース及びサービス（例えばオラクル）へのアクセスなどあらゆる種類の処理を仮想的に実行し得る。スマートコントラクトは、ブロックチェーンでのトランザクションの記録を支援するセキュアプラットフォーム（例えば仮想マシンを提供するイーサリアム（Ｅｔｈｅｒｅｕｍ）プラットフォーム）で実行され得る。スマートコントラクトコード自体は、認証できるように、スマートコントラクトコードのハッシュである識別トークンを使用して、ブロックチェーン内のトランザクションとして記録され得る。デプロイされると、スマートコントラクトのコンストラクタが実行され、スマートコントラクト及びそのステートが初期化される。イーサリアムでは、スマートコントラクトは、コントラクトアカウントに対応付けられる。イーサリアムには、秘密鍵で制御される外部所有アカウント（「ＥＯＡ」）と、コンピュータコードで制御されるコントラクトアカウントとの２種類のアカウントが存在する。アカウントには、残高、コード（存在する場合）、及びストレージ（デフォルトでは空）のフィールドが含まれる。スマートコントラクトのコードは、コントラクトアカウントにコードとして格納され、スマートコントラクトのステートは、コントラクトアカウントのストレージに格納され、コントラクトアカウントのストレージに対し、コードの読み出し及びコードの書き込みを行うことができる。ＥＯＡにはコードがなく、ストレージを必要としないため、ＥＯＡではこれらの２つのフィールドは空である。アカウントは、ステートを有する。ＥＯＡのステートは、残高のみを含むが、コントラクトアカウントのステートは、残高及びストレージの両方を含む。全てのアカウントのステートが、イーサリアムネットワークのステートであり、ブロックごとに更新され、更新に関して、ネットワークはコンセンサスに至る必要がある。ＥＯＡは、ＥＯＡアカウントの秘密鍵でトランザクションに署名することにより、他のアカウントにトランザクションを送信し得る。トランザクションは、ＥＯＡから、トランザクション内で識別される受信アカウントに送信されるメッセージを含む、署名されたデータパッケージである。ＥＯＡと同様に、コントラクトアカウントは、そのコードの制御下で、他のアカウントにメッセージを送信することもできる。しかし、コントラクトアカウントは、受信したトランザクションに応じてのみ、メッセージを送信することができる。従って、イーサリアムブロックチェーン内の全てのアクションは、ＥＯＡから送信されるトランザクションによりトリガーされる。コントラクトアカウントは秘密鍵により制御されないため、コントラクトアカウントが送信するメッセージには暗号署名が含まれないという点で、コントラクトアカウントが送信するメッセージは、ＥＯＡが送信するトランザクションとは異なる。コントラクトアカウントがメッセージを受信すると、ブロックチェーンの複製を保持する全てのマイニングノードは、ブロック検証プロセスの一環として、コントラクトアカウントのコードを実行する。そのため、ブロックにトランザクションが追加されると、ブロックを検証する全てのノードは、そのトランザクションにコード実行がトリガーされるコードを実行する。各ノードでのコンピュータコードの実行は、ブロックチェーンの真正性を確保するのに役立つが、コンピュータコードのこのような冗長的実行に対応するには、大量のコンピュータリソースが必要となる。
ブロックチェーンはトランザクションを効果的に格納できるが、ブロックチェーンの全ての複製を維持するために必要な大量のコンピュータリソース、例えばストレージ及び計算能力などは、問題となり得る。この問題を克服するために、トランザクションを格納するいくつかのシステムは、ブロックチェーンを使用するのではなく、トランザクションの各当事者に、トランザクションの自分の複製を維持させる。１つのこのようなシステムは、Ｒ３， Ｌｔｄ．により開発されたＣｏｒｄａシステムであり、これは、プラットフォームの各参加者が分散型台帳の自分の部分を維持するノード（例えばコンピュータシステム）を有する非集中分散型台帳プラットフォームを提供する。当事者がトランザクションの条件に同意すると、当事者は、信頼できるノードであるノータリーに、公証のためにトランザクションを提出する。ノータリーは、未使用トランザクション出力のＵＴＸＯデータベースを維持する。トランザクションが受信されると、ノータリーは、トランザクションへの入力をＵＴＸＯデータベースと照合し、入力が照会する出力は使用されていないことを確認する。入力が使用されていない場合、ノータリーは、ＵＴＸＯデータベースを更新して、照会された出力が使用されたことを示し、トランザクションを公証し（例えばノータリーの公開鍵でトランザクションまたはトランザクション識別子に署名することにより）、公証のためにトランザクションを提出した当事者に公証を送信する。当事者が公証を受信すると、当事者は公証を格納し、取引相手に公証を提供する。
発生源位置を有する画像の増強
臓器の障害の患者発生源位置を有する患者の臓器の画像を増強するための方法およびシステムが提供される。いくつかの実施形態では、発生源位置を有する増強画像（「ＡＩＳＬ」）システムは、患者の器官の画像を含む画像データを受信し、特許の器官のＥＭ出力から導出された導出ＥＭデータを受信し、導出されたＥＭデータに基づく臓器の障害の患者発生源位置を識別し、患者発生源位置を有する画像データを補強する。例えば、画像データは、ダイコム（Ｄｉｇｉｔａｌ Ｉｍａｇｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｍｅｄｉｃｉｎｅ（「ＤＩＣＯＭ」））フォーマットまたは別のフォーマットにおける画像ファイルである心臓の３Ｄ画像であり得る。導出されたＥＭデータは心電図であり得る。受信される画像データはまた、患者の心臓の基質の患者基質位置を含み得る。ＡＩＳＬシステムは、患者発生源位置を識別した後、患者発生源位置を画像データに追加する。例えば、患者発生源位置をメタデータとしてＤＩＣＯＭファイルに追加したり、３Ｄ画像に重ね合わせたり（例えば、表示を追加したり）することができる。次に、ＡＩＬＳシステムは、増強されたＤＩＣＯＭファイルを計画システムに提供して、患者の治療（例えば、切除手順）を通知することができる。増強されたＤＩＣＯＭファイルには発生源位置が含まれているため、患者のためのより多くの情報に基づいた治療計画が開発される可能性がある。
いくつかの実施形態では、患者発生源位置の識別は、導出されたＥＭ出力の発生源位置へのマッピングに基づくことができる。例えば、マッピングは、様々な非患者固有の構成パラメータまたは患者固有の構成パラメータに対してシミュレーションを実行することによって生成され得る。シミュレーションの実行は、上記のようにＭＬＭＯシステムによって実行され得る。各シミュレーションに対して導出されたＥＭデータは、シミュレーションで使用される発生源位置にマッピングされる。ＡＩＳＬシステムは、患者の導出されたＥＭデータをシミュレーションの導出されたＥＭデータと比較して一致を識別し、一致する導出されたＥＭデータの発生源位置を患者発生源位置として選択することによって、患者発生源位置を識別し得る。ＡＩＳＬシステムは、マッピングをトレーニングデータとして使用して、ＭＬＭＯシステムによってトレーニングされた分類器を使用して患者発生源位置を識別することもできる。さらに、患者発生源位置を識別する前に、ＡＩＳＬシステムは上記のようにＣＳＣシステムを使用してマッピングを較正することができる。
ＡＩＳＬシステムは、心臓である臓器と人間である患者との文脈で主に説明されているが、ＡＩＳＬシステムは、他の臓器（脳や肝臓など）や人間以外の臓器（馬や霊長類など）に対して使用されてもよい。臓器が心臓である場合、障害は、例えば、不整脈、頻脈、または細動である可能性があり、発生源位置は、旋回または巣状興奮である可能性がある。
図６７は、いくつかの実施形態における、ＡＩＳＬシステムの全体的な処理を示すフロー図である。画像データ増強コンポーネント６６８０は、増強された画像データを生成する。ブロック６６８１では、コンポーネントは、瘢痕位置などの患者基質位置とともに、ＤＩＣＯＭ形式で患者の心臓の３Ｄ画像などの画像データを入力する。基質の位置は、電気生理学者が３Ｄ画像に基質の位置の表示を手動で重ね合わせるか、画像データのメタデータとして基質の位置を追加することによって提供された可能性がある。３Ｄ画像と患者基質位置との組み合わせは、基質マップと呼ぶことができる。ブロック６６８２では、コンポーネントは、ＣＳＣシステムを使用して、例えば、患者のものと同様の基質の位置および心臓形状に関連付けられたマッピングに基づいて、較正されたマッピングのライブラリを生成することができる。ブロック６６８３では、コンポーネントは、患者のＥＣＧと一致する較正されたマッピングのＥＣＧを識別する。ブロック６６８４では、コンポーネントは、一致するＥＣＧの発生源位置を患者発生源位置として画像データに追加して、増強された画像データを生成する。ブロック６６８５では、コンポーネントは増強された画像データを出力し、その後完了する。
図６８は、いくつかの実施形態における、ＡＩＳＬシステムのコンポーネントを示すブロック図である。ＡＩＳＬシステム６８００は、患者の心臓の３Ｄ画像、患者基質位置、および任意選択で患者のＥＣＧを含む、患者の画像データを受信する。ＡＩＳＬコンポーネントは、患者の非洞調律ＥＣＧも受信する。非洞調律ＥＣＧは、例えば、臨床的に誘発された（例えば、ペーシングによって）不整脈の間に、患者から収集され得る。ＡＩＳＬシステムは、３Ｄ画像、患者基質位置、および識別された患者発生源位置を含む増強された画像データを出力する。ＡＩＳＬシステムは、画像データ増強コンポーネント６８０１、較正ライブラリ生成コンポーネント６８０２、一致ＥＣＧ識別コンポーネント６８０３、および発生源位置追加コンポーネント６８０４を含む。ＡＩＳＬシステムはまた、患者固有のライブラリ６８０５、臨床ライブラリ６８０６、モデルライブラリ６８０７、および較正ライブラリ６８０８を含む。画像データ増強コンポーネントは、ＡＩＳＬシステムの全体的な処理を制御する。較正ライブラリ生成コンポーネントは、患者に合わせて較正されたマッピングのライブラリを生成する。一致識別コンポーネントは、患者の非洞調律ＥＣＧと一致する較正ライブラリのＥＣＧを識別する。発生源位置追加コンポーネントは、患者発生源位置を画像データに追加して、増強された画像データを生成する。患者固有のライブラリには、患者から導出された構成パラメータに基づくシミュレーションから生成されたＥＣＧのマッピングが含まれる。臨床ライブラリには、実際の患者から収集されたＥＣＧから導出されたＥＣＧの位置のマッピングが含まれる。モデルライブラリは、非患者固有の構成パラメータに基づくシミュレーションから生成されたＥＣＧのマッピングが含まれる。較正ライブラリは、画像データとともに提供されるＥＣＧと同様のＥＣＧを有し、患者と同様の構成パラメータを使用して生成されたなどによって、患者に対して較正されたＥＣＧのマッピングを含む。各ライブラリは、ＥＣＧをＥＣＧに関連付けられた発生源位置にマッピングする。
図６９は、いくつかの実施形態における、ＡＩＳＬシステムの較正ライブラリ生成コンポーネントのフロー図である。較正ライブラリ生成６９００は、ＡＩＳＬシステムによって受信された較正ライブラリの所与の画像データを生成するために呼び出される。ブロック６９０１では、コンポーネントは、画像データから患者基質位置を取得する。ブロック６９０２では、コンポーネントは、画像データからＥＣＧを取得する。ブロック６９０３では、コンポーネントは、画像を分析して、患者の心臓の形状を識別する。ブロック６９０４では、コンポーネントは、患者の心臓の形状と類似している心臓形状に関連付けられたＥＣＧを識別する。ブロック６９０５では、コンポーネントは、画像データのＥＣＧに類似するＥＣＧを識別する。ブロック６８６では、コンポーネントは、識別されたＥＣＧの発生源位置へのマッピングを較正ライブラリに追加する。その後、コンポーネントは完了する。
図７０は、一致ＥＣＧ識別コンポーネントの処理を示すフロー図である。一致ＥＣＧ識別コンポーネント７０００は、患者の非洞調律ＥＣＧに一致する１つまたは複数のＥＣＧを識別するために呼び出される。ブロック７００１では、コンポーネントは非洞調律ＥＣＧを取得する。ブロック７００２では、コンポーネントは、患者の非洞調律ＥＣＧと一致する較正ライブラリのＥＣＧを識別する。その後、コンポーネントは完了する。
図７１は、いくつかの実施形態における、ＡＩＳＬシステムの発生源位置追加コンポーネントの処理を示すフロー図である。発生源位置追加コンポーネント７１００は、発生源位置を画像データに追加して、増強された画像データを生成する。ブロック７１０１では、コンポーネントは、一致するＥＣＧの発生源位置を取得する。ブロック７１０２で、コンポーネントは発生源位置を画像データに追加し、その後完了する。いくつかの実施形態では、一致ＥＣＧ識別コンポーネントは、複数の一致するＥＣＧを識別することができる。そのような場合、コンポーネントは、複数の一致するＥＣＧの発生源位置に基づいて患者発生源位置を生成することができる。例えば、コンポーネントは発生源位置の平均を取ることができる。別の例として、コンポーネントは、クラスタリング手法を発生源位置に適用し、最大のクラスタの平均をとることができる。コンポーネントはまた、例えば、２つの最大のクラスタのそれぞれに１つなど、複数の患者発生源位置を画像データに追加することもできる。
いくつかの実施形態では、ＡＩＳＬシステムは、画像データのＥＣＧが収集されるときにキャプチャされる患者の４Ｄ ＣＴ画像を受信する。画像キャプチャシステムは、各心臓サイクル中に複数の３Ｄ ＣＴ画像をキャプチャすることができる。例えば、３Ｄ ＣＴ画像は、２５ミリ秒のキャプチャ間隔でキャプチャされ得る。４Ｄ ＣＴ画像は、３Ｄ ＣＴ画像の収集である。１サイクルが１秒で、３Ｄ ＣＴ画像が３０サイクルの間キャプチャされた場合、４Ｄ ＣＴ画像は１２００個の３Ｄ ＣＴ画像の収集になる（すなわち、３０×１０００／２５）。画像キャプチャシステムは、ＥＣＧのＰ波によって示される拡張期の終わりなど、各サイクルの同じ開始点で３Ｄ ＣＴ画像のキャプチャを開始することができる。画像キャプチャシステムは、患者のＥＣＧをリアルタイムで分析して、各サイクルの開始点を識別することができる。サイクルがキャプチャ間隔の正確な倍数になる可能性は低いため、画像キャプチャシステムは、現在のサイクルが次のサイクルの開始点に近い（例えば、１０ミリ秒以内）と判断し、次のサイクルの開始点で次の３Ｄ ＣＴ画像をキャプチャする。画像キャプチャシステムは、固定ではなく変動するキャプチャ間隔を使用してもよい。画像キャプチャシステムは、サイクル毎に変動するキャプチャ間隔を使用することができる。例えば、４０個の３Ｄ ＣＴ画像がサイクル毎にキャプチャされ、最後のサイクルが０．８秒だった場合、画像キャプチャシステムはキャプチャ間隔を２０ミリ秒に設定できる。ただし、最後のサイクル（または最後の１０サイクルの平均）が１．２秒だった場合、画像キャプチャシステムはキャプチャ間隔を３０ミリ秒に送信することができる。
いくつかの実施形態では、ＡＩＳＬシステムに入力される画像データは、ＤＩＣＯＭ形式の１サイクルの４Ｄ ＣＴ画像を含むことができ、患者の患者基質位置を含むことができる。電気生理学者は、４Ｄ ＣＴ画像を確認して、患者基質位置を識別することができる。電気生理学者が４Ｄ ＣＴ画像上に患者基質位置のマーキングを重ね合わせるか、またはメタデータとして患者基質位置の座標を画像データに追加することによって、患者基質位置を画像データに追加することができる。４Ｄ ＣＴ画像のキャプチャ中に収集されたＥＣＧは、画像データにメタデータを追加できる。
いくつかの実施形態では、患者基質位置は、３Ｄ ＣＴ画像の参照フレーム内の３Ｄ座標によってそれぞれが指定される位置の集合によって定義され得る。３Ｄ座標の各次元（例えば、ｘ、ｙ、ｚ）は、基質のサイズを示すための半径を有し得る。ＡＩＳＬシステムは、位置の集合を使用して、位置ごとに、基質の位置および基質の体積（半径によって定義される）の表示を３Ｄ ＣＴ画像上に追加することができる。基質の位置及び基質の体積の表示は、基質マスクと呼ばれる。基質マスクを追加するために、ＡＩＳＬシステムは、各体積内にあるボクセルを識別し、ボクセルが基質の一部であることを示すものとして、識別された各ボクセルの強度を基質強度に設定することができる。基質強度はハンスフィールド単位（ＨＵ）として指定でき、これは、Ｘ線が物体（骨など）を通過するときのＸ線の減衰の単位である。基質強度は、臓器の３Ｄ ＣＴ画像には通常見られない強度（例えば、９０００ ＨＵ）であり得る。ＡＩＳＬシステムは、同様の方法で、患者発生源位置に対応する発生源マスクを３Ｄ ＣＴ画像に追加することもできる。患者発生源位置は、ＥＣＧの発生源位置へのマッピングから導出された発生源位置および発生源位置体積の集合によって指定することができる。各ＥＣＧは、１つ以上の発生源位置と発生源体積にマッピングできる。したがって、増強された３Ｄ ＣＴ画像は、基質マスク及び／または発生源マスクを含み得る。基質マスク及び発生源マスクは、それらを区別するために異なる強度値を有し得る。次に、そのような増強された３Ｄ ＣＴ画像を表示して、患者に治療の情報を提供することができる。
いくつかの実施形態では、ＡＩＳＬシステムは、一致する導出されたＥＭデータに関連付けられたシミュレーション臓器の形状を、３Ｄ ＣＴ画像によって表される患者の患者臓器の形状に位置合わせすることによって、３Ｄ ＣＴ画像上でより正確に発生源位置を位置付けることができる。形状を位置合わせするために、ＡＩＳＬシステムは、シミュレーション臓器内の指定された位置（またはより一般的には指定された体積）を患者臓器内の対応する指定された位置にマッピングする変換行列を生成し得る。次に、ＡＩＳＬシステムは、変換行列を使用して、患者発生源位置を３Ｄ ＣＴ画像上の発生源位置に変換し、変換された患者発生源位置を３Ｄ ＣＴ画像に追加することができる。変換には、３Ｄ ＣＴ画像の回転、並進、スケーリング、およびせん断が含まれ得る。
臓器が心臓である場合、指定された位置は、例えば、心臓／弁平面、隔壁の中央、ＬＶ／ＲＶ 尖端、大動脈弁、及び／または僧帽弁であってよい。ＡＩＳＬシステムは、自動化技術を使用して、患者の臓器で指定された位置を識別することができる。例えば、ＡＩＳＬシステムは、指定された位置（例えば、大動脈弁）でラベル付けされた３Ｄ画像を含むトレーニングデータで訓練される畳み込みニューラルネットワークを使用することができる。代替で、または追加で、ＡＩＳＬシステムは、人から患者臓器上の指定された位置の表示を受け取ることができる。指定された位置は「基準マーカー」として機能する。
いくつかの実施形態では、ＡＩＳＬシステムは、複数のサイクルにわたって収集された３Ｄ ＣＴ画像を表す患者の４Ｄ ＣＴ画像を受信することができる。ＡＩＳＬシステムは、マッピングを較正するときにその患者の４Ｄ ＣＴ画像を使用してもよい。例えば、ＡＩＳＬシステムは、シミュレーション中、患者の４Ｄ ＣＴ画像によって表される患者の心臓の動きを心臓メッシュの動きと比較することができる。このような場合、患者固有及びモデルライブラリには、ライブラリのＥＣＧが生成されたメッシュのシーケンスが含まれてもよい。また、臨床ライブラリには、ＥＣＧが臨床患者から収集されたときにキャプチャされた臨床４Ｄ ＣＴ画像が含まれてもよい。ＡＩＳＬシステムは、患者の４Ｄ ＣＴ画像と臨床の４Ｄ ＣＴ画像との比較に基づいて較正を行うことができる。
図７２は、いくつかの実施形態における、キャプチャ４Ｄ ＣＴ画像コンポーネントの処理を示すフロー図である。キャプチャ４Ｄ ＣＴ画像コンポーネント７２００は、患者のＥＣＧを受信し、信号は３Ｄ ＣＴ画像をキャプチャするために送られ、各３Ｄ ＣＴ画像を４Ｄ ＣＴ画像の一部として格納する。ブロック７２０１では、コンポーネントはキャプチャ時間とサイクルカウントとを初期化する。ブロック７２０２では、コンポーネントは、収集されているときにＥＣＧを分析して、次のサイクルのキャプチャのための開始点を特定する。ブロック７２０３では、コンポーネントは３Ｄ ＣＴ画像のキャプチャを指示する。ブロック７２０４では、コンポーネントは、３Ｄ ＣＴ画像を、時間およびサイクルカウントによって索引付けされた４Ｄ ＣＴデータ構造に格納する。ブロック７２０５では、コンポーネントは、キャプチャ間隔だけ時間を増分する。決定ブロック７２０６では、４Ｄ ＣＴ画像のキャプチャが終了される場合、コンポーネントは完了し、そうでない場合、コンポーネントはブロック７２０７に続く。ブロック７２０７では、コンポーネントは、キャプチャ間隔の終了時または次のサイクルの開始点にある次のキャプチャポイントを待機する。決定ブロック７２０８では、キャプチャポイントが次のサイクルの開始点である場合、コンポーネントはブロック７２０９に継続し、そうでない場合、コンポーネントはブロック７２０３に戻って次の３Ｄ ＣＴ画像をキャプチャする。ブロック７２０９では、コンポーネントは、時間をゼロにリセットし、サイクルカウントを増分し、次に、ブロック７２０３に戻って、次の３Ｄ ＣＴ画像をキャプチャする。
下記の段落は、ＭＬＭＯシステム及び他のシステムの態様の様々な実施形態を説明する。システムの実装は、実施形態の任意の組み合わせを採用し得る。下記に説明される処理は、プロセッサを有するコンピューティングシステムにより実行され得、プロセッサは、システムを実施するコンピュータ可読記憶媒体に格納されたコンピュータ実行可能命令を実行する。
いくつかの実施形態では、体内の電磁源から導出された電磁データを分類する分類器を生成するために、１つ以上のコンピューティングシステムにより実行される方法が提供される。方法は、電磁源の計算モデルにアクセスし、計算モデルは、電磁源の発生源構成に基づいて、電磁源の経時的な電磁出力をモデル化するために使用される。複数の発生源構成のそれぞれに関して、方法は、計算モデルを使用して、その発生源構成の電磁源のモデル化電磁出力を生成する。方法は、各モデル化電磁出力に関して、モデル化電磁出力の電磁データを導出し、モデル化電磁データの発生源構成に基づいて、導出した電磁データのラベルを生成する。方法は、導出電磁データで分類器を訓練し、次に導出電磁データを訓練データとしてラベル付けする。いくつかの実施形態では、発生源構成のモデル化電磁出力は、複数の時間間隔のそれぞれに関して、電磁源の複数の位置それぞれのモデル化電磁値を有する電磁メッシュを含む。いくつかの実施形態では、時間間隔の導出電磁データは、電磁出力の同等の発生源表現である。いくつかの実施形態では、同等の発生源表現は、主成分分析を使用して生成される。いくつかの実施形態では、方法はさらに、モデル化電磁出力の導出電磁データ内の周期を識別する。いくつかの実施形態では、各周期に同じラベルが生成される。いくつかの実施形態では、方法はさらに、類似する周期のシーケンスを識別し、各シーケンスに同じラベルが生成される。いくつかの実施形態では、モデル化電磁出力の電磁データの導出は、周期ごとにモデル化電磁出力を正規化することを含む。いくつかの実施形態では、分類器は、畳み込みニューラルネットワークである。いくつかの実施形態では、畳み込みニューラルネットワークは、一次元画像を入力する。いくつかの実施形態では、分類器は、リカレントニューラルネットワーク、オートエンコーダ、制限付きボルツマンマシン、または他の種類のニューラルネットワークである。いくつかの実施形態では、分類器は、サポートベクトルマシンである。いくつかの実施形態では、分類器は、ベイズ分類器である。いくつかの実施形態では、電磁源は心臓であり、発生源構成は、心臓障害の発生源位置及び他の特性を表し、モデル化電磁出力は、心臓の活性化を表し、電磁データは、心電図などの体表面測定に基づく。いくつかの実施形態では、心臓障害は、不適切洞頻拍（「ＩＳＴ」）、異所性心房調律、接合部調律、心室補充調律、心房細動（「ＡＦ」）、心室細動（「ＶＦ」）、巣状心房頻拍（「巣状ＡＴ」）、心房マイクロリエントリ、心室頻拍（「ＶＴ」）、心房粗動（「ＡＦＬ」）、心室性期外収縮（「ＰＶＣ」）、心房性期外収縮（「ＰＡＣ」）、房室結節リエントリ性頻拍（「ＡＶＮＲＴ」）、房室リエントリ性頻拍（「ＡＶＲＴ」）、永続性接合部回帰頻拍（「ＰＪＲＴ」）、及び接合部頻拍（「ＪＴ」）から成る集合から選択される。
いくつかの実施形態では、体内の電磁源である標的から収集した電磁出力を分類するために、コンピューティングシステムにより実行される方法が提供される。方法は、分類器にアクセスして、電磁源の電磁出力の分類を生成する。分類器は、電磁源の複数の発生源構成のモデル化電磁出力から生成された訓練データを使用して、訓練される。モデル化電磁出力は、発生源構成に基づいて電磁源の経時的な電磁出力をモデル化する電磁源の計算モデルを使用して、生成される。方法は、標的からの標的電磁出力を収集する。方法は、標的電磁出力に分類器を適用して、標的の分類を生成する。いくつかの実施形態では、訓練データは、発生源構成のそれぞれに関して、シミュレーションを実行することにより生成され、シミュレーションは、複数のシミュレーション間隔それぞれの電磁メッシュを生成し、各電磁メッシュは、電磁源の複数の位置に関して電磁値を有する。いくつかの実施形態では、電磁源は心臓であり、発生源構成は、心臓障害の発生源位置を表し、モデル化電磁出力は、心臓の活性化を表し、分類器は、電磁出力の心電図表現から導出された電磁データを使用して訓練される。
いくつかの実施形態では、電磁源の電磁出力を分類する分類器を生成するための１つ以上のコンピューティングシステムが提供される。１つ以上のコンピューティングシステムは、１つ以上のコンピュータ可読記憶媒体と、１つ以上のコンピュータ可読記憶媒体に格納されたコンピュータ実行可能命令を実行するための１つ以上のプロセッサとを含む。１つ以上のコンピュータ可読記憶媒体は、電磁源の計算モデルを格納する。計算モデルは、電磁源の発生源構成に基づいて、電磁源の経時的な電磁出力をモデル化する。１つ以上のコンピュータ可読記憶媒体は、１つ以上のコンピューティングシステムを制御して、複数の発生源構成のそれぞれに関して、発生源構成に基づく計算モデルの電磁出力から訓練データを生成し、訓練データを使用して分類器を訓練することを、実行させるコンピュータ実行可能命令を格納する。いくつかの実施形態では、発生源構成の訓練データを生成するコンピュータ実行可能命令はさらに、１つ以上のコンピューティングシステムを制御して、発生源構成の電磁出力から導出電磁データを生成し、発生源構成に基づいて電磁データのラベルを生成することを、実行させる。
いくつかの実施形態では、体内の電磁源のシミュレート解剖構造を生成するために、コンピューティングシステムにより実行される方法が提供される。方法は、電磁源のシード解剖構造にアクセスする。各シード解剖構造は、電磁源の複数の解剖構造パラメータのそれぞれに関して、シード値を有する。方法は、各シード解剖構造の重みを含む重み集合にアクセスする。解剖構造パラメータのそれぞれに関して、方法は、その解剖構造パラメータのシード値を組み合わせて、シード解剖構造の重みを計算に取り入れることにより、その解剖構造パラメータのシミュレート値を生成する。いくつかの実施形態では、方法は、母集団で見つかる解剖構造パラメータの値との比較に基づいて、シミュレート解剖構造を検証する。いくつかの実施形態では、解剖構造パラメータは電磁源の寸法を含み、寸法のシミュレート値は、母集団内の患者がその寸法に関してシミュレート値とほぼ同じ値を有する場合、有効と認められる。いくつかの実施形態では、シード解剖構造の解剖構造パラメータは、体内の実際の電磁源をスキャンすることにより収集される。いくつかの実施形態では、電磁源は心臓である。いくつかの実施形態では、方法は、解剖構造パラメータのシミュレート値を、その解剖構造パラメータのシード値の加重平均に基づいて生成する。いくつかの実施形態では、方法はさらに、複数のシミュレート解剖構造を生成し、各シミュレート解剖構造は、異なる重み集合に基づく。
いくつかの実施形態では、心臓のシミュレート解剖構造を生成するためのコンピューティングシステムが提供される。コンピューティングシステムは、心臓のシード解剖構造を格納する１つ以上のコンピュータ可読記憶媒体を備え、各シード解剖構造は、心臓の複数の解剖構造パラメータのそれぞれに関して、シード値を有する。１つ以上のコンピュータ可読記憶媒体はまた、重み集合を格納し、各重み集合は、各シード解剖構造の重みを含む。１つ以上のコンピュータ可読記憶媒体は、コンピューティングシステムを制御して、各重み集合及びその重み集合の解剖構造パラメータのそれぞれに関して、その解剖構造パラメータのシード値を組み合わせて、シード解剖構造の重みを計算に取り入れることにより、その解剖構造パラメータのシミュレート値を生成することを、実行させるコンピュータ実行可能命令を格納する。コンピューティングシステムはさらに、１つ以上のコンピュータ可読記憶媒体に格納されたコンピュータ実行可能命令を実行するための１つ以上のプロセッサを備える。いくつかの実施形態では、命令はさらに、コンピューティングシステムを制御して、母集団で見つかる解剖構造パラメータの値との比較に基づいて、各シミュレート解剖構造を検証することを、実行させる。いくつかの実施形態では、解剖構造パラメータは、心臓の壁の厚さ及び心腔の寸法を含む。いくつかの実施形態では、寸法のシミュレート値は、母集団内の患者がその寸法に関してシミュレート値とほぼ同じ値を有する場合、有効と認められる。いくつかの実施形態では、シード解剖構造は、母集団で見つかる極端な心臓を表す。いくつかの実施形態では、シード解剖構造の解剖構造パラメータは、心臓をスキャンすることにより収集される。いくつかの実施形態では、解剖構造パラメータのシミュレート値の生成は、その解剖構造パラメータのシード値の加重平均に基づく。いくつかの実施形態では、心臓をモデル化する不整脈モデルライブラリを生成するために、コンピューティングシステムにより実行される方法が提供される。方法は、心臓の解剖構造パラメータのシミュレート解剖構造にアクセスする。シミュレート解剖構造は、心臓の解剖構造パラメータのシード解剖構造と、各シード解剖構造の重みを含む重み集合とに基づいて生成される。方法は、構成パラメータにアクセスし、構成パラメータには、胴体解剖構造、正常な心臓解剖構造及び異常な心臓解剖構造、正常な心臓組織及び異常な心臓組織、瘢痕、線維症、炎症、浮腫、副伝導路、先天性心疾患、悪性腫瘍、前のアブレーション部位、前の手術部位、外照射療法部位、ペーシングリード、植込み型除細動器リード、心臓再同期療法リード、ペースメーカーパルス発生器位置、植込み型除細動器パルス発生器位置、皮下除細動器リード位置、皮下除細動器パルス発生器位置、リードレスペースメーカ位置、他の植込み型ハードウェア（例えば右心室補助装置または左心室補助装置）、体外式除細動電極、表面ＥＣＧリード、表面マッピングリード、マッピングベスト、並びに心臓内の他の正常分布及び病態生理学的特徴分布、心臓の活動電位動態、心臓の伝導率集合、及び心臓内の不整脈発生源位置などのうちの１つ以上が含まれる。方法は、発生源構成を確立し、各発生源構成は、シミュレート解剖構造、及び電気生理学パラメータの組み合わせに基づく。複数の発生源構成のそれぞれに関して、方法は、その発生源構成のシミュレート解剖構造に基づいて、頂点を有するメッシュを生成し、メッシュの各頂点に関して、その発生源構成の電気生理学パラメータの組み合わせに基づいて、心臓の計算モデルのモデルパラメータを生成する。その頂点での電磁伝搬をモデル化する計算モデルは、その発生源構成の電気生理学パラメータに基づく。いくつかの実施形態では、方法は、心臓のシード解剖構造にアクセスすることによりシミュレート解剖構造を生成することであって、各シード解剖構造は心臓の解剖構造パラメータそれぞれのシード値を有する、当該生成することと、各シード解剖構造の重みを含む重み集合にアクセスすることと、解剖構造パラメータのそれぞれに関して、その解剖構造パラメータのシード値を組み合わせて、シード解剖構造の重みを計算に取り入れることにより、その解剖構造パラメータのシミュレート値を生成することと、を実行する。いくつかの実施形態では、シミュレート解剖構造は、母集団で見つかる解剖構造パラメータの値との比較に基づいて、検証される。いくつかの実施形態では、シード解剖構造の解剖構造パラメータは、実際の心臓をスキャンすることにより収集される。いくつかの実施形態では、複数の発生源構成のそれぞれに関して、方法は、心臓の計算モデルを使用して、その発生源構成の心臓のモデル化電磁出力を生成する。いくつかの実施形態では、各発生源構成に関して、方法は、その発生源構成に基づくモデル化電磁出力の訓練データを生成し、訓練データを使用して、心臓の電磁出力を分類するための分類器を訓練する。
いくつかの実施形態では、体内の電磁源のモデルのモデルライブラリを生成するためのコンピューティングシステムが提供される。コンピューティングシステムは、コンピュータ実行可能命令を格納する１つ以上のコンピュータ可読記憶媒体と、１つ以上のコンピュータ可読記憶媒体に格納されたコンピュータ実行可能命令を実行するための１つ以上のプロセッサと、を備える。命令は、コンピューティングシステムを制御して、シード解剖構造から電磁源の解剖構造パラメータのシミュレート解剖構造を生成し、シミュレート解剖構造及び構成パラメータの組み合わせに各自基づく発生源構成を生成することを、実行させる。命令は、コンピューティングシステムを制御して、複数の発生源構成のそれぞれに関して、その発生源構成のシミュレート解剖構造に基づいて、頂点を有するメッシュを生成し、メッシュの各頂点に関して、その発生源構成の構成パラメータの組み合わせに基づいて、電磁源の計算モデルのモデルパラメータを生成することを、実行させる。いくつかの実施形態では、頂点での電磁伝搬をモデル化する計算モデルは、発生源構成の構成パラメータに基づく。いくつかの実施形態では、シミュレート解剖構造は、シード解剖構造の解剖構造パラメータと、各シード解剖構造の重みを含む重み集合とに基づいて、生成される。いくつかの実施形態では、電磁源は心臓であり、構成パラメータには、胴体解剖構造、正常な心臓解剖構造及び異常な心臓解剖構造、正常な心臓組織及び異常な心臓組織、瘢痕、線維症、炎症、浮腫、副伝導路、先天性心疾患、悪性腫瘍、前のアブレーション部位、前の手術部位、外照射療法部位、ペーシングリード、植込み型除細動器リード、心臓再同期療法リード、ペースメーカーパルス発生器位置、植込み型除細動器パルス発生器位置、皮下除細動器リード位置、皮下除細動器パルス発生器位置、リードレスペースメーカ位置、他の植込み型ハードウェア（例えば右心室補助装置または左心室補助装置）、体外式除細動電極、表面ＥＣＧリード、表面マッピングリード、マッピングベスト、並びに心臓内の他の正常分布及び病態生理学的特徴分布、心臓の活動電位動態、心臓の伝導率集合、及び心臓内の不整脈発生源位置のうちの１つ以上が含まれる。いくつかの実施形態では、シミュレート解剖構造は、母集団で見つかる解剖構造パラメータの値との比較に基づいて、検証される。いくつかの実施形態では、シード解剖構造の解剖構造パラメータは、実際の電磁源をスキャンすることにより収集される。いくつかの実施形態では、コンピュータ実行可能命令はさらに、コンピューティングシステムを制御して、複数の発生源構成のそれぞれに関して、電磁源の計算モデルを使用して、その発生源構成の電磁源のモデル化電磁出力を生成することを、実行させる。いくつかの実施形態では、コンピュータ実行可能命令はさらに、コンピューティングシステムを制御して、各発生源構成に関して、その発生源構成に基づくモデル化電磁出力の訓練データを生成し、訓練データを使用して、電磁源の電磁出力を分類するための分類器を訓練することを、実行させる。
いくつかの実施形態では、体内の電磁源のモデルのモデルライブラリを生成するために、コンピューティングシステムにより実行される方法が提供される。方法は、電磁源の解剖構造パラメータのシミュレート解剖構造にアクセスする。方法は、発生源構成を生成し、各発生源構成は、シミュレート解剖構造、及び構成パラメータの組み合わせに基づく。複数の発生源構成のそれぞれに関して、方法は、その発生源構成のシミュレート解剖構造、その発生源構成の構成パラメータの組み合わせ、及び電磁源の計算モデルに基づいて、モデルを生成する。いくつかの実施形態では、モデルの生成は、その発生源構成のシミュレート解剖構造に基づいてメッシュを生成することと、メッシュの各頂点に関して、その発生源構成の構成パラメータの組み合わせに基づいて、電磁源の計算モデルのモデルパラメータを生成することと、を含む。いくつかの実施形態では、計算モデルは、発生源構成の構成パラメータに基づいて、頂点での電磁伝搬をモデル化するためのものである。いくつかの実施形態では、電磁源は心臓であり、モデルは不整脈モデルである。いくつかの実施形態では、方法はさらに、シード解剖構造の解剖構造パラメータと、各シード解剖構造の重みを含む重み集合とに基づいて、シミュレート解剖構造を生成する。いくつかの実施形態では、電磁源は心臓であり、構成パラメータには、人の胴体、正常な心臓解剖構造及び異常な心臓解剖構造、正常な心臓組織及び異常な心臓組織、瘢痕、線維症、炎症、浮腫、副伝導路、先天性心疾患、悪性腫瘍、前のアブレーション部位、前の手術部位、外照射療法部位、ペーシングリード、植込み型除細動器リード、心臓再同期療法リード、ペースメーカーパルス発生器位置、植込み型除細動器パルス発生器位置、皮下除細動器リード位置、皮下除細動器パルス発生器位置、リードレスペースメーカ位置、他の植込み型ハードウェア（例えば右心室補助装置または左心室補助装置）、体外式除細動電極、表面ＥＣＧリード、表面マッピングリード、マッピングベスト、並びに心臓内の他の正常分布及び病態生理学的特徴分布、心臓の活動電位動態、心臓の伝導率集合、及び心臓内の不整脈発生源位置などのうちの１つ以上が含まれる。
いくつかの実施形態では、体部位のシミュレート解剖構造の重みを提示するために、コンピューティングシステムにより実行される方法が提供される。方法は、体部位のシード解剖構造にアクセスする。各シード解剖構造は、体部位の複数の解剖構造パラメータそれぞれのシード値を有する。体部位の複数のシード解剖構造のそれぞれに関して、方法は、そのシード解剖構造の解剖構造パラメータのシード値に基づいて、体部位のシード表現を表示する。方法は、各シード解剖構造の重みを含む重み集合にアクセスする。方法は、各解剖構造パラメータに関して、その解剖構造パラメータのシード解剖構造のシード値を組み合わせて、シード解剖構造の重みを計算に取り入れることにより、各解剖構造パラメータのシミュレート値に基づいて、体部位のシミュレート表現を表示する。いくつかの実施形態では、円形配置で表示されたシミュレート表現と共に、シード表現が円形配置で表示される。いくつかの実施形態では、方法はさらに、シード解剖構造の各表示シード表現に伴い、そのシード解剖構造に対応付けられた重みの指示を表示する。いくつかの実施形態では、方法はさらに、各表示シード表現と表示シミュレート表現との間に線を表示し、シード解剖構造の重みの表示指示は、そのシード解剖構造の表示シード表現と表示シミュレート表現との間の表示線に対応付けられて表示される。いくつかの実施形態では、方法はさらに、各シード解剖構造の重みを指定するためのユーザインターフェース要素を提供する。いくつかの実施形態では、方法は、複数の重み集合を指定するためのユーザインターフェース要素を提供し、各集合は、各シード解剖構造の重みを含む。いくつかの実施形態では、複数の重み集合は、重みの範囲及び増分を提供することにより、指定される。いくつかの実施形態では、体部位は心臓である。いくつかの実施形態では、体部位は肺である。いくつかの実施形態では、体部位は胴体表面である。
いくつかの実施形態では、体部位のシミュレート解剖構造を提示するためのコンピューティングシステムが提供される。コンピューティングシステムは、コンピュータ実行可能命令を格納する１つ以上のコンピュータ可読記憶媒体と、１つ以上のコンピュータ可読記憶媒体に格納されたコンピュータ実行可能命令を実行するための１つ以上のプロセッサと、を備える。命令は、コンピューティングシステムを制御して、体部位の複数のシード解剖構造のそれぞれに関して、そのシード解剖構造の解剖構造パラメータのシード値に基づいて、体部位のシード表現を表示し、解剖構造パラメータのシード解剖構造のシード値の加重組み合わせから導出された解剖構造パラメータのシミュレート値を有するシミュレート解剖構造に基づいて、体部位のシミュレート表現を表示することを、実行させる。いくつかの実施形態では、コンピュータ実行可能命令はさらに、コンピューティングシステムを制御して、各解剖構造パラメータに関して、その解剖構造パラメータのシード解剖構造のシード値を組み合わせて、シード解剖構造の重みを計算に取り入れることで、その解剖構造パラメータのシミュレート値を生成することにより、シミュレート解剖構造を生成することを、実行させる。いくつかの実施形態では、円形配置で表示されたシミュレート表現と共に、シード表現が円形配置で表示される。いくつかの実施形態では、コンピュータ実行可能命令はさらに、コンピューティングシステムを制御して、シード解剖構造の各表示シード表現に伴い、そのシード解剖構造に対応付けられた重みの指示を表示することを、実行させる。いくつかの実施形態では、コンピュータ実行可能命令はさらに、コンピューティングシステムを制御して、各重み集合が各シード解剖構造の重みを含む複数の重み集合を指定するためのユーザインターフェースを提供することを、実行させる。いくつかの実施形態では、複数の重み集合は、重みの範囲及び増分により指定される。
いくつかの実施形態では、心臓のシミュレート解剖構造を提示するために、コンピューティングシステムにより実行される方法が提供される。心臓の複数のシード解剖構造のそれぞれに関して、方法は、そのシード解剖構造の解剖構造パラメータのシード値に基づいて、心臓のシード表現を表示する。方法は、各解剖構造パラメータに関して、その解剖構造パラメータのシード解剖構造のシード値の加重組み合わせから生成されたその解剖構造パラメータのシミュレート値から導出されたシミュレート解剖構造に基づいて、心臓のシミュレート表現を表示する。いくつかの実施形態では、円形（例えば同心円）配置で表示されたシミュレート表現と共に、シード表現が円形配置で表示される。いくつかの実施形態では、方法はさらに、シード解剖構造の各表示シード表現に伴い、そのシード解剖構造に対応付けられた重みの指示を表示する。
いくつかの実施形態では、第１の多面体モデルを第２の多面体モデルに変換するために、コンピューティングシステムにより実行される方法が提供される。第１の多面体モデルは、第１の多面体を含む体積の第１の多面体メッシュを有する。第１の多面体の各頂点は、モデルパラメータを有する。方法は、第１の多面体から、第１の多面体モデルの表面の表現を生成する。方法は、第１の多面体とは異なる第２の多面体による表面を、体積に配置することにより、第２の多面体モデルの第２の多面体メッシュを生成する。第２の多面体メッシュの第２の多面体の複数の頂点のそれぞれに関して、方法は、その頂点に近接する第１の多面体の頂点のパラメータに基づいて、その頂点のモデルパラメータを補間する。いくつかの実施形態では、第１の多面体は六面体であり、第２の多面体は四面体である。いくつかの実施形態では、多面体メッシュは体部位を表す。いくつかの実施形態では、体部位は心臓である。いくつかの実施形態では、第１の多面体メッシュは原点を有し、方法は、モデルパラメータを補間する前に、第２の多面体メッシュを同じ原点にマッピングすることをさらに含む。いくつかの実施形態では、第１の多面体の各頂点は、複数のパラメータを有し、各モデルパラメータを補間する。いくつかの実施形態では、第１の多面体モデル及び第２の多面体モデルは、体内の電磁源の計算モデルを表し、方法はさらに、第２の多面体のメッシュに作用するように適合された問題解決器を使用して、第２の多面体モデルに基づいて、電磁源のモデル化電磁出力を生成する。いくつかの実施形態では、電磁源は心臓であり、方法はさらに、モデル化電磁出力からベクトル心電図を生成する。いくつかの実施形態では、第１の多面体モデル及び第２の多面体モデルは、（例えば心臓解剖構造または胴体解剖構造の）形状モデルである。いくつかの実施形態では、第１の多面体モデル及び第２の多面体モデルは、体内の電磁源のモデルを表し、方法はさらに、異なる発生源構成を表す複数の第１の多面体モデルを変換する。いくつかの実施形態では、電磁源は心臓であり、発生源構成は、線維構造、胴体解剖構造、正常な心臓解剖構造及び異常な心臓解剖構造、正常な心臓組織及び異常な心臓組織、瘢痕、線維症、炎症、浮腫、副伝導路、先天性心疾患、悪性腫瘍、前のアブレーション部位、前の手術部位、外照射療法部位、ペーシングリード、植込み型除細動器リード、心臓再同期療法リード、ペースメーカーパルス発生器位置、植込み型除細動器パルス発生器位置、皮下除細動器リード位置、皮下除細動器パルス発生器位置、リードレスペースメーカ位置、他の植込み型ハードウェア（例えば右心室補助装置または左心室補助装置）、体外式除細動電極、表面ＥＣＧリード、表面マッピングリード、マッピングベスト、並びに心臓内の他の正常分布及び病態生理学的特徴分布、活動電位動態、伝導率、及び不整脈発生源位置（複数可）などのうちの１つ以上を指定する。
いくつかの実施形態では、体部位の第１の多面体モデルを体部位の第２の多面体モデルに変換するためのコンピューティングシステムが提供される。コンピューティングシステムは、コンピュータ実行可能命令を格納する１つ以上のコンピュータ可読記憶媒体と、１つ以上のコンピュータ可読記憶媒体に格納されたコンピュータ実行可能命令を実行するための１つ以上のプロセッサと、を備える。コンピューティングシステムを制御して、第１の多面体モデルの表面の表現を生成するための命令。第１の多面体モデルは、第１の多面体に基づく第１の多面体メッシュを有する。命令は、コンピューティングシステムを制御して、第１の多面体とは異なる第２の多面体に基づく表面を、体積に配置することにより、第２の多面体モデルの第２の多面体メッシュを生成することを、実行させる。命令は、コンピューティングシステムを制御して、第２の多面体メッシュの第２の多面体の複数の頂点のそれぞれに関して、その頂点に近接する第１の多面体メッシュの第１の多面体の頂点のパラメータに基づいて、その頂点のモデルパラメータを補間することを、実行させる。いくつかの実施形態では、第１の多面体は六面体であり、第２の多面体は四面体である。いくつかの実施形態では、第１の多面体メッシュは原点を有し、コンピュータ実行可能命令はさらに、コンピューティングシステムを制御して、モデルパラメータを補間する前に、第２の多面体メッシュを同じ原点にマッピングすることを、実行させる。いくつかの実施形態では、第１の多面体モデル及び第２の多面体モデルは、心臓の計算モデルを表し、コンピュータ実行可能命令はさらに、コンピューティングシステムを制御して、第２の多面体のメッシュに作用するように適合された問題解決器を使用して、第２の多面体モデルに基づいて、電磁心臓のモデル化電磁出力を生成することを、実行させる。いくつかの実施形態では、コンピュータ実行可能命令はさらに、コンピューティングシステムを制御して、モデル化電磁出力からベクトル心電図を生成することを、実行させる。いくつかの実施形態では、第１の多面体モデル及び第２の多面体モデルは、（例えば心臓解剖構造または胴体解剖構造の）形状モデルである。
いくつかの実施形態では、第１の多面体モデルを第２のモデルに変換するために、コンピューティングシステムにより実行される方法が提供される。第１の多面体モデルは、第１の多面体を含む体積の第１の多面体メッシュを有する。第１の多面体の各頂点は、モデルパラメータを有する。方法は、第１の多面体から、第１の多面体モデルの表面の表現を生成する。第２のモデルの複数の点のそれぞれに関して、方法は、その頂点に近接するとみなされる第１の多面体の頂点のパラメータに基づいて、その点のモデルパラメータを補間する。いくつかの実施形態では、第２のモデルは、第２の多面体モデルであり、点は、第２の多面体モデルの頂点である。いくつかの実施形態では、第２のモデルは、等間隔のグリッド点で表現され、点は、グリッド点である。
いくつかの実施形態では、体内の電磁源の導出電磁データを生成するために、コンピューティングシステムにより実行される方法が提供される。方法は、電磁源の第１のモデルの経時的なモデル化電磁出力にアクセスする。第１のモデルは、第１の解剖構造を指定する第１の発生源構成に基づく。モデル化電磁出力は、電磁源の計算モデルを使用して生成される。計算モデルは、発生源構成に基づくモデルに基づいて、電磁源の経時的なモデル化電磁出力を生成するためのものである。方法は、第２の解剖構造を指定する第２の発生源構成に基づく電磁源の第２のモデルにアクセスする。方法は、第１の解剖構造と第２の解剖構造との差異を考慮して、電磁源の第１のモデルのモデル化電磁出力に基づいて、電磁源の第２のモデルの導出電磁データを生成する。いくつかの実施形態では、電磁源は心臓であり、導出電磁データは心拍動曲線である。いくつかの実施形態では、心拍動曲線は、ベクトル心電図である。いくつかの実施形態では、心拍動曲線は、心電図である。いくつかの実施形態では、モデルのモデル化電磁出力は、複数の時間間隔のそれぞれに関して、電磁メッシュの複数の頂点のそれぞれにモデル化電磁値を有する電磁メッシュを含む。いくつかの実施形態では、モデル化電磁出力は、電位解の集合である。
いくつかの実施形態では、心臓の心拍動曲線を生成するためのコンピューティングシステムが提供される。コンピューティングシステムは、心臓の第１の不整脈モデルの経時的なモデル化電磁出力を格納するための１つ以上のコンピュータ可読記憶媒体を備える。第１の不整脈モデルは、第１の解剖構造に基づく。モデル化電磁出力は、不整脈モデルに基づいて心臓の経時的なモデル化電磁出力を生成する心臓の計算モデルを使用して、生成される。１つ以上のコンピュータ可読記憶媒体は、第２の解剖構造に基づく第２の不整脈モデルを格納する。１つ以上のコンピュータ可読記憶媒体は、コンピューティングシステムを制御して、第１の解剖構造と第２の解剖構造との差異を考慮して、第１の不整脈モデルのモデル化電磁出力に基づいて、第２の不整脈モデルの心拍動曲線を生成することを、実行させるコンピュータ実行可能命令を格納する。コンピュータ実行可能命令を実行するための１つ以上のプロセッサを備えるコンピューティングシステムが１つ以上のコンピュータ可読記憶媒体に格納される。いくつかの実施形態では、心拍動曲線は、ベクトル心電図である。いくつかの実施形態では、心拍動曲線は、心電図である。いくつかの実施形態では、不整脈モデルのモデル化電磁出力は、複数の時間間隔のそれぞれに関して、電磁メッシュの複数の頂点のそれぞれにモデル化電磁値を有する電磁メッシュを含む。いくつかの実施形態では、モデル化電磁出力は、電位解の集合である。
いくつかの実施形態では、体内の電磁源のモデル化電磁出力の生成をブートストラップするために、コンピューティングシステムにより実行される方法が提供される。方法は、第１のシミュレーション間隔での電磁源の第１の発生源構成を有する第１のモデルの第１のモデル化電磁出力に、アクセスする。第１のモデル化電磁出力は、電磁源の計算モデルを使用して生成される。方法は、電磁源の第２の発生源構成を有する第２のモデルの第２のモデル化電磁出力を、第１のシミュレーション間隔のうちの１つの間隔の第１のモデル化電磁出力に初期化する。複数の第２のシミュレーション間隔のそれぞれに関して、方法は、計算モデルを使用して、初期化された第２のモデル化電磁出力に基づいて、電磁源の第２のモデルの第２のモデル化電磁出力を生成する。いくつかの実施形態では、電磁源は心臓であり、第２の発生源構成は、心臓内の瘢痕または線維症または催不整脈性基質の位置に基づいて、第１の発生源構成とは異なる。いくつかの実施形態では、電磁源は心臓であり、第１のモデル及び第２のモデルは不整脈モデルである。いくつかの実施形態では、モデルのモデル化電磁出力は、複数の時間間隔のそれぞれに関して、電磁メッシュの複数の頂点のそれぞれにモデル化電磁値を有する電磁メッシュを含む。いくつかの実施形態では、方法はさらに、複数の第１のシミュレーション間隔のそれぞれに関して、計算モデルを使用して、第１のモデルの第１のモデル化電磁出力を生成する。いくつかの実施形態では、方法は、第１のシミュレーション間隔の第１のモデル化電磁出力が安定化した後、第２のモデル化電磁出力を、第１のシミュレーション間隔の第１のモデル化電磁出力に初期化する。いくつかの実施形態では、電磁源は心臓であり、第１のモデル化電磁出力は、律動が安定化している。
いくつかの実施形態では、心臓のモデル化電磁出力の生成をブートストラップするためのコンピューティングシステムが提供される。コンピューティングシステムは、第１のシミュレーション間隔での心臓の第１の不整脈モデルの第１のモデル化電磁出力を格納するための１つ以上のコンピュータ可読記憶媒体を備え、第１のモデル化電磁出力は、心臓の計算モデルを使用して生成される。１つ以上のコンピュータ可読記憶媒体はまた、コンピューティングシステムを制御して、心臓の第２の不整脈モデルの第２のモデル化電磁出力を、第１のシミュレーション間隔のうちの１つの間隔の第１のモデル化電磁出力に初期化し、計算モデルを使用して、初期化した第２のモデル化電磁出力に基づいて、第２の不整脈モデルの第２のモデル化電磁出力をシミュレートすることを、実行させるコンピュータ実行可能命令を格納する。コンピューティングシステムはまた、１つ以上のコンピュータ可読記憶媒体に格納されたコンピュータ実行可能命令を実行するための１つ以上のプロセッサを備える。いくつかの実施形態では、第１の不整脈モデル及び第２の不整脈モデルは、心臓内の異なる瘢痕または線維症または催不整脈性基質の位置に基づく。いくつかの実施形態では、不整脈モデルのモデル化電磁出力は、複数の時間間隔のそれぞれに関して、電磁メッシュの複数の頂点のそれぞれにモデル化電磁値を有する電磁メッシュを含む。いくつかの実施形態では、コンピュータ実行可能命令はさらに、コンピューティングシステムを制御して、複数の第１のシミュレーション間隔のそれぞれに関して、計算モデルを使用して、第１の不整脈モデルの第１のモデル化電磁出力を生成することを、実行させる。いくつかの実施形態では、コンピュータ実行可能命令は、コンピューティングシステムを制御して、第１のシミュレーション間隔の第１のモデル化電磁出力が安定化した後、第２のモデル化電磁出力を、第１のシミュレーション間隔の第１のモデル化電磁出力に初期化することを、実行させる。いくつかの実施形態では、第１のモデル化電磁出力は、律動が安定化している。
いくつかの実施形態では、患者から収集された電磁データにマッチングする導出電磁データを識別するために、コンピューティングシステムにより実行される方法が提供される。電磁データは、体内の電磁源からの電磁出力を表す。方法は、電磁源の複数のモデル発生源構成のそれぞれに関して、そのモデル発生源構成と、そのモデル発生源構成に基づいて導出された電磁データとのマッピングにアクセスする。方法は、患者内の電磁源の発生源構成を表す患者発生源構成にアクセスする。方法は、患者発生源構成にマッチングするモデル発生源構成を識別する。方法は、識別したモデル発生源構成がマッピングされた導出電磁データから、患者電磁データにマッチングする導出電磁データを識別する。いくつかの実施形態では、導出電磁データは、電磁源の計算モデルを使用してモデル発生源構成に基づいて生成されたモデル化電磁出力から、導出される。いくつかの実施形態では、モデル発生源構成のモデル化電磁データは、複数の時間間隔のそれぞれに関して、電磁源の複数の位置それぞれのモデル化電磁値を有する電磁メッシュを含む。いくつかの実施形態では、識別したモデル発生源構成の解剖構造パラメータの値が、患者発生源構成のその解剖構造パラメータの値とマッチングしない場合、方法はさらに、そのモデル発生源構成のモデル化電磁出力及び値の差に基づいて、調整された導出電磁データを生成する。いくつかの実施形態では、発生源構成は、解剖構造パラメータ及び電気生理学パラメータを含む構成パラメータを含む。いくつかの実施形態では、電磁源は心臓であり、構成パラメータは、心臓内の瘢痕または線維症または催不整脈性基質の位置、心臓の活動電位、心臓の伝導率、及び不整脈位置を含む。いくつかの実施形態では、電磁源は心臓であり、解剖構造パラメータは、心腔の寸法、心臓の壁の厚さ、及び心臓の配向を含む。いくつかの実施形態では、電磁源は心臓であり、導出電磁データは心拍動曲線である。いくつかの実施形態では、モデル発生源構成は、電磁源の属性に関連する障害パラメータを含むため、モデル発生源構成の導出電磁データは、その属性に基づく。いくつかの実施形態では、電磁源は心臓であり、属性は不整脈に基づく。いくつかの実施形態では、患者電磁データにマッチングする導出電磁データの識別は、ピアソン相関係数、及び二乗平均平方根誤差などに基づく。いくつかの実施形態では、患者電磁データにマッチングする導出電磁データの識別は、二乗平均平方根誤差に基づく。いくつかの実施形態では、発生源構成は、構成パラメータを含み、モデル発生源構成は、各構成パラメータの値を含み、患者発生源構成は、構成パラメータの真部分集合のみの値を含む。いくつかの実施形態では、導出電磁データは、電磁源のモデル配向に基づき、患者の電磁源の患者配向がモデル配向と異なる場合、導出電磁データの識別は、モデル配向と患者配向との差異を考慮する。いくつかの実施形態では、電磁源は心臓であり、電磁データはベクトル心電図であり、導出電磁データの識別は、モデル配向と患者配向との差異に基づいて回転行列を生成することと、回転行列に基づいてベクトル心電図を回転させることとを含む。
いくつかの実施形態では、患者内の電磁源の電磁出力を表す患者電磁データに基づいて、患者の分類を生成するために、コンピューティングシステムにより実行される方法が提供される。方法は、電磁源のモデル発生源構成の複数のクラスタ（例えばグループ）のそれぞれに関して、そのクラスタのモデル発生源構成に基づいて訓練されたそのクラスタの分類器にアクセスして、導出電磁データの分類を生成する。方法は、患者内の電磁源の発生源構成を表す患者発生源構成にアクセスする。方法は、患者発生源構成にマッチングするモデル発生源構成を有するクラスタを識別する。方法は、識別したクラスタの分類器を患者電磁データに適用して、患者の分類を生成する。いくつかの実施形態では、導出電磁データは、電磁源の計算モデルを使用してモデル発生源構成に基づいて生成されたモデル化電磁出力から、導出される。いくつかの実施形態では、発生源構成は、解剖構造パラメータ及び電気生理学パラメータを含む構成パラメータを含む。いくつかの実施形態では、電磁源は心臓であり、構成パラメータは、心臓内の瘢痕または線維症または催不整脈性基質の位置、心臓の活動電位、及び心臓の伝導率を含む。いくつかの実施形態では、電磁源は心臓であり、解剖構造パラメータは、心腔の寸法及び心臓の壁の厚さを含む。いくつかの実施形態では、電磁源は心臓であり、導出電磁データは心拍動曲線である。いくつかの実施形態では、心拍動曲線は、ベクトル心電図である。いくつかの実施形態では、モデル発生源構成は、コサイン類似度に基づいて、患者発生源構成にマッチングする。いくつかの実施形態では、方法はさらに、モデル発生源構成のクラスタを生成し、クラスタのそれぞれに関して、そのクラスタのモデル構成発生源のそれぞれについて、そのモデル構成発生源に基づいて電磁源のシミュレート電磁出力を生成し、そのモデル発生源構成に基づくシミュレート電磁出力から、そのモデル発生源構成の導出電磁データを生成する。いくつかの実施形態では、発生源構成は、構成パラメータを含み、モデル発生源構成は、各構成パラメータの値を含み、患者発生源構成は、構成パラメータの真部分集合のみの値を含む。いくつかの実施形態では、導出電磁データは、電磁源のモデル配向に基づき、方法はさらに、患者の電磁源の患者配向がモデル配向と異なる場合、モデル配向と患者配向との差異に基づいて、患者電磁データを調整する。いくつかの実施形態では、電磁源は心臓であり、分類は、不整脈の発生源位置に基づく。
いくつかの実施形態では、患者から収集された患者心拍動曲線にマッチングするモデル心拍動曲線を識別するためのコンピューティングシステムが提供される。コンピューティングシステムは、１つ以上のコンピュータ可読記憶媒体を備え、コンピュータ可読記憶媒体は、心臓の複数のモデル発生源構成のそれぞれに関して、そのモデル発生源構成のモデル化心拍動曲線と、患者の心臓を表す患者発生源構成と、コンピュータ実行可能命令と、を格納し、コンピュータ実行可能命令は実行されると、コンピューティングシステムを制御して、患者発生源構成にマッチングするモデル発生源構成を識別し、識別したモデル発生源構成のモデル化心拍動曲線から、患者心拍動曲線にマッチングするモデル化心拍動曲線を識別することを、実行させる。コンピューティングシステムは、１つ以上のコンピュータ可読記憶媒体に格納されたコンピュータ実行可能命令を実行するための１つ以上のプロセッサを含む。いくつかの実施形態では、モデル化心拍動曲線は、心臓の計算モデルを使用して、モデル発生源構成を有する心臓のモデル化電磁出力から生成される。いくつかの実施形態では、心拍動曲線は、モデル発生源構成と患者発生源構成との解剖構造パラメータの値の差に基づいて、調整される。いくつかの実施形態では、モデル発生源構成は、心臓内の瘢痕または線維症または催不整脈性基質の位置、心臓の活動電位、心臓の伝導率、及び不整脈位置を含む。いくつかの実施形態では、モデル発生源構成は、心腔の寸法、心臓の壁の厚さ、及び心臓の配向を含む。いくつかの実施形態では、発生源構成は、構成パラメータを含み、モデル発生源構成は、各構成パラメータの値を含み、患者発生源構成は、構成パラメータの真部分集合のみの値を含む。いくつかの実施形態では、モデル化心拍動曲線は、心臓のモデル配向に基づき、心臓の患者配向がモデル配向と異なる場合、モデル化心拍動曲線の識別は、モデル配向と患者配向との差異を考慮する。
いくつかの実施形態では、体内の電磁源の電磁出力から導出された電磁データを分類する患者分類器を生成するために、１つ以上のコンピューティングシステムにより実行される方法が提供される。方法は、電磁源の電磁出力の分類を生成するためのモデル分類器にアクセスする。モデル分類器は、モデル化導出電磁データ及びモデル分類を含む訓練データに基づいて学習を行ったモデル分類器重みを有する。モデル化導出電磁データは、発生源構成に基づいて電磁源の経時的な電磁出力をモデル化する電磁源の計算モデルを使用して生成されたモデル化電磁出力から、導出される。方法は、複数の患者のそれぞれに関して、患者導出電磁データ及びその患者の患者分類を含む患者訓練データにアクセスする。方法は、患者分類器の患者分類器重みを、モデル分類器重みに基づいて初期化する。方法は、患者訓練データ及び初期化された患者分類器重みで、患者分類器を訓練する。いくつかの実施形態では、分類器は、畳み込みニューラルネットワークである。いくつかの実施形態では、畳み込みニューラルネットワークは、一次元画像を入力する。いくつかの実施形態では、モデル分類器は、患者の発生源構成に類似していると識別された発生源構成に基づいて生成されたモデル化電磁出力から導出されたモデル化導出電磁データを含む訓練データを使用して、訓練される。いくつかの実施形態では、電磁源は心臓であり、発生源構成は、心臓の解剖構造パラメータ及び電気生理学パラメータを表し、モデル化電磁出力は、心臓の活性化を表し、導出電磁データは、体表面測定に基づく。いくつかの実施形態では、電気生理学パラメータは心臓障害に基づき、心臓障害は、洞調律、不適切洞頻拍、異所性心房調律、接合部調律、心室補充調律、心房細動、心室細動、巣状心房頻拍、心房マイクロリエントリ、心室頻拍、心房粗動、心室性期外収縮、心房性期外収縮、房室結節リエントリ性頻拍、房室リエントリ性頻拍、永続性接合部回帰頻拍、及び接合部頻拍から成るがこれらに限定されないグループから選択される。いくつかの実施形態では、電磁データは、心拍動曲線である。いくつかの実施形態では、分類は、発生源位置である。いくつかの実施形態では、患者の患者導出電磁データは、その患者の電磁源の患者電磁出力から導出される。いくつかの実施形態では、方法はさらに、対象患者の対象患者導出電磁データを受信し、対象患者導出電磁データに患者分類器を適用して、対象患者の分類を生成する。
いくつかの実施形態では、対象患者の患者導出電磁データを分類するために、１つ以上のコンピューティングシステムにより実行される方法が提供される。患者導出電磁データは、患者の体内の電磁源の患者電磁出力から導出される。方法は、患者分類器にアクセスして、電磁源の患者導出電磁データの分類を生成する。分類器は、モデル分類器の重み及び患者訓練データを使用して訓練され、モデル分類器は、モデル化導出電磁データ及びモデル分類を使用して訓練される。モデル化導出電磁データは、モデル化電磁出力から生成される。モデル化電磁出力は、電磁源の計算モデルを使用して、複数の発生源構成に関して生成される。患者訓練データには、患者導出電磁データ及び患者分類が含まれる。方法は、対象患者の患者導出電磁データを受信し、受信した患者導出電磁データに患者分類器を適用して、対象患者の患者分類を生成する。いくつかの実施形態では、電磁源は心臓であり、発生源構成は、心臓の解剖構造パラメータ及び電気生理学パラメータを表し、モデル化電磁出力は、心臓の活性化を表し、導出電磁データは、体表面測定に基づく。
いくつかの実施形態では、心拍動曲線を分類する患者分類器を生成するためのコンピューティングシステムが提供される。コンピューティングシステムは、コンピュータ実行可能命令を格納する１つ以上のコンピュータ可読記憶媒体と、１つ以上のコンピュータ可読記憶媒体に格納されたコンピュータ実行可能命令を実行するための１つ以上のプロセッサと、を備える。命令は、コンピューティングシステムを制御して、患者分類器の患者分類器重みを、モデル分類器のモデル分類器重みに初期化することを、実行させる。モデル分類器は、モデル心臓構成に適用された心臓の計算モデルに基づいて生成されたモデル化心拍動曲線に基づいて、訓練される。命令は、コンピューティングシステムを制御して、患者訓練データ及び初期化された患者分類器重みで患者分類器を訓練することを、実行させ、患者訓練データには、複数の患者のそれぞれに関して、その患者の患者心拍動曲線及び患者分類が含まれる。いくつかの実施形態では、モデル分類器及び患者分類器は、畳み込みニューラルネットワークである。いくつかの実施形態では、畳み込みニューラルネットワークは、一次元画像を入力する。いくつかの実施形態では、モデル分類器及び患者分類器は、ニューラルネットワークである。いくつかの実施形態では、モデル分類器は、患者の患者心臓構成に類似するモデル心臓構成に基づいて生成されたモデル化心拍動曲線を使用して、訓練される。いくつかの実施形態では、コンピュータ実行可能命令はさらに、コンピューティングシステムを制御して、複数の類似患者クラスタのそれぞれに関して、そのクラスタ内の患者の心拍動曲線及び患者分類を含む患者訓練データに基づいて、クラスタ患者分類器を訓練することを、実行させる。いくつかの実施形態では、コンピュータ実行可能命令はさらに、コンピューティングシステムを制御して、患者の患者心臓構成の比較に基づいて、類似患者を識別することを、実行させる。いくつかの実施形態では、コンピュータ実行可能命令はさらに、コンピューティングシステムを制御して、患者の心拍動曲線の比較に基づいて、類似患者を識別することを、実行させる。いくつかの実施形態では、コンピュータ実行可能命令はさらに、コンピューティングシステムを制御して、対象患者に類似する類似患者のクラスタを識別し、その識別したクラスタのクラスタ患者分類器を対象患者の対象患者心拍動曲線に適用して、対象患者の対象患者分類を生成することを、実行させる。
いくつかの実施形態では、対象患者の対象心拍動曲線に基づいて対象患者の分類を生成するために、コンピューティングシステムにより実行される方法が提供される。方法は、患者の心拍動曲線を含む患者訓練データと、モデル化心拍動曲線を含むモデル訓練データに基づいて生成されたモデル分類器からの移転とに基づいて、患者分類器を生成する。モデル化心拍動曲線は、心臓の計算モデル及びモデル心臓構成に基づいて、生成される。方法は、対象心拍動曲線に患者分類器を適用して、対象患者の対象分類を生成する。
いくつかの実施形態では、体内の電磁源の電磁出力から導出された導出電磁データを分類する患者特有モデル分類器を生成するために、１つ以上のコンピューティングシステムにより実行される方法が提供される。方法は、対象患者に類似するモデルを識別する。識別した各モデルに関して、方法は、電磁源の計算モデルを適用して、そのモデルのモデル発生源構成に基づいて電磁源のモデル化電磁出力を生成し、そのモデルに関して生成したモデル化電磁出力からモデル化導出電磁データを導出し、そのモデルのラベルを生成する。方法は、訓練データとして、モデル化導出電磁データ及び生成したラベルを使用して、患者特有モデル分類器を訓練する。いくつかの実施形態では、分類器は、一次元画像を入力する畳み込みニューラルネットワークである。いくつかの実施形態では、モデルと対象患者との類似性は、発生源構成に基づく。いくつかの実施形態では、モデルと対象患者との類似性は、導出電磁データに基づく。いくつかの実施形態では、電磁源は心臓であり、発生源構成は、心臓の解剖構造パラメータ及び電気生理学パラメータを表し、モデル化電磁出力は、心臓の活性化を表し、導出電磁データは、体表面測定に基づく。いくつかの実施形態では、電磁データは、心拍動曲線である。いくつかの実施形態では、ラベルは、電磁源の障害の発生源位置を表す。いくつかの実施形態では、訓練は、モデル訓練データに基づいて生成されたモデル分類器からの移転に基づき、モデル訓練データには、電磁源の計算モデル及びモデル発生源構成に基づいて生成されたモデル化導出電磁データが含まれる。いくつかの実施形態では、方法はさらに、複数の類似対象患者クラスタのそれぞれに関して、そのクラスタの対象患者に類似するモデルの導出電磁データに基づいて、クラスタ特有モデル分類器を訓練する。いくつかの実施形態では、方法はさらに、別の対象患者に類似する対象患者を含むクラスタを識別し、その識別したクラスタのクラスタ特有モデル分類器を、その別の対象患者の対象患者導出電磁データに適用して、その別の対象患者の対象患者ラベルを生成する。いくつかの実施形態では、方法はさらに、対象患者の患者発生源構成の比較に基づいて、対象患者のクラスタを識別する。いくつかの実施形態では、方法はさらに、対象患者の患者導出電磁データの比較に基づいて、対象患者のクラスタを識別する。
いくつかの実施形態では、対象患者の心拍動曲線を分類する患者特有モデル分類器を生成するためのコンピューティングシステムが提供される。コンピューティングシステムは、コンピュータ実行可能命令を格納する１つ以上のコンピュータ可読記憶媒体と、１つ以上のコンピュータ可読記憶媒体に格納されたコンピュータ実行可能命令を実行するための１つ以上のプロセッサと、を備える。命令は、コンピューティングシステムを制御して、対象患者に類似するモデルを識別し、識別したモデルのモデル化心拍動曲線及びモデル分類を含む訓練データに基づいて、患者特有モデル分類器を訓練することを、実行させる。モデル化心拍動曲線は、識別したモデルのモデル心臓構成に基づいて、心臓の計算モデルを使用して、生成される。いくつかの実施形態では、モデル分類は、心臓障害の発生源位置を表す。いくつかの実施形態では、患者特有モデル分類器の訓練は、モデル化心拍動曲線を含むモデル訓練データに基づいて生成されたモデル分類器からの移転に基づく。いくつかの実施形態では、コンピュータ実行可能命令はさらに、コンピューティングシステムを制御して、複数の類似対象患者クラスタのそれぞれに関して、そのクラスタの対象患者に類似するモデルのモデル化心拍動曲線及びモデル分類を含む訓練データに基づいて、クラスタ特有モデル分類器を訓練することを、実行させる。いくつかの実施形態では、コンピュータ実行可能命令はさらに、コンピューティングシステムを制御して、別の対象患者に類似する対象患者を含むクラスタを識別し、その識別したクラスタのクラスタ特有モデル分類器を、その別の対象患者の対象患者心拍動曲線に適用して、その別の対象患者の対象患者分類を生成することを、実行させる。いくつかの実施形態では、コンピュータ実行可能命令は、コンピューティングシステムを制御して、対象患者の患者心臓構成の比較に基づいて、類似対象患者のクラスタを識別することを、実行させる。いくつかの実施形態では、コンピュータ実行可能命令は、コンピューティングシステムを制御して、対象患者の患者心拍動曲線の比較に基づいて、類似対象患者のクラスタを識別することを、実行させる。
いくつかの実施形態では、電磁源の表現を生成するために、コンピューティングシステムにより実行される方法が提供される。方法は、患者の患者導出電磁データにマッチングするモデル化導出電磁データを識別する。モデル化導出電磁データは、電磁源の計算モデルを使用して生成された電磁源のモデル化電磁出力から導出される。モデル化電磁出力は、複数の時間間隔のそれぞれに関して、電磁源の位置の電磁値を有する。方法は、マッチングモデル導出電磁データが導出されたモデル化電磁出力内の周期を識別する。電磁源の複数の表示位置のそれぞれに関して、方法は、識別した周期のモデル化電磁出力の電磁値に基づいて、その表示位置の表示電磁値を生成する。方法は、複数の表示位置のそれぞれに関して、その表示位置の表示電磁値の視覚的表現を含む電磁源の表示表現を生成する。いくつかの実施形態では、表示表現は、患者の電磁源の解剖構造パラメータに基づく形状を有する。いくつかの実施形態では、表示電磁値の視覚的表現は、表示電磁値の大きさに基づく陰影である。いくつかの実施形態では、表示電磁値の視覚的表現は、表示電磁値の大きさに基づいて選択された色である。いくつかの実施形態では、表示電磁値の視覚的表現は、表示電磁値の大きさに基づく色の強度である。いくつかの実施形態では、表示電磁値は、周期開始時の電磁値と、周期終了時の電磁値との差に基づく。いくつかの実施形態では、方法はさらに、識別した周期の複数の表示間隔のそれぞれに関して、その表示間隔の表示表現を生成し出力する。いくつかの実施形態では、表示表現は、電磁源の活性化を経時的に示すように順番に出力される。いくつかの実施形態では、導出電磁データの複数のインスタンスが、患者導出電磁データにマッチングする場合、表示位置の表示電磁値の生成は、モデル化導出電磁データのマッチングインスタンスが導出されたモデル化電磁出力の電磁値の組み合わせに基づく。いくつかの実施形態では、組み合わせは、マッチングの近さに基づいて加重された平均である。いくつかの実施形態では、電磁源は心臓である。
いくつかの実施形態では、心臓の表現を生成するために、コンピューティングシステムにより実行される方法が提供される。方法は、患者の心拍動曲線に類似するモデル化心拍動曲線を識別する。心臓の複数の表示位置のそれぞれに関して、方法は、モデル化心拍動曲線が導出された心臓のモデル化電磁出力の電磁値に基づいて、その表示位置の表示電磁値を生成する。モデル化電磁出力は、心臓の計算モデルを使用して生成される。方法は、複数の表示位置のそれぞれに関して、その表示位置の表示電磁値の視覚的表現を含む心臓の表示表現を生成する。いくつかの実施形態では、表示表現は、患者の心臓の解剖構造パラメータに基づく形状を有する。いくつかの実施形態では、表示電磁値の視覚的表現は、表示電磁値の大きさに基づく色の強度である。いくつかの実施形態では、表示電磁値は、モデル化電磁出力内のモデル周期開始時の電磁値と、モデル周期終了時の電磁値との差に基づく。いくつかの実施形態では、モデル周期は、心拍動曲線内の患者周期との類似性に基づいて選択される。いくつかの実施形態では、方法はさらに、モデル化電磁出力の複数の表示間隔のそれぞれに関して、その表示間隔の表示表現を生成し出力する。いくつかの実施形態では、表示表現は、電磁源の活性化を経時的に示すように順番に出力される。
いくつかの実施形態では、患者の心臓の電気的活性化の表現を表示するためのコンピューティングシステムが提供される。コンピューティングシステムは、コンピュータ実行可能命令を格納する１つ以上のコンピュータ可読記憶媒体と、１つ以上のコンピュータ可読記憶媒体に格納されたコンピュータ実行可能命令を実行するための１つ以上のプロセッサと、を備える。命令は、コンピューティングシステムを制御して、患者の心拍動曲線に類似するモデル化心拍動曲線を識別することを、実行させる。命令は、コンピューティングシステムを制御して、心臓の複数の表示位置のそれぞれに関して、その表示位置の表示値の視覚的表現を含む心臓の表示表現を生成することを、実行させる。表示値は、モデル化心拍動曲線が導出された心臓のモデル化電磁出力に基づく。モデル化電磁出力は、心臓の計算モデルを使用して生成される。命令は、コンピューティングシステムを制御して、表示表現を表示することを、実行させる。いくつかの実施形態では、表示表現は、患者の心臓の解剖構造パラメータに基づく形状を有する。
いくつかの実施形態では、体内の電磁源により生成された電磁力の表面表現を生成するために、コンピューティングシステムにより実行される方法が提供される。方法は、電磁力の経時的な大きさ及び方向を表すベクトルのシーケンスにアクセスする。ベクトルは、原点に相関する。隣接するベクトルのペアごとに、方法は、原点及びベクトルのペアに基づいて領域を識別し、領域の領域表現を生成し、領域の生成した領域表現を表示する。いくつかの実施形態では、方法は、表示される領域表現が視覚的に電磁源から発しているように、電磁源の表現を表示する。いくつかの実施形態では、原点は、電磁源内に存在する。いくつかの実施形態では、電磁源は心臓であり、ベクトルのシーケンスはベクトル心電図である。いくつかの実施形態では、電磁力は周期を有し、周期の領域表現は、その周期の表面表現を形成し、方法はさらに、複数の周期の表面表現を同時に表示する。いくつかの実施形態では、生成した領域表現は、電磁力の変化を経時的に示すように順番に表示される。
いくつかの実施形態では、ベクトル心電図の表現を表示するためのコンピューティングシステムが提供される。コンピューティングシステムは、コンピュータ実行可能命令を格納する１つ以上のコンピュータ可読記憶媒体と、１つ以上のコンピュータ可読記憶媒体に格納されたコンピュータ実行可能命令を実行するための１つ以上のプロセッサと、を備える。命令は、コンピューティングシステムを制御して、ベクトル心電図の一部のベクトルのｘ値、ｙ値、及びｚ値を表す点により境界されたベクトル心電図の一部の表面表現を生成し、生成した表面表現を表示することを、実行させる。いくつかの実施形態では、コンピュータ実行可能命令はさらに、コンピューティングシステムを制御して、表示される表面表現が視覚的に心臓の表示表現から発しているように、ベクトル心電図が導出された心臓の表現を表示することを、実行させる。いくつかの実施形態では、ベクトルは、心臓内にある原点に相関する。いくつかの実施形態では、ベクトル心電図は周期を有し、コンピュータ実行可能命令はさらに、コンピューティングシステムを制御して、複数の周期の表面表現を同時に表示することを、実行させる。いくつかの実施形態では、生成した表面表現は、ベクトル心電図における変化を経時的に示すように増加的に表示される。いくつかの実施形態では、表面表現は、領域ごとに表示される。
いくつかの実施形態では、患者心拍動曲線に類似するシミュレート心拍動曲線を識別するために、コンピューティングシステムにより実行される方法が提供される。シミュレート心拍動曲線は、シミュレートペーシングに基づいて生成され、患者心拍動曲線は、患者の患者ペーシングに基づいて生成される。方法は、患者ペーシングに類似するシミュレートペーシングを有する第１のシミュレート心拍動曲線を識別する。方法は、第１のシミュレート心拍動曲線から、患者の心臓の患者配向に類似するシミュレート配向を有するシミュレート心臓に基づいて生成された第２のシミュレート心拍動曲線を識別する。方法は、第２のシミュレート心拍動曲線から、患者心拍動曲線により表される活動電位に類似する活動電位を表す第３のシミュレート心拍動曲線を識別する。方法は、第３のシミュレート心拍動曲線から、患者心拍動曲線により表される伝導速度に類似する伝導速度を表す較正されたシミュレート心拍動曲線を識別する。いくつかの実施形態では、方法は、各較正されたシミュレート心拍動曲線に、その較正されたシミュレート心拍動曲線を生成する時に使用した構成パラメータで、ラベル付けを行う。方法は、訓練データとして、較正されたシミュレート心拍動曲線及びラベルを使用して、分類器の訓練を行う。いくつかの実施形態では、方法は、訓練された分類器を患者心拍動曲線に適用して、患者の構成パラメータを識別する。いくつかの実施形態では、心拍動曲線は、心電図である。いくつかの実施形態では、心拍動曲線は、ベクトル心電図である。いくつかの実施形態では、ペーシングは、ペーシング位置及びペーシングレートを含む。いくつかの実施形態では、活動電位類似性は、大きさ及び持続時間において正規化された心拍動曲線に基づく。いくつかの実施形態では、伝導速度類似性は、大きさにおいて正規化された心拍動曲線に基づく。いくつかの実施形態では、シミュレート心拍動曲線は、患者の患者構造的疾患に類似するシミュレート構造的疾患に基づいて生成されたシミュレート心拍動曲線の集合から識別される。いくつかの実施形態では、シミュレート心拍動曲線は、患者の患者心臓形状に対するシミュレート心拍動曲線の心臓形状の類似性に基づいて、シミュレート心拍動曲線の集合から識別される。いくつかの実施形態では、配向類似性は、心臓位置における心周期位相の心臓ベクトルに関して、患者の患者心臓ベクトルに類似するシミュレート心臓ベクトルに基づく。いくつかの実施形態では、シミュレート心拍動曲線は、患者の患者疾患基質に類似するシミュレート疾患基質に基づいて生成されたシミュレート心拍動曲線の集合から識別される。
いくつかの実施形態では、患者心拍動曲線に類似するシミュレート心拍動曲線を識別するために、コンピューティングシステムにより実行される方法が提供される。方法は、形態学に基づいて、患者心拍動曲線に対するシミュレート心拍動曲線の形態学的類似性を特定する。方法は、形態学的類似性に基づいて、類似するシミュレート心拍動曲線を識別する。いくつかの実施形態では、形態学的類似性の特定は、配向に基づいて患者心拍動曲線に対するシミュレート心拍動曲線の配向類似性を特定することと、患者心拍動曲線に対するシミュレート心拍動曲線の電気生理学類似性を特定することと、を含む。いくつかの実施形態では、方法は、患者心拍動曲線に対するシミュレート心拍動曲線のペーシング類似性を特定し、識別はさらに、ペーシング類似性に基づく。いくつかの実施形態では、電気生理学類似性は、活動電位類似性及び伝導速度類似性に基づく。いくつかの実施形態では、方法は、構成パラメータのラベルを有する識別された類似シミュレート心拍動曲線を含む訓練データを使用して、分類器を訓練する。いくつかの実施形態では、方法は、患者心拍動曲線に対するシミュレート心拍動曲線の心臓形状類似性を特定し、識別はさらに、心臓形状類似性に基づく。いくつかの実施形態では、心臓形状類似性は、構造的疾患類似性及び測定値類似性に基づく。いくつかの実施形態では、方法は、患者心拍動曲線に対するシミュレート心拍動曲線の疾患基質類似性を特定し、識別はさらに、疾患基質類似性に基づく。
いくつかの実施形態では、患者心拍動曲線に類似するシミュレート心拍動曲線を識別するための１つ以上のコンピューティングシステムが提供される。１つ以上のコンピューティングシステムは、コンピュータ実行可能命令を格納するための１つ以上のコンピュータ可読記憶媒体と、１つ以上のコンピュータ可読記憶媒体に格納されたコンピュータ実行可能命令を実行するための１つ以上のプロセッサとを含む。命令は、１つ以上のコンピューティングシステムを制御して、配向に基づいて患者心拍動曲線に対するシミュレート心拍動曲線の配向類似性を特定し、患者心拍動曲線に対するシミュレート心拍動曲線の電気生理学類似性を特定し、配向類似性及び電気生理学類似性に基づいて類似シミュレート心拍動曲線を識別することを、実行させる。いくつかの実施形態では、コンピュータ実行可能命令はさらに、１つ以上のコンピューティングシステムを制御して、患者心拍動曲線に対するシミュレート心拍動曲線の疾患基質類似性を特定することを実行させ、疾患基質類似性にさらに基づいて類似シミュレート心拍動曲線を識別する。いくつかの実施形態では、コンピュータ実行可能命令はさらに、１つ以上のコンピューティングシステムを制御して、患者心拍動曲線に対するシミュレート心拍動曲線のペーシング類似性を特定することを実行させ、類似シミュレート心拍動曲線を識別することはさらに、ペーシング類似性に基づく。いくつかの実施形態では、電気生理学類似性は、活動電位類似性及び伝導速度類似性に基づく。いくつかの実施形態では、活動電位類似性は、大きさ及び持続時間において正規化された心拍動曲線に基づき、伝導速度類似性は、大きさにおいて正規された心拍動曲線に基づく。いくつかの実施形態では、コンピュータ実行可能命令はさらに、１つ以上のコンピューティングシステムを制御して、構成パラメータのラベルを有する識別された類似シミュレート心拍動曲線を含む訓練データを使用して、分類器を訓練することを、実行させる。
いくつかの実施形態では、シミュレート心拍動曲線と患者の患者心拍動曲線とをマッピングするために、コンピューティングシステムにより実行される方法が提供される。方法は、構成パラメータ及びペーシング位置に基づいて、患者心拍動曲線にマッチングするシミュレート心拍動曲線を識別する。方法は、識別したシミュレート心拍動曲線を患者心拍動曲線にマッピングするようにマッピング関数を訓練する。方法は、訓練したマッピング関数をシミュレート心拍動曲線に適用して、変換されたシミュレート心拍動曲線を生成する。いくつかの実施形態では、方法は、変換されたシミュレート心拍動曲線に基づいて、患者特有モデル分類器を訓練する。
いくつかの実施形態では、シミュレートベクトル心電図（「ＶＣＧ」）の配向を患者ＶＣＧへ較正するために、１つ以上のコンピューティングシステムにより実行される方法が提供される。方法は、シミュレートＶＣＧの表現及び患者ＶＣＧの表現を表示する。方法は、表示された表現のうちの１つを回転させる指示をユーザから受信する。方法は、回転された表現ともう１つの表現との位置が合わせられたという指示をユーザから受信する。方法は、回転された表現の回転に基づいて、変換行列を生成する。いくつかの実施形態では、表現は、胴体内に表示される。いくつかの実施形態では、シミュレートＶＣＧの表現は、シミュレートＶＣＧに対応付けられた心臓形状に基づいて、心臓の表現と共に表示される。
いくつかの実施形態では、患者の電磁源の患者電磁出力に類似する電磁源のシミュレート電磁出力を識別するために、コンピューティングシステムにより実行される方法が提供される。シミュレート電磁出力は、電磁源のシミュレートペーシングに基づいて生成される。患者電磁出力は、患者の電磁源の患者ペーシングに基づいて生成される。方法は、患者ペーシングに類似するシミュレートペーシングを有するペーシング類似シミュレート電磁出力を識別する。方法は、患者の電磁源の患者構成パラメータに類似するシミュレート構成パラメータを有するシミュレート電磁源に基づいて生成された構成類似シミュレート電磁出力を識別する。方法は、患者電磁源により表される活動電位に類似する活動電位を表す活動電位類似シミュレート電磁出力を識別する。方法は、識別されたペーシング類似、構成類似、及び活動電位類似のシミュレート心拍動曲線から、患者電磁出力により表される伝導速度に類似する伝導速度を表す較正されたシミュレート電磁出力を識別する。いくつかの実施形態では、患者ペーシングは、電磁源の内部から電磁パルスを与える侵襲的ペーシングデバイスを使用して実行される。いくつかの実施形態では、侵襲的ペーシングデバイスは、カテーテルである。いくつかの実施形態では、患者ペーシングは、電磁源の外部から電磁パルスを与える非侵襲的ペーシングデバイスを使用して実行される。いくつかの実施形態では、非侵襲的ペーシングデバイスは、電磁場を生成して、患者の電磁源のペーシングを行う。いくつかの実施形態では、非侵襲的ペーシングデバイスは、磁気共鳴スキャナである。いくつかの実施形態では、識別された較正済みシミュレート電磁出力は、ペーシング類似、構成類似、及び活動電位類似の電磁出力である。
患者のＥＭ源の可能性のあるアブレーションパターンを識別するために、１つ以上のコンピューティングシステムにより実行される方法が提供される。方法は、ＥＭ源の患者ＥＭ出力にアクセスする。方法は、非アブレーションパターンシミュレーションの非アブレーションパターン情報を識別する。非アブレーションパターン情報は、非アブレーションパターンシミュレーションのシミュレートＥＭ出力と患者ＥＭ出力との類似性に基づいて、識別される。方法は、非アブレーションパターン情報と、アブレーションパターンシミュレーションに対応付けられたアブレーションパターン情報との類似性に基づいて、アブレーションパターンを識別する。方法は、患者のＥＭ源の可能性のあるアブレーションパターンとして、識別したアブレーションパターンの指示を出力する。いくつかの実施形態では、ＥＭ源は心臓であり、可能性のあるアブレーションパターンは、患者の不整脈を治療するためのものである。いくつかの実施形態では、類似性は、非アブレーションパターンシミュレーションに対応付けられたマッピング情報の、識別されたアブレーションパターンへのマッピングに基づく。いくつかの実施形態では、マッピング情報は、シミュレートＥＭ出力を含む。いくつかの実施形態では、マッピングは、直接マッピングである。いくつかの実施形態では、マッピングは、間接マッピングである。いくつかの実施形態では、非アブレーションパターン情報は、非アブレーションパターンシミュレーションの非アブレーションパターン発生源構成を含み、アブレーションパターン情報は、アブレーションパターンシミュレーションのアブレーションパターン発生源構成を含む。いくつかの実施形態では、識別されたアブレーションパターンの指示は、アブレーションデバイスへ出力される。いくつかの実施形態では、アブレーションデバイスは、定位放射線療法デバイスである。いくつかの実施形態では、識別されたアブレーションパターンの指示は、表示される。いくつかの実施形態では、識別されたアブレーションパターンは、ＥＭ源の画像の上に重ねられる。いくつかの実施形態では、画像は、アブレーション処置の一環として収集された解剖構造パラメータに基づく。いくつかの実施形態では、方法はさらに、シミュレーションの較正集合から、非アブレーションパターンシミュレーションを識別する。
いくつかの実施形態では、患者の患者情報を患者の不整脈を治療するための不整脈パターンにマッピングするマッピング関数を生成するために、１つ以上のコンピューティングシステムにより実行される方法が提供される。方法は、アブレーションパターンシミュレーションにアクセスする。各アブレーションパターンシミュレーションは、シミュレート発生源構成及びアブレーションパターンに基づいて、生成される。シミュレート発生源構成は、シミュレート発生源位置を含む。各アブレーションパターンシミュレーションに関して、方法は、シミュレート発生源構成に基づくが、シミュレート発生源位置には基づかない特徴と、シミュレート発生源構成に基づいた非アブレーションパターンシミュレーションから生成されたシミュレート心拍動曲線に基づくが、アブレーションパターンには基づかない特徴とを含むシミュレート特徴ベクトルを生成し、さらに、シミュレート特徴ベクトルを、シミュレート発生源位置、及びそのアブレーションパターンシミュレーションのアブレーションパターンで、ラベル付けを行う。方法は、訓練データとして、特徴ベクトル及びラベルを使用して分類器を訓練する。いくつかの実施形態では、方法はさらに、患者の患者発生源構成に基づくが、発生源位置には基づかない特徴と、患者の患者心拍動曲線に基づく特徴とを有する患者特徴ベクトルを生成し、さらに、患者特徴ベクトルに分類器を適用して、発生源位置及び患者を治療するためのアブレーションパターンを識別する。いくつかの実施形態では、方法はさらに、識別した発生源位置及び識別した患者を治療するためのアブレーションパターンの指示を出力する。いくつかの実施形態では、患者は、定位放射線療法を使用して治療される。
いくつかの実施形態では、患者の心臓のアブレーションパターンを識別するための１つ以上のコンピューティングシステムが提供される。１つ以上のコンピューティングシステムは、コンピュータ実行可能命令を格納する１つ以上のコンピュータ可読記憶媒体と、１つ以上のコンピュータ可読記憶媒体に格納されたコンピュータ実行可能命令を実行するための１つ以上のプロセッサとを備える。命令は、実行されると、１つ以上のコンピューティングシステムを制御して、非アブレーションパターンシミュレーションのモデルライブラリの非アブレーションパターンシミュレーションから生成されたシミュレート心拍動曲線を識別することを、実行させる。各非アブレーションパターンシミュレーションは、心臓の計算モデルと、シミュレート発生源位置を含む心臓構成とに基づいて、生成される。命令は、実行されると、１つ以上のコンピューティングシステムを制御して、アブレーションパターンと、シミュレート心拍動曲線に対応付けられたシミュレート発生源位置とを識別することを、実行させ、アブレーションパターンは、心臓の計算モデルと、発生源位置を含む心臓構成と、識別されたアブレーションパターンとに基づいて生成されたアブレーションパターンシミュレーションに対応付けられ、識別されたアブレーションパターンは、識別されたシミュレート心拍動曲線と識別されたアブレーションパターンとのマッピングに基づいて、識別される。命令は、実行されると、１つ以上のコンピューティングシステムを制御して、識別されたシミュレート発生源位置及び識別されたアブレーションパターンに基づいて、患者のアブレーション療法を命じることを、実行させる。いくつかの実施形態では、アブレーション療法は、不整脈を治療するためのものである。いくつかの実施形態では、アブレーション療法を命じるコンピュータ実行可能命令は、アブレーションデバイスに、識別されたシミュレート発生源位置及び識別されたアブレーションパターンの指示を出力する。いくつかの実施形態では、アブレーションデバイスは、定位放射線療法デバイスである。いくつかの実施形態では、アブレーションデバイスは、神経調節デバイスである。いくつかの実施形態では、アブレーション療法を命じるコンピュータ実行可能命令は、心臓構成の識別されたシミュレート発生源位置及び識別されたアブレーションパターンの指示を表示する。いくつかの実施形態では、アブレーションパターンを識別するためのコンピュータ実行可能命令は、複数のアブレーションパターンを識別し、アブレーション療法を命じる命令は、識別されたシミュレート発生源位置及び識別されたアブレーションパターンの指示を出力する。いくつかの実施形態では、心臓構成は、アブレーション療法の一環として収集された患者の画像が導出された解剖構造パラメータを含む。
いくつかの実施形態では、患者の心臓を治療する方法が提供される。方法は、患者の心臓内の発生源位置及びアブレーションパターンを識別することを含む。識別は、アブレーションパターンシミュレーションに基づく。各アブレーションパターンシミュレーションは、発生源位置（例えばローター位置）及びアブレーションパターンに基づく。識別は、患者の患者心拍動曲線に基づく。方法は、識別された発生源位置に基づいて、心臓の標的部位に神経調節デバイスを配置することを含む。方法は、神経調節デバイスを使用して、識別されたアブレーションパターンに基づいてエネルギーを心臓の標的部位に当てることを含む。いくつかの実施形態では、神経調節デバイスは、アブレーションカテーテルであり、標的部位にエネルギーを当てることは、標的部位で神経構造または心筋構造をアブレートする高周波エネルギーを当てることを含む。いくつかの実施形態では、神経調節デバイスは、凍結アブレーションカテーテルであり、標的部位にエネルギーを当てることは、標的部位で神経構造または心筋構造を凍結アブレートする冷却エネルギーを当てることを含む。いくつかの実施形態では、神経調節デバイスは、植込み型パルス発生器を備え、標的部位にエネルギーを当てることは、標的部位における神経構造または心筋構造に電気エネルギーを当てることを含む。いくつかの実施形態では、神経調節デバイスは、定位放射線療法デバイスを備え、標的部位にエネルギーを当てることは、標的部位における神経構造または心筋構造に放射線を当てることを含む。
いくつかの実施形態では、患者を治療する方法が提供される。方法は、患者の患者心拍動曲線に類似するシミュレート心拍動曲線を識別するようにコンピューティングシステムに指示することにより、患者の心臓内の不整脈の発生源位置及びアブレーションパターンを識別することを含み、シミュレート心拍動曲線は、非アブレーションパターンシミュレーションのモデルライブラリの非アブレーションパターンシミュレーションから生成される。各非アブレーションパターンシミュレーションは、心臓の計算モデルと、シミュレート発生源位置を含むシミュレート心臓構成とに基づいて生成される。シミュレーションの各心臓構成は、シミュレーションに基づいて生成されたシミュレート心拍動曲線にマッピングされている。発生源位置の識別はさらに、識別されたシミュレート心拍動曲線に基づいて、シミュレート発生源位置及びアブレーションパターンを識別するように、コンピューティングシステムに指示する。シミュレート発生源位置及びアブレーションパターンは、アブレーションパターンシミュレーションを生成するのに使用される。アブレーションパターンシミュレーションは、心臓の計算モデル、シミュレート発生源位置を含む心臓構成、及びアブレーションパターンに基づいて、生成される。方法は、識別されたシミュレート発生源位置に基づいて、標的部位に神経調節デバイスを配置することと、配置された神経調節デバイスを使用して、識別されたアブレーションパターンに基づいてエネルギーを当てることと、を含む。いくつかの実施形態では、神経調節デバイスは、定位放射線療法デバイスである。配置は、コンピューティングシステムが、定位放射線療法デバイスに命令を送信することを含む。いくつかの実施形態では、方法は、定位放射線療法デバイスにより収集された画像から、患者の解剖構造パラメータを識別することを含む。いくつかの実施形態では、神経調節デバイスは、アブレーションカテーテルであり、エネルギーを当てることは、標的部位で神経構造または心筋構造をアブレートする高周波エネルギーを当てることを含む。いくつかの実施形態では、神経調節デバイスは、凍結アブレーションカテーテルであり、エネルギーを当てることは、標的部位で神経構造または心筋構造を凍結アブレートする冷却エネルギーを当てることを含む。いくつかの実施形態では、神経調節デバイスは、植込み型パルス発生器を備え、エネルギーを当てることは、標的部位における神経構造または心筋構造に電気エネルギーを当てることを含む。
いくつかの実施形態では、患者を治療する方法が提供される。方法は、患者の患者心拍動曲線に類似するシミュレート心拍動曲線を識別するようにコンピューティングシステムに指示することにより、患者の心臓内の不整脈の発生源位置を識別することを含む。シミュレート心拍動曲線は、シミュレーションのモデルライブラリのシミュレーションから生成される。各シミュレーションは、心臓の計算モデルと、シミュレート発生源位置を含むシミュレート心臓構成とに基づいて、生成される。シミュレーションの各心臓構成は、そのシミュレーションに基づいて生成されたシミュレート心拍動曲線にマッピングされている。方法はさらに、識別されたシミュレート心拍動曲線が生成されたシミュレーションを生成する際に使用されたシミュレート心臓構成のシミュレート発生源位置を識別するように、コンピューティングシステムに指示する。方法は、識別されたシミュレート発生源位置に基づいて、標的部位に神経調節デバイスを配置することを含む。方法は、配置された神経調節デバイスを使用して、標的部位にエネルギーを当てることを含む。
いくつかの実施形態では、心臓の電気活性化のシミュレーションのモデルライブラリを生成するための方法が提供される。方法は、シミュレート発生源位置及びアブレーションパターンを含むシミュレート心臓構成にアクセスすることを含む。各シミュレート心臓構成に関して、方法は、シミュレート心臓構成に基づいてシミュレーションを実行することを含む。方法は、シミュレーションが不整脈を生じない場合に、シミュレーションを成功として指定することを含む。いくつかの実施形態では、方法は、成功シミュレーションを生成するのに使用したシミュレート心臓構成のアブレーションパターンを、アブレーションパターンを含まないシミュレート心臓構成に基づくシミュレーションに基づいて生成されたシミュレート心拍動曲線にマッピングすることを含む。
いくつかの実施形態では、アブレーション処置の結果を格納するために、コンピューティングシステムにより実行される方法が提供される。方法は、計算標的化プロシージャを適用して、患者の心臓のアブレーション標的を識別する。計算標的化プロシージャは、心拍動曲線と不整脈の発生源位置とのマッピングに基づく。計算標的化プロシージャは、患者の心拍動曲線を入力し、発生源位置をアブレーション標的として出力する。方法は、識別されたアブレーション標的に基づいて患者に行われたアブレーション処置の結果を受信する。方法は、アブレーション処置の結果のアブレーション処置レコードを生成する。アブレーション処置レコードは、アブレーション処置における患者及び利害関係者を識別し、アブレーション処置の結果への参照指示を含む。方法は、アブレーション処置レコードを発行して、許可された関係者がアクセスできるように分散型台帳に記録する。いくつかの実施形態では、分散型台帳は、ブロックチェーンである。いくつかの実施形態では、１人以上の利害関係者が、アブレーション処置の結果及び患者の電子医療レコードを格納する。いくつかの実施形態では、アブレーション処置の結果を格納する利害関係者は、関係者による結果へのアクセスを制御する。いくつかの実施形態では、アブレーション処置は、患者のアブレーション研究中に患者に対して行われる複数のアブレーション処置のうちの１つであり、患者のアブレーション処置レコードは、分散型台帳の同じブロックに格納される。いくつかの実施形態では、分散型台帳の各ブロックには、１人の患者のみのアブレーション処置レコードが格納される。いくつかの実施形態では、方法はさらに、分散型台帳のマイナーに、マイナーのマイニング活動に基づいて、計算標的化プロシージャへのアクセスを提供する。いくつかの実施形態では、方法はさらに、マイニング活動に基づいてマイナーにトークンを提供し、トークンを計算標的化プロシージャへのアクセスと交換する。いくつかの実施形態では、分散型台帳は、ブロックチェーンであり、さらに、プルーフオブステークコンセンサスアルゴリズムに基づいて、ブロックをマイニングするマイナーを選択することを含む。いくつかの実施形態では、計算標的化プロシージャは、患者の心拍動曲線を入力して発生源位置を出力する分類器を適用することを含み、分類器は、マッピングを訓練データとして使用して訓練されている。いくつかの実施形態では、マッピングは、発生源位置を含む心臓構成に基づいて経時的な心臓の電磁出力をモデル化する心臓の計算モデルを使用して、生成される。いくつかの実施形態では、マッピングは、患者からの収集された心拍動曲線を含む。いくつかの実施形態では、方法はさらに、コントリビュータが分類器を訓練するための計算リソースを提供することに基づいて、コントリビュータに計算標的化プロシージャへのアクセスを提供する。いくつかの実施形態では、計算標的化プロシージャは、患者の心拍動曲線に類似するマッピングの心拍動曲線を識別することと、識別したマッピングの発生源位置をアブレーション標的として選択することと、を含む。いくつかの実施形態では、マッピングは、発生源位置を含む心臓構成に基づいて経時的な心臓の電磁出力をモデル化する心臓の計算モデルを使用して、生成される。いくつかの実施形態では、マッピングは、患者からの収集された心拍動曲線を含む。いくつかの実施形態では、マッピングは、発生源位置を含む心臓構成に基づいて経時的な心臓の電磁出力をモデル化する心臓の計算モデルを使用して、生成される。いくつかの実施形態では、方法はさらに、コントリビュータがマッピングを生成するための計算リソースを提供することに基づいて、コントリビュータに計算標的化プロシージャへのアクセスを提供する。いくつかの実施形態では、マッピングは、患者からの収集された心拍動曲線を含む。いくつかの実施形態では、方法はさらに、コントリビュータが患者から収集した心拍動曲線を提供することに基づいて、コントリビュータに計算標的化プロシージャへのアクセスを提供する。
いくつかの実施形態では、患者に対して行われた処置の結果を格納するためのコンピューティングシステムが提供される。コンピューティングシステムは、コンピュータ実行可能命令を格納するための１つ以上のコンピュータ可読記憶媒体と、１つ以上のコンピュータ可読記憶媒体に格納されたコンピュータ実行可能命令を実行するための１つ以上のプロセッサと、を備える。命令は、実行されると、コンピューティングシステムを制御して、下記を実行させる。コンピューティングシステムは、処置標的に基づいて患者の電磁源に対して行われた処置の結果を受信する。処置標的は、患者の電磁源から導出された電磁データを入力して処置標的を出力する計算標的化プロシージャを適用することにより、識別される。コンピューティングシステムは、処置の結果への参照指示を含む処置レコードを生成する。コンピューティングシステムは、許可された関係者がアクセスできるように、処置レコードを分散型台帳で公開する。いくつかの実施形態では、分散型台帳は、ブロックチェーンである。いくつかの実施形態では、処置は、患者の処置研究中に患者に対して行われる複数の処置のうちの１つである。いくつかの実施形態では、処置は、患者の研究中に患者に対して行われる複数の処置のうちの１つであり、患者の処置レコードは、分散型台帳の同じブロックに格納される。いくつかの実施形態では、コンピューティングシステムはさらに、分散型台帳のマイナーに、マイナーのマイニング活動に基づいて、計算標的化プロシージャへのアクセスを提供する。いくつかの実施形態では、命令はさらに、マイニング活動に基づいてマイナーにトークンを提供し、トークンを計算標的化プロシージャへのアクセスと交換する。いくつかの実施形態では、計算標的化プロシージャは、患者の電磁データを入力して標的位置を出力する分類器を適用する命令を含み、分類器は、マッピングを訓練データとして使用して訓練されている。いくつかの実施形態では、マッピングは、発生源位置を含む電磁源構成に基づいて経時的な電磁源の電磁出力をモデル化する電磁源の計算モデルを使用して、生成される。いくつかの実施形態では、マッピングは、患者からの収集された電磁データを含む。いくつかの実施形態では、コンピューティングシステムはさらに、コントリビュータが分類器を訓練するための計算リソースを提供することに基づいて、コントリビュータに計算標的化プロシージャへのアクセスを提供する。いくつかの実施形態では、計算標的化プロシージャは、患者の電磁出力に類似するマッピングの電磁出力を識別することと、識別したマッピングの発生源位置を処置標的として選択することと、を含む。いくつかの実施形態では、マッピングは、発生源位置を含む電磁源構成に基づいて経時的な電磁源の電磁出力をモデル化する電磁源の計算モデルを使用して、生成される。いくつかの実施形態では、マッピングは、患者からの収集された電磁データを含む。いくつかの実施形態では、マッピングは、発生源位置を含む電磁源構成に基づいて経時的な電磁源の電磁出力をモデル化する電磁源の計算モデルを使用して、生成される。いくつかの実施形態では、コンピューティングシステムは、コントリビュータがマッピングを生成するための計算リソースを提供することに基づいて、コントリビュータに計算標的化プロシージャへのアクセスを提供する。いくつかの実施形態では、マッピングは、患者からの収集された電磁データを含む。いくつかの実施形態では、コンピューティングシステムは、コントリビュータが患者から収集した電磁データを提供することに基づいて、コントリビュータに計算標的化プロシージャへのアクセスを提供する。
いくつかの実施形態では、患者の患者電磁源の患者電磁データに類似する電磁源のシミュレート電磁データを識別するために、１つ以上のコンピューティングシステムにより実行される方法が提供される。シミュレート電磁データは、電磁源のシミュレートペーシング位置に基づいて生成され、患者電磁データは、患者電磁源の患者ペーシング位置に基づいて生成される。方法は、患者ペーシング位置に類似するシミュレートペーシング位置を有するシミュレート電磁データを識別する。方法は、患者の電磁源の患者構成パラメータに類似するシミュレート構成パラメータに基づいて生成されたシミュレート電磁データを識別する。方法は、患者の患者活動電位に類似するシミュレート活動電位に基づいて生成されたシミュレート電磁データを識別する。方法は、患者の患者伝導速度に類似するシミュレート伝導速度に基づいて生成されたシミュレート電磁データを識別する。方法は、識別されたシミュレート電磁データに基づいて、シミュレート電磁データの較正された集合を生成する。いくつかの実施形態では、方法は、患者の患者電磁データに類似するシミュレート電磁データを識別する。いくつかの実施形態では、ペーシングリードは、電磁源の内部から電磁パルスを与える侵襲的ペーシングデバイスと共に配置される。いくつかの実施形態では、侵襲的ペーシングデバイスは、カテーテル、植込み型除細動器、またはペースメーカーである。いくつかの実施形態では、患者ペーシングは、電磁源の外部から電磁パルスを与える非侵襲的ペーシングデバイスを使用して実行される。いくつかの実施形態では、非侵襲的ペーシングデバイスは、電磁場を生成して、患者の電磁源のペーシングを行う。いくつかの実施形態では、非侵襲的ペーシングデバイスは、磁気共鳴デバイスである。いくつかの実施形態では、電磁源は心臓である。
いくつかの実施形態では、患者の患者電磁源の患者電磁データに類似する電磁源のシミュレート電磁データを識別するための方法が提供される。方法は、患者の電磁源の複数の患者ペーシング位置のそれぞれに関して、ペーシング位置に電磁インパルスを送ることにより患者電磁源のペーシングを行うことと、ペーシング中に患者電磁データを収集することとを含む。方法は、患者ペーシング位置と、患者ペーシング位置でペーシングを行っている間に収集された患者電磁データとを、シミュレーションの較正集合を生成する１つ以上のコンピューティングデバイスに提出することを含む。１つ以上のコンピューティングデバイスは、シミュレーションと患者とのペーシング位置、発生源構成、活動電位、伝導速度、及び電磁データの類似性に基づいて、電磁源のシミュレーションのモデルライブラリのシミュレーションを識別する。識別されたシミュレーションは、シミュレーションの較正集合を形成する。いくつかの実施形態では、方法は、１つ以上のコンピューティングデバイスに患者の患者心拍動曲線を提出することと、シミュレート心拍動曲線と患者心拍動曲線との類似性に基づいて、較正集合のシミュレーションの発生源構成パラメータの指示を受信することとを含む。いくつかの実施形態では、方法は、各患者ペーシング位置に関して、その患者ペーシング位置にペーシングリードを配置することを含み、ペーシングリードを介して電磁インパルスが送信される。いくつかの実施形態では、患者ペーシングリードの配置は、患者電磁源の内部から電磁インパルスを与える侵襲的ペーシングデバイスを使用して行われる。いくつかの実施形態では、侵襲的ペーシングデバイスは、カテーテル、植込み型除細動器、またはペースメーカーである。いくつかの実施形態では、電磁源は心臓である。いくつかの実施形態では、電磁インパルスは、非侵襲的ペーシングデバイスを介して生成される。いくつかの実施形態では、非侵襲的ペーシングデバイスは、磁気共鳴デバイスである。いくつかの実施形態では、方法は、較正集合に基づいて識別された発生源構成の発生源パラメータの指示を、１つ以上のコンピューティングデバイスから受信することを含む。いくつかの実施形態では、発生源パラメータは、発生源位置である。いくつかの実施形態では、方法は、発生源位置に基づいて、患者電磁源に対し処置を行うことを含む。いくつかの実施形態では、患者ペーシング位置のうちの２つは、離れたペーシング位置である。
いくつかの実施形態では、１つ以上のコンピューティングシステムによって実行される方法が、患者の心臓の心臓障害の患者発生源位置を有する画像データを増強するために提供される。方法は、患者の心臓の３Ｄ画像及び患者基質位置を含む画像データを受信する。方法は、患者の患者心拍動曲線を受信する。方法は、患者心拍動曲線および心拍動曲線の発生源位置へのマッピングに基づいて、患者のための心臓障害の患者発生源位置を識別する。方法は、患者発生源位置を画像データに追加して、増強された画像データを生成する。いくつかの実施形態では、方法は、心拍動曲線を入力し、マッピングに基づいて機械学習アルゴリズムが訓練された発生源位置を出力する機械学習アルゴリズムを適用することによって、患者発生源位置を識別する。いくつかの実施形態では、方法は、患者心拍動曲線をマッピングの心拍動曲線と比較して、患者心拍動曲線に類似する心拍動曲線を識別することによって、患者発生源位置を識別する。いくつかの実施形態では、マッピングは、実際の患者から収集された臨床データの１つ以上に基づくマッピング、様々な構成パラメータに基づく心臓の電気的活動のシミュレーション、および患者から導出された構成パラメータに基づく患者の心臓の電気的活動のシミュレーションを含む。いくつかの実施形態では、方法はさらに、患者発生源位置を識別する前に、識別が較正されたマッピングに基づくように、患者の心臓へのマッピングを較正する。いくつかの実施形態では、較正は、患者の心臓の形状に基づく。いくつかの実施形態では、較正は、患者の心拍動曲線に基づく。いくつかの実施形態では、方法は、画像データに基づいて患者のケアを通知するための計画システムに、増強された画像データをさらに提供する。いくつかの実施形態では、３Ｄ画像は、標準フォーマットでファイルに含まれる。いくつかの実施形態では、標準フォーマットは、ダイコム（Ｄｉｇｉｔａｌ Ｉｍａｇｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｍｅｄｉｃｉｎｅ（「ＤＩＣＯＭ」）フォーマットである。いくつかの実施形態では、患者基質位置および患者発生源位置は、メタデータとしてファイルに含まれる。いくつかの実施形態では、患者基質位置および患者発生源位置は、ファイルの外部である。いくつかの実施形態では、患者基質位置および発生源位置は、ファイルの３Ｄ画像に重ねられる。いくつかの実施形態では、方法は、表示された３Ｄ画像に重ねられた患者基質位置および発生源位置を有する３Ｄ画像をさらに表示する。
いくつかの実施形態では、１つ以上のコンピューティングシステムは、患者の臓器の障害の患者発生源位置を有する画像データを増強するために提供される。１つ以上のコンピューティングシステムは、１つ以上のコンピューティングシステムを制御するためのコンピュータ実行可能命令を格納する１つ以上のコンピュータ可読記憶媒体と、１つ以上のコンピュータ可読記憶媒体に格納されたコンピュータ実行可能命令を実行するための１つ以上のプロセッサとを含む。命令は、患者の臓器の３Ｄ画像及び患者基質位置を含む画像データを受信する。３Ｄ画像は、ダイコム（Ｄｉｇｉｔａｌ Ｉｍａｇｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｍｅｄｉｃｉｎｅ（「ＤＩＣＯＭ」）フォーマットである。命令は、患者の臓器のＥＭ出力から導出された患者の導出ＥＭデータを受信する。命令は、患者の導出ＥＭデータおよび導出されたＥＭデータの発生源位置へのマッピングに基づいて、患者の臓器の障害の患者発生源位置を識別する。命令は、患者発生源位置を画像データに追加して、増強された画像データを生成する。いくつかの実施形態では、器官は心臓であり、導出されたＥＭデータは心拍動曲線であり、患者の導出ＥＭデータは非洞調律心電図である。いくつかの実施形態では、患者発生源位置を識別する命令は、心拍動曲線を入力し、マッピングに基づいて機械学習アルゴリズムが訓練された発生源位置を出力する機械学習アルゴリズムを適用する。いくつかの実施形態では、患者発生源位置を識別する命令は、患者心拍動曲線をマッピングの心拍動曲線と比較して、患者心拍動曲線に類似する心拍動曲線を識別する。いくつかの実施形態では、マッピングは、実際の患者から収集された臨床データの１つ以上に基づくマッピング、様々な構成パラメータに基づく心臓の電気的活動のシミュレーション、および患者から導出された構成パラメータに基づく患者の心臓の電気的活動のシミュレーションを含む。いくつかの実施形態では、命令はさらに、患者発生源位置を識別する前に、識別が較正されたマッピングに基づくように、患者の心臓へのマッピングを較正する。いくつかの実施形態では、命令は、注釈を付けられた画像データに基づいて患者のケアを通知するため、計画システムに増強された画像データをさらに提供する。いくつかの実施形態では、命令は、表示された３Ｄ画像に重ねられた患者基質位置および患者発生源位置を有する３Ｄ画像をさらに表示する。
いくつかの実施形態では、１つ以上のコンピューティングシステムが、患者の心臓の心臓障害の患者発生源位置を有する画像データを増強するために提供される。１つ以上のコンピューティングシステムは、１つ以上のコンピューティングシステムを制御するためのコンピュータ実行可能命令を格納する１つ以上のコンピュータ可読記憶媒体と、１つ以上のコンピュータ可読記憶媒体に格納されたコンピュータ実行可能命令を実行するための１つ以上のプロセッサとを含む。命令は、患者の心臓の３Ｄ画像及び患者基質位置を含む画像データにアクセスし、患者の患者心拍動曲線にアクセスする。命令は、患者心拍動曲線に基づいて、患者の心臓障害の患者発生源位置を識別する。命令は、患者発生源位置を患者発生源位置を有する画像データを増強して、増強された画像データを生成する。いくつかの実施形態では、識別は、心拍動曲線の発生源位置へのマッピングに基づく。いくつかの実施形態では、患者発生源位置を識別する命令は、心拍動曲線を入力し、マッピングに基づいて機械学習アルゴリズムが訓練された発生源位置を出力する機械学習アルゴリズムを適用する。いくつかの実施形態では、患者発生源位置を識別する命令は、患者心拍動曲線をマッピングの心拍動曲線と比較して、患者心拍動曲線に類似する心拍動曲線を識別する。いくつかの実施形態では、マッピングは、実際の患者から収集された臨床データの１つ以上に基づくマッピング、様々な構成パラメータに基づく心臓の電気的活動のシミュレーション、および患者から導出された構成パラメータに基づく患者の心臓の電気的活動のシミュレーションを含む。いくつかの実施形態では、命令は、患者発生源位置を識別する前に、識別が較正されたマッピングに基づくように、患者の心臓へのマッピングを較正する。いくつかの実施形態では、命令は、画像データに基づいて患者のケアを通知するため、計画システムに増強された画像データを提供する。いくつかの実施形態では、命令は、患者の治療をサポートするシステムに増強された画像データを提供する。いくつかの実施形態では、命令は、画像データに基づいて患者のケアを通知するため、計画システムに増強された画像データを提供する。いくつかの実施形態では、画像データは、ダイコム（Ｄｉｇｉｔａｌ Ｉｍａｇｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｍｅｄｉｃｉｎｅ（「ＤＩＣＯＭ」）フォーマットである。いくつかの実施形態では、画像データは、基質位置での基質の体積を示す患者基質体積を含み、命令は、患者の心臓の４Ｄ画像にさらにアクセスし、４Ｄ画像は、心臓のサイクル中に収集された一連の３Ｄ画像を含み、基質ボリュームを有する基質位置の４Ｄ画像に基質マスクを追加する。いくつかの実施形態では、患者基質位置は、３Ｄ座標によって指定され、患者基質体積は、３Ｄ座標の各次元に対する半径の表示によって表される。いくつかの実施形態では、４Ｄ画像は、強度値を有するボクセルを有し、命令は、基質マスクに対応するボクセルの強度値を基質強度値に設定するための命令をさらに含む。いくつかの実施形態では、患者発生源位置の識別は、心拍動曲線の発生源位置へのマッピングに基づいており、患者発生源位置は、患者心拍動曲線に類似する心拍動曲線にマッピングされた発生源位置であり、各心拍動曲線は３Ｄ画像に関連付けられ、命令は、患者心拍動曲線に類似する心拍動曲線に関連付けられた３Ｄ画像によって表される心臓の形状と患者の心臓の３Ｄ画像によって表わされる患者の心臓の形状との違いに基づいて患者発生源位置を調整するための命令をさらに含む。いくつかの実施形態では、調整は、形状の指定された位置を位置合わせすることに基づく。いくつかの実施形態では、患者の心臓の３Ｄ画像の指定された位置は、その３Ｄ画像に追加された基準マーカーによって指定される。いくつかの実施形態では、命令は、患者発生源位置に関連付けられた患者発生源体積識別する命令をさらに含み、患者の心臓の４Ｄ画像にアクセスし、４Ｄ画像は、心臓のサイクル中に収集された一連の３Ｄ画像を含み、患者発生源体積を有する患者発生源位置での４Ｄ画像に基質マスクを追加する。いくつかの実施形態では、患者発生源位置は、３Ｄ座標によって指定され、患者発生源体積は、３Ｄ座標の各次元に対する半径の表示によって表される。いくつかの実施形態では、４Ｄ画像は、強度値を有するボクセルを有し、命令は、発生源マスクに対応するボクセルの強度値を発生源強度値に設定するための命令をさらに含む。
本主題は、構造的特徴及び／または動作に特有の言語で説明されたが、添付の特許請求の範囲で定義される本主題は、必ずしも前述の具体的な特徴または動作に限定されないことを理解されたい。むしろ、前述の具体的な特徴及び動作は、特許請求の範囲を実施する例示的な形態として開示される。
いくつかの実施形態では、異なる種類の分類に基づいて電磁源の電磁出力を分類するために、ＭＬＭＯシステムが使用され得る。例えば、分類には、心臓障害の位置（例えばローター位置）、瘢痕または線維症または催不整脈性基質の位置、及び心臓形状（例えば心室配向）などが含まれ得る。訓練データを生成する際、ＭＬＭＯシステムは、分類器が生成する分類の種類で訓練データにラベル付けを行う。従って、本発明は、添付の特許請求の範囲によるものを除き、限定されない。

Claims (41)

  1. 患者の心臓の心臓障害の患者発生源位置を有する画像データを増強するための１つ以上のコンピューティングシステムによって実行される方法であって、
    前記患者の前記心臓の３Ｄ画像と患者基質位置とを含む画像データを受信することと、
    前記患者の患者心拍動曲線を受信することと、
    前記患者心拍動曲線および心拍動曲線の発生源位置へのマッピングに基づいて、前記患者に対する心臓障害の患者発生源位置を識別することと、
    前記患者発生源位置を前記画像データに追加して、増強された画像データを生成することと、を含む方法。
  2. 前記患者発生源位置の前記識別は、心拍動曲線を入力し、発生源位置を出力する機械学習アルゴリズムを適用することを含み、前記機械学習アルゴリズムは、前記マッピングに基づいて訓練される、請求項１に記載の方法。
  3. 前記患者発生源位置の識別は、前記患者心拍動曲線を前記マッピングの前記心拍動曲線と比較して、前記患者心拍動曲線に類似する心拍動曲線を識別することを含む、請求項１に記載の方法。
  4. 前記マッピングは、実際の患者から収集された臨床データのうちの１つ以上に基づくマッピング、変動する構成パラメータに基づく心臓の電気的活動のシミュレーション、及び前記患者から導出された構成パラメータに基づく前記患者の心臓の電気的活動のシミュレーションを含む、請求項１に記載の方法。
  5. 前記患者発生源位置を識別する前に、前記識別が前記較正されたマッピングに基づくように、前記患者の心臓への前記マッピングを較正することをさらに含む、請求項１に記載の方法。
  6. 前記較正は、前記患者の前記心臓の形状に基づく、請求項５に記載の方法。
  7. 前記較正は、前記患者の心拍動曲線に基づく、請求項５に記載の方法。
  8. 前記画像データに基づいて前記患者のケアを通知するための計画システムに、前記増強された画像データを提供することをさらに含む、請求項１に記載の方法。
  9. 前記３Ｄ画像は、標準フォーマットでファイルに含まれる、請求項１に記載の方法。
  10. 前記標準フォーマットは、ダイコム（Ｄｉｇｉｔａｌ Ｉｍａｇｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｍｅｄｉｃｉｎｅ（「ＤＩＣＯＭ」）フォーマットである、請求項９に記載の方法。
  11. 前記患者基質位置および患者発生源位置は、メタデータとして前記ファイルに含まれる、請求項１０に記載の方法。
  12. 前記患者基質位置および前記患者発生源位置は、ファイルの外部である、請求項１０に記載の方法。
  13. 前記患者基質位置および前記発生源位置は、前記ファイルの前記３Ｄ画像に重ねられる、請求項１０に記載の方法。
  14. 前記表示された３Ｄ画像に重ねられた前記患者基質位置および前記発生源位置を有する前記３Ｄ画像を表示することをさらに含む、請求項１に記載の方法。
  15. 患者の臓器の障害の患者発生源位置を有する画像データを増強するための１つ以上のコンピューティングシステムであって、
    前記患者の前記臓器の３Ｄ画像と患者基質位置とを含む画像データを受信することであって、前記３Ｄ画像は、ダイコム（ＤｉｇｉｔａｌＩｍａｇｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｍｅｄｉｃｉｎｅ（「ＤＩＣＯＭ」）形式である、画像データを受信することと、
    前記患者の前記臓器の電磁（「ＥＭ」）出力から導出された患者導出電磁データを受信することと、
    前記患者導出ＥＭデータおよび導出されたＥＭデータの発生源位置へのマッピングに基づいて、前記患者の前記臓器の障害の患者発生源位置を識別することと、
    前記患者発生源位置を前記画像データに追加して増強された画像データを生成することと、
    を行うため前記１つ以上のコンピューティングシステムを制御するためのコンピュータ実行可能命令を格納する１つ以上のコンピュータ可読記憶媒体と、
    前記１つ以上のコンピュータ可読記憶媒体に格納された前記コンピュータ実行可能命令を実行するための１つ以上のプロセッサと、を備える、前記１つ以上のコンピューティングシステム。
  16. 前記臓器は心臓であり、導出されたＥＭデータは心拍動曲線であり、前記患者導出ＥＭデータは非洞調律心電図である、請求項１５に記載の１つ以上のコンピューティングシステム。
  17. 前記患者発生源位置を識別する前記命令は、心拍動曲線を入力し、発生源位置を出力する機械学習アルゴリズムを適用し、前記機械学習アルゴリズムは、前記マッピングに基づいて訓練されている、請求項１６に記載の１つ以上のコンピューティングシステム。
  18. 前記患者発生源位置を識別する前記命令は、前記患者心拍動曲線を前記マッピングの心拍動曲線と比較して、前記患者心拍動曲線に類似する心拍動曲線を識別する、請求項１６に記載の１つ以上のコンピューティングシステム。
  19. 前記マッピングは、実際の患者から収集された臨床データのうちの１つ以上に基づくマッピング、変動する構成パラメータに基づく心臓の電気的活動のシミュレーション、及び前記患者から導出された構成パラメータに基づく前記患者の心臓の電気的活動のシミュレーションを含む、請求項１６に記載の１つ以上のコンピューティングシステム。
  20. 前記命令は、前記患者発生源位置を識別する前に、前記識別が較正されたマッピングに基づくように、前記患者の心臓への前記マッピングをさらに較正する、請求項１６に記載の１つ以上のコンピューティングシステム。
  21. 前記命令は、注釈を付けられた画像データに基づいて前記患者のケアを通知するため、前記増強された画像データを計画システムにさらに提供する、請求項１６に記載の１つ以上のコンピューティングシステム。
  22. 前記命令は、前記患者基質位置および表示された３Ｄ画像に重ねられた患者発生源位置を有する前記３Ｄ画像をさらに表示する、請求項１６に記載の１つ以上のコンピューティングシステム。
  23. 患者の心臓の心臓障害の患者発生源位置を有する画像データを増強するための１つ以上のコンピューティングシステムであって、
    前記患者の前記心臓の３Ｄ画像と患者基質位置とを含む画像データにアクセスすることと、
    前記患者の患者心拍動曲線にアクセスすることと、
    前記患者心拍動曲線に基づいて、前記患者の心臓障害の患者発生源位置を識別することと、
    前記患者発生源位置を有する前記画像データを増強して前記増強された画像データを生成することと、
    を行うため前記１つ以上のコンピューティングシステムを制御するためのコンピュータ実行可能命令を格納するための１つ以上のコンピュータ可読記憶媒体と、
    前記１つ以上のコンピュータ可読記憶媒体に格納された前記コンピュータ実行可能命令を実行するための１つ以上のプロセッサと、を備える、１つ以上のコンピューティングシステム。
  24. 前記識別は、心拍動曲線の発生源位置へのマッピングに基づく、請求項２３に記載の１つ以上のコンピューティングシステム。
  25. 前記患者発生源位置を識別する前記命令は、心拍動曲線を入力し、発生源位置を出力する機械学習アルゴリズムを適用し、前記機械学習アルゴリズムは、前記マッピングに基づいて訓練されている、請求項２４に記載の１つ以上のコンピューティングシステム。
  26. 前記患者発生源位置を識別する前記命令は、前記患者心拍動曲線を前記マッピングの心拍動曲線と比較して、前記患者心拍動曲線に類似する心拍動曲線を識別する、請求項２４に記載の１つ以上のコンピューティングシステム。
  27. 前記マッピングは、実際の患者から収集された臨床データのうちの１つ以上に基づくマッピング、変動する構成パラメータに基づく心臓の電気的活動のシミュレーション、及び前記患者から導出された構成パラメータに基づく前記患者の心臓の電気的活動のシミュレーションを含む、請求項２４に記載の１つ以上のコンピューティングシステム。
  28. 前記命令は、前記患者発生源位置を識別する前に、前記識別が較正されたマッピングに基づくように、前記患者の心臓への前記マッピングを較正する、請求項２４に記載の１つ以上のコンピューティングシステム。
  29. 前記命令は、前記画像データに基づいて前記患者のケアを通知するため、前記増強された画像データを計画システムに提供する、請求項２３に記載の１つ以上のコンピューティングシステム。
  30. 前記命令は、患者の治療をサポートするシステムに前記増強された画像データを提供する、請求項２３に記載の１つ以上のコンピューティングシステム。
  31. 前記命令は、前記画像データに基づいて前記患者のケアを通知するため、前記増強された画像データを計画システムにさらに提供する、請求項２３に記載の１つ以上のコンピューティングシステム。
  32. 前記画像データは、ダイコム（Ｄｉｇｉｔａｌ Ｉｍａｇｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｍｅｄｉｃｉｎｅ（「ＤＩＣＯＭ」）フォーマットである、請求項２３に記載の１つ以上のコンピューティングシステム。
  33. 前記画像データが、前記基質位置での前記基質の体積を示す患者基質体積を含み、前記命令が、
    前記患者の前記心臓の４Ｄ画像にアクセスすることであって、前記４Ｄ画像には、前記心臓のサイクル中に収集された一連の３Ｄ画像が含まれる、アクセスすることと、
    前記基質位置で前記基質体積を持つ前記４Ｄ画像に基質マスクを追加することと、
    を行うための命令をさらに含む、請求項２３に記載の１つ以上のコンピューティングシステム。
  34. 前記患者基質位置は、３Ｄ座標によって指定され、前記患者基質体積は、前記３Ｄ座標の各次元に対する半径の表示によって表される、請求項３３に記載の１つ以上のコンピューティングシステム。
  35. 前記４Ｄ画像は、強度値を有するボクセルを有し、前記命令は、前記基質マスクに対応するボクセルの前記強度値を基質強度値に設定するための命令をさらに含む、請求項３３に記載の１つ以上のコンピューティングシステム。
  36. 前記患者発生源位置の前記識別は、心拍動曲線の発生源位置へのマッピングに基づいており、前記患者発生源位置は、前記患者心拍動曲線に類似する心拍動曲線にマッピングされた発生源位置であり、各心拍動曲線は３Ｄ画像に関連付けられ、前記命令は、前記患者心拍動曲線に類似する心拍動曲線に関連付けられた前記３Ｄ画像によって表される前記心臓の形状と前記患者の前記心臓の前記３Ｄ画像によって表わされる前記患者の前記心臓の形状との違いに基づいて前記患者発生源位置を調整するための命令をさらに含む、請求項２３に記載の１つ以上のコンピューティングシステム。
  37. 前記調整は、前記形状の指定された位置を位置合わせすることに基づく、請求項３６に記載の１つ以上のコンピューティングシステム。
  38. 前記患者の前記心臓の前記３Ｄ画像の指定された位置は、その３Ｄ画像に追加された基準マーカーによって指定される、請求項３７に記載の１つ以上のコンピューティングシステム。
  39. 前記命令は、
    患者発生源位置に関連付けられた患者発生源体積を識別することと、
    前記患者の前記心臓の４Ｄ画像にアクセスすることであって、前記４Ｄ画像には、前記心臓のサイクル中に収集された一連の３Ｄ画像が含まれる、アクセスすることと、
    前記患者発生源位置で、前記患者発生源体積を持つ前記４Ｄ画像に発生源マスクを追加することと、
    を行うための命令をさらに含む、請求項２３に記載の１つ以上のコンピューティングシステム。
  40. 前記患者発生源位置は、３Ｄ座標によって指定され、前記患者発生源体積は、前記３Ｄ座標の各次元に対する半径の表示によって表される、請求項３９に記載の１つ以上のコンピューティングシステム。
  41. 前記４Ｄ画像は、強度値を有するボクセルを有し、前記命令は、前記発生源マスクに対応するボクセルの前記強度値を発生源強度値に設定するための命令をさらに含む、請求項４０に記載の１つ以上のコンピューティングシステム。
JP2022129678A 2018-11-13 2022-08-16 発生源位置を有する画像の拡張 Pending JP2022184837A (ja)

Applications Claiming Priority (8)

Application Number Priority Date Filing Date Title
US201862760561P 2018-11-13 2018-11-13
US62/760,561 2018-11-13
US16/206,005 US10860754B2 (en) 2018-04-26 2018-11-30 Calibration of simulated cardiograms
US16/206,005 2018-11-30
US16/247,463 US11259871B2 (en) 2018-04-26 2019-01-14 Identify ablation pattern for use in an ablation
US16/247,463 2019-01-14
PCT/US2019/058217 WO2020101864A1 (en) 2018-11-13 2019-10-25 Augmentation of images with source locations
JP2021526477A JP7153973B2 (ja) 2018-11-13 2019-10-25 発生源位置を有する画像の拡張

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
JP2021526477A Division JP7153973B2 (ja) 2018-11-13 2019-10-25 発生源位置を有する画像の拡張

Publications (2)

Publication Number Publication Date
JP2022184837A true JP2022184837A (ja) 2022-12-13
JP2022184837A5 JP2022184837A5 (ja) 2023-05-22

Family

ID=70731851

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2021526477A Active JP7153973B2 (ja) 2018-11-13 2019-10-25 発生源位置を有する画像の拡張
JP2022129678A Pending JP2022184837A (ja) 2018-11-13 2022-08-16 発生源位置を有する画像の拡張

Family Applications Before (1)

Application Number Title Priority Date Filing Date
JP2021526477A Active JP7153973B2 (ja) 2018-11-13 2019-10-25 発生源位置を有する画像の拡張

Country Status (8)

Country Link
US (2) US10952794B2 (ja)
EP (1) EP3880105A4 (ja)
JP (2) JP7153973B2 (ja)
KR (1) KR20210076165A (ja)
CN (1) CN113286557A (ja)
AU (1) AU2019379084B2 (ja)
CA (1) CA3159332A1 (ja)
WO (1) WO2020101864A1 (ja)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11259871B2 (en) 2018-04-26 2022-03-01 Vektor Medical, Inc. Identify ablation pattern for use in an ablation
US12076119B2 (en) 2018-04-26 2024-09-03 Vektor Medical, Inc. Bootstrapping a simulation-based electromagnetic output of a different anatomy
US10991463B2 (en) * 2018-05-18 2021-04-27 John D. Kutzko Computer-implemented system and methods for predicting the health and therapeutic behavior of individuals using artificial intelligence, smart contracts and blockchain
KR20210076165A (ko) 2018-11-13 2021-06-23 벡터 메디칼, 인크. 근원 위치를 가진 이미지의 확대
US11445935B2 (en) * 2018-11-26 2022-09-20 Biosense Webster (Israel) Ltd. Finding the origin of an arrythmia
US10709347B1 (en) 2019-06-10 2020-07-14 Vektor Medical, Inc. Heart graphic display system
US10595736B1 (en) 2019-06-10 2020-03-24 Vektor Medical, Inc. Heart graphic display system
DE102019217811A1 (de) * 2019-11-19 2021-05-20 Robert Bosch Gmbh Verfahren und Vorrichtung zum Verarbeiten von Daten eines technischen Systems
US20220068483A1 (en) * 2020-09-01 2022-03-03 Biosense Webster (Israel) Ltd. Arrhythmia classification for cardiac mapping
WO2023018626A2 (en) 2021-08-09 2023-02-16 Vektor Medical, Inc. Tissue state graphic display system
US11534224B1 (en) * 2021-12-02 2022-12-27 Vektor Medical, Inc. Interactive ablation workflow system
US20230342583A1 (en) * 2022-04-22 2023-10-26 Apple Inc. Visualization of biosignals using machine-learning generated content
EP4449991A1 (en) * 2023-04-21 2024-10-23 GE Precision Healthcare LLC Systems for comparative analysis of cardiac information

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070219452A1 (en) * 2006-03-16 2007-09-20 Cohen Richard J Method and apparatus for the guided ablative therapy of fast ventricular arrhythmia
US20140107510A1 (en) * 2012-10-05 2014-04-17 The Regents Of The University Of Michigan Automated analysis of multi-lead electrocardiogram data to identify the exit sites of physiological conditions
WO2017112910A1 (en) * 2015-12-22 2017-06-29 The Regents Of The University Of California Computational localization of fibrillation sources
JP2019155093A (ja) * 2018-03-06 2019-09-19 バイオセンス・ウエブスター・（イスラエル）・リミテッドＢｉｏｓｅｎｓｅ Ｗｅｂｓｔｅｒ （Ｉｓｒａｅｌ）， Ｌｔｄ． 不整脈をモデリングするための心臓ペーシングのシミュレーション

Family Cites Families (152)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4352163A (en) 1979-11-09 1982-09-28 The Valeron Corporation Vectorcardiogram simulator
JPH04174643A (ja) * 1990-11-06 1992-06-22 Fujitsu Ltd 生体内活動電流イメージング装置
US5601084A (en) 1993-06-23 1997-02-11 University Of Washington Determining cardiac wall thickness and motion by imaging and three-dimensional modeling
US5458116A (en) 1994-03-30 1995-10-17 Siemens Medical Systems, Inc. Display system and method for three-dimensional vectorcardiograms
US5596634A (en) 1994-12-13 1997-01-21 At&T Telecommunications system for dynamically selecting conversation topics having an automatic call-back feature
JPH08289877A (ja) 1995-04-24 1996-11-05 Toshiba Corp 組織の興奮伝播過程のシミュレーション方法及びこの方法を使用した組織内電磁気現象診断装置
US5891132A (en) 1996-05-30 1999-04-06 Chiron Technolas Gmbh Opthalmologische Systeme Distributed excimer laser surgery system
US5803084A (en) 1996-12-05 1998-09-08 Olson; Charles Three dimensional vector cardiographic display and method for displaying same
US6292783B1 (en) 1998-03-06 2001-09-18 Plexar & Associates Phone-assisted clinical document information computer system for use in home healthcare, post-acute clinical care, hospice and home infusion applications
US6269336B1 (en) 1998-07-24 2001-07-31 Motorola, Inc. Voice browser for interactive services and methods thereof
JP2001005488A (ja) 1999-06-18 2001-01-12 Mitsubishi Electric Corp 音声対話システム
US7000187B2 (en) 1999-07-01 2006-02-14 Cisco Technology, Inc. Method and apparatus for software technical support and training
US6792086B1 (en) 1999-08-24 2004-09-14 Microstrategy, Inc. Voice network access provider system and method
US6370412B1 (en) 1999-10-07 2002-04-09 Massachusetts Institute Of Technology Method and apparatus for guiding ablative therapy of abnormal biological electrical excitation
EP1275042A2 (en) 2000-03-06 2003-01-15 Kanisa Inc. A system and method for providing an intelligent multi-step dialog with a user
US6931273B2 (en) 2000-04-11 2005-08-16 University Of California San Francisco Database of body surface ECG P wave integral maps for localization of left-sided atrial arrhythmias
US6567805B1 (en) 2000-05-15 2003-05-20 International Business Machines Corporation Interactive automated response system
US7587368B2 (en) 2000-07-06 2009-09-08 David Paul Felsher Information record infrastructure, system and method
US6721728B2 (en) 2001-03-02 2004-04-13 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration System, method and apparatus for discovering phrases in a database
US7286866B2 (en) 2001-11-05 2007-10-23 Ge Medical Systems Global Technology Company, Llc Method, system and computer product for cardiac interventional procedure planning
US7712020B2 (en) 2002-03-22 2010-05-04 Khan Emdadur R Transmitting secondary portions of a webpage as a voice response signal in response to a lack of response by a user
US7302383B2 (en) 2002-09-12 2007-11-27 Luis Calixto Valles Apparatus and methods for developing conversational applications
US7123954B2 (en) * 2002-09-19 2006-10-17 Sanjiv Mathur Narayan Method for classifying and localizing heart arrhythmias
WO2004047628A2 (en) 2002-11-01 2004-06-10 University Of Lausanne Methods of analyzing atrial fibrillations
US7424137B2 (en) 2003-04-24 2008-09-09 A.M.P.S. L.L.C. Method and system for converting paper ECG printouts to digital ECG files
US7010347B2 (en) 2004-02-14 2006-03-07 Pacesetter, Inc. Optimization of impedance signals for closed loop programming of cardiac resynchronization therapy devices
RS49856B (sr) 2004-01-16 2008-08-07 Boško Bojović Uređaj i postupak za vizuelnu trodimenzionalnu prezentaciju ecg podataka
JP4753881B2 (ja) 2004-01-16 2011-08-24 コンプメディクス リミテッド 心電図から導出された睡眠呼吸障害の監視、検出及び分類のための装置及び信号処理方法
JP2008523929A (ja) * 2004-12-21 2008-07-10 シドニー ウエスト エリア ヘルス サービス 電気生理学データの自動処理
GB0505396D0 (en) 2005-03-16 2005-04-20 Imp College Innovations Ltd Spatio-temporal self organising map
US20070060829A1 (en) 2005-07-21 2007-03-15 Carlo Pappone Method of finding the source of and treating cardiac arrhythmias
US7711165B2 (en) 2005-07-28 2010-05-04 Siemens Medical Solutions Usa, Inc. System and method for coronary artery segmentation of cardiac CT volumes
KR20080042082A (ko) 2005-08-17 2008-05-14 코닌클리케 필립스 일렉트로닉스 엔.브이. 자동 4ｄ관상 모델링 및 모션 벡터 필드 평가를 위한 방법및 장치
US7828735B2 (en) 2006-05-11 2010-11-09 The Trustees Of Columbia In The City Of New York Methods for providing diagnostic information using endocardial surface data for a patient's heart
US20080027908A1 (en) * 2006-07-24 2008-01-31 Norbert Durbeck Method for requesting and processing metadata which is contained in a data stream and associated device
US7765002B2 (en) 2006-12-08 2010-07-27 Cardiac Pacemakers, Inc. Rate aberrant beat selection and template formation
US9370310B2 (en) 2007-01-18 2016-06-21 General Electric Company Determination of cellular electrical potentials
US20080234576A1 (en) 2007-03-23 2008-09-25 General Electric Company System and method to track movement of a tool in percutaneous replacement of a heart valve
US10231077B2 (en) 2007-07-03 2019-03-12 Eingot Llc Records access and management
US20090275850A1 (en) 2008-04-30 2009-11-05 Mehendale Anil C Electrocardiographic (ECG) Data Analysis Systems and Methods
AU2009201743B2 (en) 2008-05-02 2012-05-10 Aristocrat Technologies Australia Pty Limited A gaming system and a method of gaming
CA2739838C (en) 2008-10-09 2016-11-01 The Regents Of The University Of California Methods, system and apparatus for the detection, diagnosis and treatment of biological rhythm disorders
WO2010054409A1 (en) 2008-11-10 2010-05-14 Cardioinsight Technologies, Inc. Visualization of electrophysiology data
US8073220B2 (en) 2009-04-20 2011-12-06 Siemens Aktiengesellschaft Methods and systems for fully automatic segmentation of medical images
EP2266459A1 (en) 2009-06-24 2010-12-29 Cortius B.V. i.o. Inverse imaging of electrical activity of a heart muscle
US20110028848A1 (en) * 2009-07-31 2011-02-03 Cem Shaquer Methods and Apparatus for Detecting and Mapping Tissue Interfaces
US8224640B2 (en) 2009-09-08 2012-07-17 Siemens Aktiengesellschaft Method and system for computational modeling of the aorta and heart
US9332915B2 (en) 2013-03-15 2016-05-10 The Regents Of The University Of California System and method to identify sources associated with biological rhythm disorders
US9392948B2 (en) * 2011-12-09 2016-07-19 The Regents Of The University Of California System and method of identifying sources for biological rhythms
US9282910B2 (en) 2011-05-02 2016-03-15 The Regents Of The University Of California System and method for targeting heart rhythm disorders using shaped ablation
US20110118590A1 (en) * 2009-11-18 2011-05-19 Siemens Medical Solutions Usa, Inc. System For Continuous Cardiac Imaging And Mapping
MX340276B (es) 2010-04-08 2016-07-04 Univ California Metodos, sistema y aparato para la deteccion, diagnostico y tratamiento de trastornos del ritmo biologico.
US20130131629A1 (en) 2010-05-19 2013-05-23 The Board of Regents of the Unversity of Texas System Nanochanneled device and related methods
US20110307231A1 (en) 2010-06-09 2011-12-15 Jens Kirchner Method and arrangement for creating an individualized, computer-aided model of a system, and a corresponding computer program and a corresponding machine-readable storage medium
US8438182B2 (en) 2010-12-30 2013-05-07 Microsoft Corporation Patient identification
WO2012106729A1 (en) 2011-02-04 2012-08-09 Phase Space Systems Corporation System and method for evaluating an electrophysiological signal
JP6203641B2 (ja) 2011-02-11 2017-09-27 ザ・ジョンズ・ホプキンス・ユニバーシティー 患者別に心臓手術を計画するシステム、方法、およびプログラム
US8972228B2 (en) 2011-05-03 2015-03-03 Medtronic, Inc. Assessing intra-cardiac activation patterns
US10039454B2 (en) 2011-06-24 2018-08-07 Dalhousie University Computer-aided localization of site of origin of cardiac activation
CA2851800C (en) 2011-10-12 2018-02-13 Cardioinsight Technologies, Inc. Sensing zone for spatially relevant electrical information
US10311978B2 (en) 2012-01-30 2019-06-04 Siemens Healthcare Gmbh Method and system for patient specific planning of cardiac therapies on preoperative clinical data and medical images
US9129053B2 (en) 2012-02-01 2015-09-08 Siemens Aktiengesellschaft Method and system for advanced measurements computation and therapy planning from medical data and images using a multi-physics fluid-solid heart model
US9842725B2 (en) 2013-01-31 2017-12-12 Lam Research Corporation Using modeling to determine ion energy associated with a plasma system
US9320126B2 (en) 2012-12-17 2016-04-19 Lam Research Corporation Determining a value of a variable on an RF transmission model
US20130268284A1 (en) 2012-04-05 2013-10-10 Ryan Heck System and Method for Transferring Patients Between Hospitals
JP5946127B2 (ja) 2012-05-11 2016-07-05 富士通株式会社 シミュレーション方法、シミュレーション装置、およびシミュレーションプログラム
WO2013192459A1 (en) 2012-06-20 2013-12-27 Intermountain Invention Management, Llc Atrial fibrillation treatment systems and methods
US9277970B2 (en) 2012-07-19 2016-03-08 Siemens Aktiengesellschaft System and method for patient specific planning and guidance of ablative procedures for cardiac arrhythmias
WO2014043216A1 (en) 2012-09-13 2014-03-20 University Of South Florida Systems and methods for diagnosing cardiovascular conditions
US9014795B1 (en) * 2012-09-25 2015-04-21 University Of South Florida Systems and methods for determining a cardiovascular condition of a subject
US9282894B2 (en) 2012-10-08 2016-03-15 Tosense, Inc. Internet-based system for evaluating ECG waveforms to determine the presence of p-mitrale and p-pulmonale
US9339201B2 (en) 2012-10-08 2016-05-17 Tosense, Inc. Database and algorithm for evaluating efficacy of an electrophysiology procedure
US10827983B2 (en) 2012-10-30 2020-11-10 The Johns Hopkins University System and method for personalized cardiac arrhythmia risk assessment by simulating arrhythmia inducibility
EP2936364B1 (en) 2012-12-18 2019-09-25 Koninklijke Philips N.V. Method and apparatus for simulating blood flow under patient-specific boundary conditions derived from an estimated cardiac ejection output
US10912476B2 (en) 2013-01-16 2021-02-09 University Of Vermont Catheters, systems, and related methods for mapping, minimizing, and treating cardiac fibrillation
US9254093B2 (en) 2013-01-16 2016-02-09 University Of Vermont Methods and systems for minimizing and treating cardiac fibrillation
WO2014113691A1 (en) 2013-01-17 2014-07-24 Cardioinsight Technologies, Inc. Multi-parameter physiological mapping
US20160008635A1 (en) 2013-02-04 2016-01-14 Everette C. Burdette Catheter-based ultrasound transducers
US9585579B2 (en) 2013-04-30 2017-03-07 Regents Of The University Of Minnesota Systems and methods for noninvasive spectral-spatiotemporal imaging of cardiac electrical activity
WO2014182320A1 (en) 2013-05-08 2014-11-13 The Johns Hopkins University A method for computationally predicting optimal placement sites for internal defibrillators in pediatric and congenital heart defect patients
US9078583B2 (en) 2013-08-22 2015-07-14 Aftx, Inc. Methods, systems, and apparatus for identification and characterization of rotors associated with atrial fibrillation
US20160135702A1 (en) 2013-06-21 2016-05-19 The Board Of Trustees Of The Leland Stanford Junior University Techniques for Predicting Cardiac Arrhythmias Based on Signals from Leads of Electrocardiography
CN105474219B (zh) * 2013-08-28 2019-10-18 西门子公司 用于根据医学图像和临床数据来估计生理学心脏测量的系统和方法
US10561321B2 (en) 2013-12-12 2020-02-18 Alivecor, Inc. Continuous monitoring of a user's health with a mobile device
WO2015104672A2 (en) 2014-01-10 2015-07-16 Tylerton International Holdings Inc. Detection of scar and fibrous cardiac zones
CN103829941B (zh) 2014-01-14 2016-01-20 武汉培威医学科技有限公司 一种多维心电信号成像系统及方法
US9820666B2 (en) 2014-02-04 2017-11-21 Cardioinsight Technologies, Inc. Integrated analysis of electrophysiological data
WO2015126815A1 (en) 2014-02-18 2015-08-27 Siemens Aktiengesellschaft System and method for real-time simulation of patient-specific cardiac electrophysiology including the effect of the electrical conduction system of the heart
WO2015153832A1 (en) * 2014-04-02 2015-10-08 Siemens Aktiengesellschaft System and method for characterization of electrical properties of the heart from medical images and body surface potentials
US10296707B2 (en) 2014-04-10 2019-05-21 Siemens Healthcare Gmbh System and method for patient-specific image-based guidance of cardiac arrhythmia therapies
US10342620B2 (en) 2014-04-15 2019-07-09 Siemens Healthcare Gmbh Efficient treatment of atrial fibrillation using three-dimensional electrical potential model
FR3020700B1 (fr) * 2014-04-30 2016-05-13 Univ Bordeaux Methode pour la quantification de la presence de graisses dans une region du cœur
US9595089B2 (en) 2014-05-09 2017-03-14 Siemens Healthcare Gmbh Method and system for non-invasive computation of hemodynamic indices for coronary artery stenosis
WO2015196140A1 (en) * 2014-06-20 2015-12-23 The Regents Of The University Of California Patient-specific modeling of ventricular activation pattern using surface ecg-derived vectorcardiogram in bundle branch block
US9589379B2 (en) 2014-06-24 2017-03-07 Siemens Healthcare Gmbh System and method for visualization of cardiac changes under various pacing conditions
WO2016025407A1 (en) 2014-08-11 2016-02-18 Cardiac Pacemakers, Inc. Implantable medical device coating for wetting and microbial resistance
US10687898B2 (en) 2014-11-14 2020-06-23 The Johns Hopkins University Systems and methods for atrial fibrillation treatment and risk assessment
EP3204881B1 (en) 2014-11-14 2021-05-26 Zoll Medical Corporation Medical premonitory event estimation
EP3180775B1 (en) 2014-11-18 2019-02-13 St. Jude Medical, Cardiology Division, Inc. Method and system for generating a patch surface model of a geometric structure
US9782102B2 (en) 2014-11-21 2017-10-10 Koninklijke Philips N.V. Electrocardiography to differentiate acute myocardial infarction from bundle branch block or left ventricular hypertrophy
US10165969B2 (en) 2015-01-06 2019-01-01 Braemar Manufacturing, Llc Positioning a medical device based on oxygen saturation measurements
WO2016128040A1 (en) 2015-02-11 2016-08-18 Brainlab Ag Preview visualisation of tracked nerve fibers
CN104680548A (zh) 2015-03-20 2015-06-03 福州大学 一种全方向m型心动图检测方法
US10363100B2 (en) 2015-05-12 2019-07-30 The Johns Hopkins University Systems and methods for patient-specific modeling of the heart for prediction of targets for catheter ablation of ventricular tachycardia in patients with implantable cardioverter defibrillators
US20170027465A1 (en) 2015-07-31 2017-02-02 University Of Utah Research Foundation Systems and methods for characterizing the conductive properties of the heart
EP3346915A4 (en) 2015-09-07 2018-10-10 Ablacon Inc. Systems, devices, components and methods for detecting the locations of sources of cardiac rhythm disorders in a patient's heart
WO2017041890A1 (en) 2015-09-07 2017-03-16 Ablacon Inc. Elongated medical device suitable for intravascular insertion and method of making an elongated medical device suitable for intravascular insertion
US9787676B2 (en) 2015-09-29 2017-10-10 Anhui Huami Information Technology Co., Ltd. Multi-modal biometric identification
WO2017099582A2 (en) * 2015-10-21 2017-06-15 Peacs B.V. Heart condition determination method, robot control and system
US10426364B2 (en) 2015-10-27 2019-10-01 Cardiologs Technologies Sas Automatic method to delineate or categorize an electrocardiogram
US11406845B2 (en) 2015-11-06 2022-08-09 Washington University Non-invasive imaging and treatment system for cardiac arrhythmias
WO2017091746A1 (en) * 2015-11-24 2017-06-01 The Regents Of The University Of California Mapping and quantifying blood stasis and thrombus risk in the heart
US10402966B2 (en) 2015-12-03 2019-09-03 Cardiosolv Ablation Technologies, Inc. Systems and methods for identifying optimized ablation targets for treating and preventing arrhythmias sustained by reentrant circuits
US10398331B2 (en) 2015-12-04 2019-09-03 St. Jude Medical, Cardiology Division, Inc. Methods and systems for statistically analyzing electrograms for local abnormal ventricular activities and mapping the same
US20170202521A1 (en) 2016-01-14 2017-07-20 Biosense Webster (Israel) Ltd. Overall system and method for detecting regions of interest
US11006887B2 (en) * 2016-01-14 2021-05-18 Biosense Webster (Israel) Ltd. Region of interest focal source detection using comparisons of R-S wave magnitudes and LATs of RS complexes
KR101769232B1 (ko) 2016-01-14 2017-08-17 엘지전자 주식회사 청소기 및 물 청소기구
US10517496B2 (en) 2016-01-14 2019-12-31 Biosense Webster (Israel) Ltd. Region of interest focal source detection
EP3413968B1 (en) 2016-02-12 2022-11-16 Cardiac Pacemakers, Inc. Triggering storage of onset of physiologic condition
US10835139B2 (en) 2016-03-24 2020-11-17 The Regents Of The University Of California Method to determine wavefront vector flow-field and vorticity from spatially-distributed recordings
CN109069002B (zh) 2016-05-03 2021-11-05 科迪影技术股份有限公司 检测传导定时
US11664125B2 (en) 2016-05-12 2023-05-30 Siemens Healthcare Gmbh System and method for deep learning based cardiac electrophysiology model personalization
US20180032689A1 (en) 2016-07-29 2018-02-01 Qatar University Method and apparatus for performing feature classification on electrocardiogram data
JP6635899B2 (ja) 2016-09-02 2020-01-29 株式会社日立製作所 理解度算出装置及び理解度算出方法
US10709507B2 (en) 2016-11-16 2020-07-14 Navix International Limited Real-time display of treatment-related tissue changes using virtual material
CN106725428B (zh) 2016-12-19 2020-10-27 中国科学院深圳先进技术研究院 一种心电信号分类方法及装置
US11562222B2 (en) 2017-03-07 2023-01-24 Alivecor, Inc. Systems and methods of identity analysis of electrocardiograms
WO2018162957A1 (en) 2017-03-10 2018-09-13 Qatar University Personalized ecg monitoring for early detection of cardiac abnormalities
EP3685396A1 (en) 2017-04-12 2020-07-29 Peacs B.v. Mean tsi feature based determination method and system
EP3625763B1 (en) 2017-05-18 2024-09-04 Koninklijke Philips N.V. Convolutional deep learning analysis of temporal cardiac images
US10932863B2 (en) 2017-08-01 2021-03-02 Catheter Precision, Inc. Methods of cardiac mapping and directional guidance
US10713790B2 (en) 2017-08-01 2020-07-14 Catheter Precision, Inc. Methods of cardiac mapping and directional guidance
US20210137384A1 (en) 2017-12-13 2021-05-13 Washington University System and method for determining segments for ablation
US20190223946A1 (en) 2018-01-24 2019-07-25 Medtronic Ardian Luxembourg S.A.R.L. Systems, devices, and associated methods for neuromodulation in heterogeneous tissue environments
US12076119B2 (en) 2018-04-26 2024-09-03 Vektor Medical, Inc. Bootstrapping a simulation-based electromagnetic output of a different anatomy
US10860754B2 (en) 2018-04-26 2020-12-08 Vektor Medical, Inc. Calibration of simulated cardiograms
US11065060B2 (en) 2018-04-26 2021-07-20 Vektor Medical, Inc. Identify ablation pattern for use in an ablation
US11259871B2 (en) 2018-04-26 2022-03-01 Vektor Medical, Inc. Identify ablation pattern for use in an ablation
US20210219923A1 (en) 2018-05-08 2021-07-22 University Of Pittsburgh-Of The Commonwealth System Of Higher Education System for monitoring and providing alerts of a fall risk by predicting risk of experiencing symptoms related to abnormal blood pressure(s) and/or heart rate
WO2019238526A1 (en) 2018-06-15 2019-12-19 Koninklijke Philips N.V. Synchronized tracking of multiple interventional medical devices
KR20210076165A (ko) 2018-11-13 2021-06-23 벡터 메디칼, 인크. 근원 위치를 가진 이미지의 확대
CN113939243A (zh) 2018-12-31 2022-01-14 加利福尼亚大学董事会 增强的计算心脏模拟
CA3126444A1 (en) 2019-02-21 2020-08-27 Theator inc. Systems and methods for analysis of surgical videos
US11198004B2 (en) 2019-04-11 2021-12-14 Biosense Webster (Israel) Ltd. Goal-driven workflow for cardiac arrhythmia treatment
US10595736B1 (en) 2019-06-10 2020-03-24 Vektor Medical, Inc. Heart graphic display system
US10709347B1 (en) 2019-06-10 2020-07-14 Vektor Medical, Inc. Heart graphic display system
US11298017B2 (en) 2019-06-27 2022-04-12 Bao Tran Medical analysis system
US11911166B2 (en) 2019-07-20 2024-02-27 Medtronic, Inc. Method and apparatus for implantation of a pacing electrode
US10998101B1 (en) 2019-12-15 2021-05-04 Bao Tran Health management
US20210259560A1 (en) 2020-02-26 2021-08-26 Eko Devices, Inc. Methods and systems for determining a physiological or biological state or condition of a subject
US20220047237A1 (en) 2020-08-08 2022-02-17 Rui Liu Systems and methods of body motion management during non-invasive imaging and treatment procedures
US11338131B1 (en) 2021-05-05 2022-05-24 Vektor Medical, Inc. Guiding implantation of an energy delivery component in a body

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070219452A1 (en) * 2006-03-16 2007-09-20 Cohen Richard J Method and apparatus for the guided ablative therapy of fast ventricular arrhythmia
US20140107510A1 (en) * 2012-10-05 2014-04-17 The Regents Of The University Of Michigan Automated analysis of multi-lead electrocardiogram data to identify the exit sites of physiological conditions
WO2017112910A1 (en) * 2015-12-22 2017-06-29 The Regents Of The University Of California Computational localization of fibrillation sources
JP2019155093A (ja) * 2018-03-06 2019-09-19 バイオセンス・ウエブスター・（イスラエル）・リミテッドＢｉｏｓｅｎｓｅ Ｗｅｂｓｔｅｒ （Ｉｓｒａｅｌ）， Ｌｔｄ． 不整脈をモデリングするための心臓ペーシングのシミュレーション

Also Published As

Publication number Publication date
US20210259610A1 (en) 2021-08-26
US10952794B2 (en) 2021-03-23
US12048488B2 (en) 2024-07-30
CN113286557A (zh) 2021-08-20
WO2020101864A1 (en) 2020-05-22
AU2019379084B2 (en) 2024-06-27
EP3880105A1 (en) 2021-09-22
KR20210076165A (ko) 2021-06-23
US20200405393A1 (en) 2020-12-31
JP7153973B2 (ja) 2022-10-17
JP2022519147A (ja) 2022-03-22
AU2019379084A1 (en) 2021-06-10
EP3880105A4 (en) 2022-09-07
CA3159332A1 (en) 2020-05-22

Similar Documents

Publication Publication Date Title
JP7214087B2 (ja) シミュレート心拍動曲線の較正
JP7153973B2 (ja) 発生源位置を有する画像の拡張
US12064215B2 (en) Classification relating to atrial fibrillation based on electrocardiogram and non-electrocardiogram features
US10860754B2 (en) Calibration of simulated cardiograms
US11065060B2 (en) Identify ablation pattern for use in an ablation
US20230049769A1 (en) Cardiogram collection and source location identification

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221025

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20221025

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230512

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231120

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20240213

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20240611