DE112021006734T5

DE112021006734T5 - Generieren einer abbildungsfunktion zum verfolgen einer position einer elektrode

Info

Publication number: DE112021006734T5
Application number: DE112021006734.6T
Authority: DE
Inventors: Rogier Rudolf Wildeboer; Bernardus Hendrikus Wilhelmus Hendriks; Rik Jozef Martinus Janssen; Dirk Schäfer
Original assignee: Koninklijke Philips NV
Current assignee: Koninklijke Philips NV
Priority date: 2020-12-31
Filing date: 2021-12-20
Publication date: 2023-10-12
Also published as: US20230397958A1; EP4023182A1; CN116685284A; WO2022144198A1

Abstract

Ein Mechanismus zum Generieren einer Abbildungsfunktion zum Abbilden von Messungen, die an einer Elektrode innerhalb von sich kreuzenden elektrischen Feldern durchgeführt werden, auf eine Position oder Positionen innerhalb eines mehrdimensionalen Koordinatensystems. Die Werte für Koeffizienten der Abbildungsfunktion werden unter Verwendung eines ersten maschinelles Lernalgorithmus generiert, der als Eingabe Beispielmessungen (oder Reaktionen) der Elektrode erhält und als Ausgabe Werte für die Koeffizienten der Abbildungsfunktion bereitstellt. Ein Verfahren und Verarbeitungssystem zum Durchführen dieses Mechanismus werden vorgeschlagen.

Description

GEBIET DER ERFINDUNG
Die Erfindung bezieht sich auf das Gebiet der Elektrodenpositionsverfolgung und insbesondere auf Abbildungsfunktionen, die das Verfolgen von Elektroden innerhalb von sich kreuzenden elektrischen Feldern erleichtern.
HINTERGRUND DER ERFINDUNG
Das genaue Verfolgen der Position einer Elektrode (oder von Elektroden) innerhalb eines Subjekts wird immer wichtiger, um genaue und sichere invasive Verfahren an einem Subjekt durchzuführen.
In einem auf elektrischen Feldern basierenden Elektrodenverfolgungssystem werden zwei oder mehr sich kreuzende elektrische Felder durch ein Array von Elektroden induziert, die außerhalb des Subjekts („externe Elektroden“) wie auf der Oberfläche des Subjekts positioniert sind. Diese elektrischen Felder induzieren positionsabhängige Reaktionen wie eine Spannungsreaktion in Elektroden, die innerhalb des Körpers platziert sind (eine „interne Elektrode“). Die Position einer internen Elektrode kann somit durch Überwachen der Reaktion der Elektrode auf diese elektrischen Felder verfolgt werden. Insbesondere kann eine geeignete Abbildungsfunktion verwendet werden, um eine elektrische Reaktion einer internen Elektrode auf eine Position innerhalb eines mehrdimensionalen (euklidischen/kartesischen) Koordinatensystems abzubilden.
Ein Szenario, in dem das Verfolgen der Position einer Elektrode wichtig ist, sind Ablationsverfahren, bei denen die korrekte Positionierung einer Interventionsvorrichtung (z. B. eines Katheters oder einer anderen Vorrichtung, an der eine solche Elektrode montiert werden kann) wichtig ist, um unbeabsichtigte Schäden am Subjekt zu minimieren, wie Schäden, die durch Durchführen der Ablation an einer falschen Stelle entstehen.
Ein weiteres Szenario, in dem ein genaues Verfolgen der Position einer Elektrode wichtig ist, ist die medizinische Bildgebung, ein Schlüsselelement bei der Diagnose und/oder Behandlung eines Subjekts. Ein dielektrischer Bildgebungsprozess umfasst das Verfolgen und iterative Aufzeichnen der Position einer oder mehrerer interner Elektrode(n) sowie das (Re-)Konstruieren eines anatomischen Modells der inneren Anatomie des Subjekts auf Basis der aufgezeichneten Positionen. Eine Konstruktion des anatomischen Modells ist möglich, weil davon ausgegangen werden kann, dass sich die internen Elektroden nur innerhalb von Hohlräumen des Subjekts befinden, wodurch die Grenzen des Hohlraums konstruiert werden können.
Ein Beispiel für einen geeigneten Mechanismus zum Konstruieren eines Modells der inneren Anatomie des Subjekts auf Basis der Reaktion interner Elektroden auf sich kreuzende elektrische Felder, die durch externe Elektroden induziert werden, wird in der europäischen Patentanmeldung mit der Veröffentlichungsnummer EP 3568068 A1 offenbart.
Es besteht ein ständiges Bestreben, die Abbildungsfunktion zu verbessern, die verwendet wird, um eine elektrische Reaktion (auf die sich kreuzenden elektrischen Felder) einer internen Elektrode in eine Position in einem mehrdimensionalen Koordinatensystem umzuwandeln. Dies würde die Genauigkeit des Verfolgens der Position einer Elektrode und/oder die Genauigkeit eines beliebigen anatomischen Modells, das durch Verarbeiten verfolgter Positionen generiert wird, verbessern.
KURZDARSTELLUNG DER ERFINDUNG
Die Erfindung wird durch die Ansprüche definiert.
Entsprechend Beispielen gemäß einem Gesichtspunkt der Offenbarung wird ein computerimplementiertes Verfahren zum Generieren einer Abbildungsfunktion bereitgestellt, die eine Reaktion einer Elektrode auf sich kreuzende elektrische Felder innerhalb eines Subjekts auf eine Position in einem mehrdimensionalen Koordinatenraum abbildet.
Das computerimplementierte Verfahren umfasst: Erhalten (einer Reihe von) elektrischer Reaktionen von einer oder mehreren Elektroden, die an einer Interventionsvorrichtung montiert (darauf vorhanden) sind, auf die sich kreuzenden elektrischen Felder, die innerhalb des Subjekts induziert werden; Verarbeiten der erhaltenen (Reihe von) elektrischen Reaktionen unter Verwendung eines ersten maschinellen Lernalgorithmus, um einen oder mehrere Werte für einen oder mehrere jeweilige Parameter der Abbildungsfunktion zu erhalten; und Definieren der Abbildungsfunktion auf Basis des einen oder mehreren erhaltenen Werte für den einen oder die mehreren jeweiligen Parameter der Abbildungsfunktion. Der maschinelle Lernalgorithmus ist ein so trainierter maschineller Lernalgorithmus, dass er auf Basis seiner Eingabe der elektrischen Reaktionen die zugehörigen Parameter der Abbildungsfunktion ausgibt.
Die vorliegende Offenbarung nutzt einen maschinellen Lernalgorithmus, um Parameter und/oder Eigenschaften der Abbildungsfunktion zu bestimmen, die verwendet werden, um eine Reaktion (z. B. eine Spannungsreaktion) einer Elektrode in eine Position innerhalb eines mehrdimensionalen Koordinatenraums umzuwandeln. Insbesondere bestimmt der erste maschinelle Lernalgorithmus Werte für Parameter (z. B. Koeffizienten) der Abbildungsfunktion.
Herkömmlicherweise wird, wie z. B. in EP 3568068 A1 offenbart, eine Minimierungsfunktion verwendet, um die Werte für die Parameter der Abbildungsfunktion zu bestimmen, z. B. damit die von der Abbildungsfunktion vorausgesagten Positionen bekannte Eigenschaften der Elektroden (wie Abstand oder Entfernung zwischen zwei oder mehreren Elektroden) einhalten. Ein anderer Ansatz könnte darin bestehen, eine analytische Lösung zum Bestimmen der Werte für die Parameter zu verwenden, z. B. durch lineare Regression. Dies kann zeitaufwendig sein und/oder zu weniger präzisen Abbildungsfunktionen führen.
Im Rahmen der vorliegenden Offenbarung wird anerkannt, dass ein maschineller Lernalgorithmus anstelle bereits vorhandener Ansätze verwendet werden könnte, um Werte für die Parameter der Abbildungsfunktion zu berechnen. Hierin wird anerkannt, dass ein solcher Ansatz die Geschwindigkeit und/oder Rechenleistung verbessert, die zum (genauen) Berechnen der Werte für die Parameter/Koeffizienten der Abbildungsfunktion erforderlich sind. Damit lässt sich eine verbesserte anatomische Abbildung und/oder Verfolgung und Navigation der Interventionsvorrichtung erreichen. Zum Beispiel können solche Merkmale schneller und letztlich in Echtzeit bereitgestellt werden.
Der vorgeschlagene Ansatz bietet somit einen Mechanismus für eine verbesserte Abbildungsfunktion und/oder zum besseren Generieren einer Abbildungsfunktion durch Verwenden eines maschinellen Lernalgorithmus, um die Werte für Parameter (z. B. Gewichte oder Koeffizienten für Variablen der Abbildungsfunktion) zu definieren. Dies stellt einen verbesserten Ansatz zum Generieren der Abbildungsfunktion bereit. Die Variablen basieren in diesem Zusammenhang auf Eingabedaten (z. B. Elektrodenreaktionsdaten wie zum Beispiel Spannungs-, Strom- oder Impedanzdaten). Solche Reaktionsdaten können, wie hierin definiert, durch Abtasten von zwei oder mehr sich kreuzenden elektrischen Feldern erhalten werden.
Üblicherweise nutzt eine Abbildungsfunktion einen definierten Satz von Variablen und einen zugehörigen Satz von Parametern. Daher lässt sich ein Typ einer Abbildungsfunktion durch seinen Satz von Variablen und/oder seinen Satz von Parametern definieren. Für einen bestimmten definierten Typ von Abbildungsfunktion kann ein trainierter erster maschineller Lernalgorithmus verwendet werden, um einen optimalen Satz von Werten für die Parameter zu finden, wenn ein Satz von Werten der Variablen auf Basis der einen oder mehreren elektrischen Reaktionen eingespeist wird.
In einigen Beispielen kann eine anfängliche Abbildungsfunktion erhalten werden, z. B. mit Vorlagen-, Leer- oder vorbestimmten Werten für bestimmte Parameter (z. B. Gewichte oder Koeffizienten). Der erste maschinelle Lernalgorithmus kann Werte für Gewichte/Koeffizienten (oder andere Parameter) der generischen Abbildungsfunktion definieren, um die generische Abbildungsfunktion effektiv auf das spezifische Anwendungsszenario abzustimmen.
Der erste maschinelle Lernalgorithmus kann für den Typ der Interventionsvorrichtung und/oder andere Eigenschaften der Interventionsvorrichtung spezifisch sein. Bei dieser Ausführungsform wird anerkannt, dass die Eigenschaften der Interventionsvorrichtung einen Einfluss darauf haben, wie die Abbildungsfunktion generiert werden sollte, da die Beziehung zwischen verschiedenen Positionen, die von einer Abbildungsfunktion vorausgesagt werden, je nach Interventionsvorrichtung unterschiedlich ist. In bestimmten Beispielen hängt der erste maschinelle Lernalgorithmus von den geometrischen, elektrischen und/oder mechanischen Eigenschaften der Interventionsvorrichtung und insbesondere dem Abstand zwischen an der Interventionsvorrichtung montierten Elektroden ab.
Das Verfahren kann ferner einen Schritt zum Erhalten einer anfänglichen Abbildungsfunktion umfassen, und der Schritt des Definierens der Abbildungsfunktion kann das Definieren eines oder mehrerer Parameter der anfänglichen Abbildungsfunktion auf Basis des einen oder der mehreren erhaltenen Werte umfassen.
In einigen Beispielen ist die anfängliche Abbildungsfunktion spezifisch für den Typ der Interventionsvorrichtung und/oder die erhaltenen elektrischen Reaktionen. Vorzugsweise hängt das erste maschinelle Lernen von der anfänglichen Abbildungsfunktion ab.
Das Verfahren kann ferner einen Schritt zum Erhalten des ersten maschinellen Lernalgorithmus umfassen, indem die erhaltenen elektrischen Reaktionen unter Verwendung eines zweiten maschinellen Lernalgorithmus verarbeitet werden, um einen von einer Vielzahl potenzieller erster maschineller Lernalgorithmen zu identifizieren, der als der erste maschinelle Lernalgorithmus zu verwenden ist.
So kann ein zweiter (unterschiedlicher) maschineller Lernalgorithmus verwendet werden, um vorauszusagen, welcher erste maschinelle Lernalgorithmus verwendet werden sollte, um die Werte für die Parameter der Abbildungsfunktion zu generieren (z. B. Werte für die Gewichte/Koeffizienten einer generischen oder Basis-Abbildungsfunktion).
Dieser Ansatz ermöglicht einen einfachen und automatisierten Ansatz zum Auswählen eines geeigneten ersten maschinellen Lernalgorithmus zur Verwendung beim Generieren der Abbildungsfunktion. Dies wiederum stellt einen genaueren Mechanismus zum Generieren der Werte für die generierte Abbildungsfunktion bereit.
Natürlich können auch andere Ansätze zum Erhalten des ersten maschinellen Lernalgorithmus verwendet werden, z. B. Verwenden eines einzelnen ersten maschinellen Lernalgorithmus, Verwenden einer Nachschlagetabelle (z. B. um Informationen über die Interventionsvorrichtung mit einem bestimmten ersten maschinellen Lernalgorithmus zu korrelieren), Verwenden eines Entscheidungsbaums für die Verwendung oder dergleichen.
In einigen Beispielen umfasst der Schritt des Erhaltens des ersten maschinellen Lernalgorithmus: Verarbeiten der erhaltenen elektrischen Reaktionen unter Verwendung des zweiten maschinellen Lernalgorithmus, um einen Typ der Interventionsvorrichtung zu identifizieren; und Identifizieren, welcher potenzielle erste maschinelle Lernalgorithmus als der erste maschinelle Lernalgorithmus zu verwenden ist, basierend auf dem identifizierten Typ der Interventionsvorrichtung.
Bei dieser Ausführungsform wird anerkannt, dass verschiedene Typen von Interventionsvorrichtung beim Generieren der Werte für die Abbildungsfunktion unterschiedlich behandelt werden sollten. Bei dieser Ausführungsform wird auch anerkannt, dass ein Typ einer Interventionsvorrichtung auf Basis der von der Interventionsvorrichtung generierten elektrischen Reaktionen vorausgesagt werden kann (z. B. aufgrund eines Unterschieds in einer Beziehung zwischen elektrischen Reaktionen zwischen unterschiedlichen Interventionsvorrichtungen und dergleichen).
Ein alternativer Ansatz könnte darin bestehen, eine Nachschlagetabelle oder dergleichen zu verwenden (z. B. zum Abbilden elektrischer Reaktionen auf einen Typ von Interventionsvorrichtung). Ein weiterer Ansatz könnte darin bestehen, eine Benutzereingabe oder eine automatisch übermittelte Eingabe (Vorrichtungskennung), die den Typ von Interventionsvorrichtung angibt, zu empfangen und den potenziellen ersten maschinellen Lernalgorithmus zu identifizieren, der als der erste maschinelle Lernalgorithmus zu verwenden ist, basierend auf dem identifizierten Typ von Interventionsvorrichtung. Die automatisch übermittelte Kennung kann beim Verbinden einer Vorrichtung mit einem Verarbeitungssystem, wie hierin definiert, übermittelt werden, wobei die Vorrichtung diese Kennung entweder beim Verbinden aktiv übermittelt oder das Verarbeitungssystem diese Kennung beim Verbinden von der Vorrichtung abruft.
Wahlweise umfasst der Schritt des Verarbeitens der erhaltenen elektrischen Reaktionen: Normalisieren der erhaltenen elektrischen Reaktionen; und Verarbeiten der normalisierten erhaltenen elektrischen Reaktionen unter Verwendung des ersten maschinellen Lernalgorithmus, um einen oder mehrere Werte für den einen oder die mehreren jeweilige Parameter der Abbildungsfunktion zu erhalten. Normalisieren der erhaltenen elektrischen Reaktionen bedeutet, dass sie leichter als Netzwerkeingabe verwendbar sind und insbesondere ein „Aufblähen“ eines maschinellen Lernalgorithmus verhindern können.
Andere Vorverarbeitungsschritte können anderweitig/zusätzlich nach den erhaltenen elektrischen Reaktionen durchgeführt werden, z. B. durch Zentrieren/Zentralisieren, Rauschentfernung, Bewegungskompensation, Trunkieren, Filtern usw. Diese Ansätze können das Interpretieren der elektrischen Reaktionen durch einen maschinellen Lernalgorithmus erleichtern und die Genauigkeit der Ausgabe des maschinellen Lernalgorithmus verbessern.
Der Schritt des Erhaltens elektrischer Reaktionen kann das Erhalten mindestens einiger elektrischer Reaktionen von zwei oder mehr Elektroden umfassen, die an einer innerhalb des Subjekts positionierten Interventionsvorrichtung montiert sind. In anderen Beispielen werden die elektrischen Reaktionen aus einem Speicher erhalten, der die elektrischen Reaktionen von zwei oder mehr Elektroden speichert, die an der Interventionsvorrichtung montiert sind. Natürlich könnte auch eine Kombination aus beiden Ansätzen verwendet werden (z. B. könnten die elektrischen Reaktionen aus der Interventionsvorrichtung und/oder einem Speicher erhalten werden).
Vorzugsweise wird der erste maschinelle Lernalgorithmus unter Verwendung computergenerierter synthetischer elektrischer Reaktionen trainiert. Natürlich ist es nicht unbedingt erforderlich, dass der erste maschinelle Lernalgorithmus ausschließlich unter Verwendung synthetischer elektrischer Reaktionen trainiert wird (z. B. könnten „echte“ oder eingegebene elektrische Reaktionen zusätzlich oder anstelle der synthetischen elektrischen Reaktionen verwendet werden). In jedem Fall wird ein Satz elektrischer Reaktionen, der für das Trainieren verwendet wird, mit einem Satz von Parameterwerten gekennzeichnet oder versehen, die bei Verwendung für eine vordefinierte Abbildungsfunktion bewirken, dass die Abbildungsfunktion eine gute Abbildung der elektrischen Reaktionen auf Positionen in einem multivariablen Koordinatenraum liefert.
Bei den elektrischen Reaktionen kann es sich um elektrische Reaktionen der einen oder mehreren Elektroden innerhalb eines vorbestimmten Teils eines anatomischen Zyklus des Subjekts handeln. Ein anatomischer Zyklus ist jeder voraussagbarer zyklischer Bewegungsablauf oder Bewegung des Subjekts wie ein Herzzyklus oder ein Atemzyklus. Andere geeignete voraussagbare anatomische Zyklen eines Subjekts sind für Fachleute leicht ersichtlich.
Bei dieser Ausführungsform wird anerkannt, dass sich die am besten geeignete Abbildungsfunktion (zum genauen Voraussagen der Position) während eines anatomischen Zyklus des Subjekts ändern kann, z. B. aufgrund von Änderungen der dielektrischen Eigenschaften eines Subjekts während des anatomischen Zyklus, die zu Änderungen der elektrischen Reaktion einer Elektrode führen, die sich an derselben Position in dem Subjekt befindet.
Durch effektives Gating der erhaltenen elektrischen Reaktionen (d. h. so dass sie nur einem vorbestimmten Teil des anatomischen Zyklus entsprechen) kann die Abbildungsfunktion für einen bestimmten Teil des anatomischen Zyklus spezifisch gemacht werden, um die Konsistenz und Genauigkeit beim Verfolgen einer Position einer Elektrode innerhalb der sich kreuzenden elektrischen Felder zu verbessern.
In einigen Beispielen werden die elektrischen Reaktionen gefiltert und/oder modifiziert, um die Verhaltensreaktion (d. h. die erwartete Änderung) der elektrischen Reaktionen im Verlauf des anatomischen Zyklus zu kompensieren, z. B. durch Verwendung von Bewegungskompensation.
In bestimmten Beispielen können verschiedene Abbildungsfunktionen für verschiedene Teile des anatomischen Zyklus erstellt oder generiert werden. So kann das beschriebene Verfahren unter Verwendung unterschiedlicher elektrischer Reaktionen für unterschiedliche Teile des anatomischen Zyklus wiederholt werden. Dieser Ansatz ermöglicht ein kontinuierlicheres Verfolgen der Position einer Elektrode.
Bei einigen Ausführungsformen hängt der erste maschinelle Lernalgorithmus von dem vorbestimmten Teil des anatomischen Zyklus des Subjekts ab.
Der erste maschinelle Lernalgorithmus kann ein rekursives neuronales Netzwerk, ein faltendes neuronales Netzwerk und/oder ein tiefes entfaltendes Netzwerk umfassen. Andere geeignete Formen eines maschinellen Lernalgorithmus sind für Fachleute ersichtlich.
Auch wird ein computerimplementiertes Verfahren zum Identifizieren der Position, in einem mehrdimensionalen Koordinatenraum, einer Elektrode innerhalb eines Subjekts vorgeschlagen.
Das computerimplementierte Verfahren umfasst: Erhalten einer Abbildungsfunktion wie derer, die unter Verwendung eines hierin beschriebenen Verfahrens generiert werden; Erhalten der elektrischen Reaktion einer Elektrode auf sich kreuzende elektrische Felder innerhalb des Subjekts; und Bestimmen einer Position, in einem mehrdimensionalen Koordinatenraum, der Elektrode durch Verarbeiten der elektrischen Reaktion der Elektrode unter Verwendung der Abbildungsfunktion. Andere Abbildungsfunktionen (z. B. unter Verwendung herkömmlicher Ansätze generiert) können in anderen Gesichtspunkten des erfinderischen Konzepts verwendet werden.
Das Verfahren kann ferner das Erhalten von Hinweisdaten als Reaktion auf eine Änderung in einer oder mehreren dielektrischen Eigenschaften von Elementen innerhalb des sich kreuzenden elektrischen Felds und/oder einer Eigenschaft der Interventionsvorrichtung und/oder Elektroden umfassen; und als Reaktion auf die Hinweisdaten, die auf eine Änderung hinweisen, Neugenerieren einer Abbildungsfunktion, z. B. durch Durchführen eines hierin beschriebenen Verfahrens.
Bei dieser Ausführungsform wird anerkannt, dass Änderungen der dielektrischen Eigenschaften von Elementen innerhalb der sich kreuzenden elektrischen Felder (z. B. Änderungen der anatomischen Struktur aufgrund von Ablation oder dergleichen) oder der Interventionsvorrichtung (z. B. Aufblasen eines Kryoballons) die Genauigkeit einer Abbildungsfunktion beeinflussen. Durch Neugenerieren der Abbildungsfunktion als Reaktion auf solche Änderungen kann eine Genauigkeit der Abbildungsfunktion aufrechterhalten/beibehalten werden.
Auch ein computerimplementiertes Verfahren zum Generieren eines anatomischen Modells eines anatomischen Hohlraums wird vorgeschlagen, wobei das computerimplementierte Verfahren umfasst: iteratives Identifizieren der Position einer oder mehrerer Elektroden innerhalb eines anatomischen Hohlraums durch Durchführen eines hierin beschriebenen Verfahrens; und Generieren eines anatomischen Modells des anatomischen Hohlraums durch Verarbeiten der identifizierten Positionen der einen oder mehreren Elektroden. Mechanismen zum Generieren eines anatomischen Modells auf Basis der aufgezeichneten Positionen einer Elektrode (oder von Elektroden) innerhalb eines anatomischen Hohlraums sind Fachleuten wohlbekannt.
Auch wird ein Computerprogrammprodukt vorgeschlagen, das Computerprogrammcodemittel umfasst, die, wenn sie auf einer Computervorrichtung mit einem Verarbeitungssystem ausgeführt werden, das Verarbeitungssystem veranlassen, alle Schritte des hierin beschriebenen Verfahrens durchzuführen.
In ähnlicher Art und Weise wird auch ein computerlesbares (Speicher-)Medium vorgeschlagen, das Anweisungen umfasst, die, wenn sie von einem Computer oder Verarbeitungssystem ausgeführt werden, den Computer oder das Verarbeitungssystem veranlassen, (die Schritte) jedes hierin beschriebenen Verfahrens auszuführen. Auch wird ein computerlesbarer Datenträger vorgeschlagen, auf dem das zuvor beschriebene Computerprogramm(-produkt) gespeichert ist. Es wird auch ein Datenträgersignal vorgeschlagen, welches das zuvor beschriebene Computerprogramm(-produkt) trägt.
Auch wird ein Verarbeitungssystem zum Generieren einer Abbildungsfunktion vorgeschlagen, die eine Reaktion einer Elektrode auf sich kreuzende elektrische Felder innerhalb eines Subjekts auf eine Position in einem mehrdimensionalen Koordinatenraum abbildet.
Das Verarbeitungssystem ist konfiguriert zum: Erhalten, an einer Eingabeschnittstelle, elektrischer Reaktionen von einer oder mehreren Elektroden, die an einer Interventionsvorrichtung montiert sind, auf die sich kreuzenden elektrischen Felder, die innerhalb des Subjekts induziert werden; Verarbeiten der erhaltenen elektrischen Reaktionen unter Verwendung eines ersten maschinellen Lernalgorithmus, um einen oder mehrere Werte für einen oder mehrere jeweilige Parameter der Abbildungsfunktion zu erhalten; und Definieren der Abbildungsfunktion auf Basis des einen oder der mehreren erhaltenen Werte für den einen oder die mehreren jeweiligen Parameter der Abbildungsfunktion.
Das Verarbeitungssystem kann ferner dafür konfiguriert sein, eine empfangene elektrische Reaktion auf eine Position in einem Mehrkoordinatenraum unter Verwendung der definierten Abbildungsfunktion zu verarbeiten.
Die hierin definierten Verarbeitungssysteme können Teil eines Abbildungssystems sein. Ein solches Abbildungssystem kann ferner ein System zum Generieren elektrischer Felder umfassen, das einen elektrischen Feldgenerator zum Generieren elektrischer Signale für einen Satz von Elektroden umfasst, der dafür konfiguriert ist, bei Verwendung sich kreuzende elektrische Felder bereitzustellen. Wahlweise kann das Abbildungssystem eines oder mehrere von Folgendem umfassen: eine Interventionsvorrichtung mit einer oder mehreren Elektroden, die dafür konfiguriert sind, mit dem Verarbeitungssystem verbunden zu werden; und einen Satz von Elektroden zum Generieren von sich kreuzenden elektrischen Feldern innerhalb eines interessierenden Bereichs eines Subjekts, wobei der Satz von Elektroden dafür konfiguriert ist, mit dem System zum Generieren elektrischer Felder verbunden zu werden.
Gemäß der vorliegenden Offenbarung wird ein computerimplementiertes Verfahren zum Generieren eines trainierten ersten maschinellen Lernalgorithmus bereitgestellt, der in der Lage ist, Werte für einen oder mehrere jeweilige Parameter einer Abbildungsfunktion bereitzustellen. Die Abbildungsfunktion ist dafür konfiguriert, eine elektrische Reaktion, die für sich kreuzende Felder innerhalb eines interessierenden Subjekts repräsentativ ist, in eine Position in einem mehrdimensionalen Koordinatenraum umzuwandeln. Das Verfahren umfasst einen Schritt des Empfangens eines Trainingsdatensatzes, wobei der Trainingsdatensatz einen oder mehrere Sätze der elektrischen Reaktionen umfasst, wobei jeder Satz mit zugehörigen Werten für einen oder mehrere Parameter einer Abbildungsfunktion versehen ist, die in der Lage ist, den Satz elektrischer Reaktionen in einen repräsentativen Satz von Positionen in dem mehrdimensionalen Koordinatenraum umzuwandeln. Das Verfahren umfasst ferner den Schritt, einen maschinellen Lernalgorithmus den Trainingsdaten unter Verwendung eines Lernverfahrens zu unterziehen, um den trainierten maschinellen Lernalgorithmus mit Parametern des trainierten maschinellen Lernalgorithmus bereitzustellen, die zur Ausgabe vorausgesagter Werte für den einen oder die mehreren Parameter der Abbildungsfunktion optimiert sind, basierend auf einer Eingabe eines Satzes elektrischer Reaktionen. Das Verfahren umfasst ferner einen optionalen Schritt des Bereitstellens des trainierten maschinellen Lernalgorithmus oder den trainierten maschinellen Lernalgorithmus.
Auch wird ein Verfahren zum Trainieren eines maschinellen Lernalgorithmus zum Bereitstellen von Parametern für eine Abbildungsfunktion unter Verwendung eines Trainingsdatensatzes vorgeschlagen. Der Trainingsdatensatz umfasst eine Vielzahl von Sätzen elektrischer Reaktionen, wie hierin definiert. Jeder Satz von Reaktionen wird mit Parameterwerten für eine geeignete Abbildungsfunktion für den jeweiligen Satz elektrischer Reaktionen gekennzeichnet oder versehen. Das Trainingsverfahren kann überwachtes Lernen unter Verwendung des Trainingsdatensatzes umfassen oder darin bestehen. Das überwachte Training basiert auf iterativem Verringern einer Diskrepanz (Fehler) zwischen einem Satz von Parametern, der von einem maschinellen Lernalgorithmus für einen Satz elektrischer Reaktionen vorausgesagt wird, und dem Satz gekennzeichneter Parameter für den Satz elektrischer Reaktionen. Für ein solches oder anderes Training können bekannte Verfahren verwendet werden.
In einigen Beispielen des computerimplementierten Verfahrens zum Trainieren eines maschinellen Lernalgorithmus umfassen der eine oder die mehreren Sätze elektrischer Reaktionen elektrische Reaktionen, die mit nur einem Typ von Elektrodenkonfiguration erhalten wurden. Zum Beispiel kann es sich bei der Elektrodenkonfiguration um eine solche mit einer oder mehreren Elektroden handeln, die auf einem linearen distalen Teil eines Katheters oder auf einem ballon- oder splinebasierten oder gitterartigen Katheter angeordnet sind. Die Reaktionen können unter Verwendung eines spezifischen Typs von Interventionsvorrichtung erhalten werden. Daher kann eine für diesen Typ von Vorrichtung optimierte Abbildungsfunktion bereitgestellt werden, die für viele Subjekte anwendbar ist.
Der Trainingsdatensatz umfasst vorzugsweise auch weitere Kennzeichnungen wie Kathetertyp oder Abstände und/oder Ausrichtung von Elektroden zueinander. Bei dem Lerndatensatz kann es sich um einen synthetischen Satz handeln, der unter Verwendung mathematischer Modelle zum Berechnen elektrischer Felder und deren Reaktionen auf Elektroden innerhalb eines Anatomiemodells generiert wird. Alternativ oder zusätzlich können tatsächliche Messdaten einer realen Anatomie in Kombination mit optimierten Parametern einer Abbildungsfunktion für die Lerndaten verwendet werden. Es können auch andere Arten von Training verwendet werden, die im Stand der Technik bekannt sind.
Das Trainingsverfahren kann in einem Computerprogrammprodukt implementiert sein, das Computerprogrammcodemittel umfasst, die, wenn sie auf einer Computervorrichtung mit einem Verarbeitungssystem ausgeführt werden, das Verarbeitungssystem veranlassen, die Schritte eines Verfahrens durchzuführen, wie in den Ansprüchen oder anderweitig hierin definiert. Das Computerprogrammprodukt kann auf einem computerlesbaren Medium, wie einem nicht-transitorischen computerlesbaren Medium oder einer Speichervorrichtung, gespeichert sein.
Fachleute wären leicht in der Lage, das Verarbeitungssystem und das Abbildungssystem anzupassen, um jedes hier beschriebene Verfahren durchzuführen, und umgekehrt.
Diese und andere Gesichtspunkte der Offenbarung werden aus der/den nachstehend beschriebenen Ausführungsform(en) ersichtlich und unter Bezugnahme auf diese erläutert.
KURZBESCHREIBUNG DER ZEICHNUNGEN
Für ein besseres Verständnis der Offenbarung und um deutlicher zu zeigen, wie sie in die Praxis umgesetzt werden kann, wird nun lediglich beispielhaft auf die beigefügten Zeichnungen Bezug genommen, in denen:

1 Positionen für einen Satz externer Elektroden veranschaulicht, die auf einem Subjekt positioniert sind;
2 ein Koordinatensystem zum Definieren einer Richtung elektrischer Felder veranschaulicht, die von den externen Elektroden generiert werden;
3 ein Verarbeitungssystem veranschaulicht;
4 einen Ansatz zum Rekonstruieren eines anatomischen Modells aus einer Punktwolke veranschaulicht;
5 eine Abbildungsfunktion veranschaulicht;
6 ein Flussdiagramm ist, das ein Verfahren veranschaulicht;
7 ein Flussdiagramm ist, das ein anderes Verfahren veranschaulicht;
8 ein Blockdiagramm ist, das ein Verarbeitungssystem veranschaulicht; und
9 ein Abbildungssystem veranschaulicht, das ein Verarbeitungssystem umfasst.
10 ein Flussdiagramm eines Trainingsverfahrens für maschinelles Lernen veranschaulicht.

DETAILLIERTE BESCHREIBUNG DER AUSFÜHRUNGSFORMEN
Die Erfindung wird unter Bezugnahme auf die Figuren beschrieben.
Die detaillierte Beschreibung und spezifischen Beispiele sind, während sie beispielhafte Ausführungsformen der Einrichtung, Systeme und Verfahren angeben, nur zur Veranschaulichung gedacht und sollen den Schutzumfang der Erfindung nicht einschränken. Diese und andere Merkmale, Gesichtspunkte und Vorteile der Geräte, Systeme und Verfahren der vorliegenden Offenbarung werden durch die folgende Beschreibung, die beigefügten Ansprüche und die begleitenden Zeichnungen besser verständlich. Die Figuren sind lediglich schematisch und nicht maßstabsgetreu gezeichnet. Zur Kennzeichnung gleicher oder ähnlicher Teile werden in den Figuren die gleichen Bezugszeichen verwendet.
Die Offenbarung stellt einen Mechanismus zum Generieren einer Abbildungsfunktion bereit, um Messungen, die an einer Elektrode innerhalb von sich kreuzenden elektrischen Feldern durchgeführt werden, auf eine Position oder Positionen innerhalb eines mehrdimensionalen Koordinatensystems abzubilden. Die Werte für Koeffizienten der Abbildungsfunktion werden unter Verwendung eines ersten maschinelles Lernalgorithmus generiert, der als Eingabe Beispielmessungen (oder Reaktionen) der Elektrode erhält und als Ausgabe Werte für die Koeffizienten der Abbildungsfunktion bereitstellt. Ein Verfahren und Verarbeitungssystem zum Durchführen dieses Mechanismus werden vorgeschlagen.
Ausführungsformen basieren auf der Erkenntnis, dass der Prozess zum Generieren einer Abbildungsfunktion eine komplexe Aufgabe ist, die durch maschinelle Lernalgorithmen verbessert werden kann. Darüber hinaus wird anerkannt, dass ein Prozess zum Generieren von Werten für Koeffizienten der Abbildungsfunktion unter Verwendung eines maschinellen Lernalgorithmus anstelle herkömmlicher Minimierungs-/Linearregressionsansätze erreicht werden kann. Dies erleichtert ein flexibleres Generieren von Abbildungsfunktionen.
Konzepte der Offenbarung können unter allen Umständen eingesetzt werden, unter denen es vorteilhaft wäre, eine Reaktion, vorzugsweise eine elektrische oder elektromagnetische Reaktion, innerhalb sich kreuzender elektrischer Felder, die in einem Subjekt induziert werden, auf eine Position im Raum abzubilden, wie zum Verfolgen einer Elektrode von z. B. einer Interventionsvorrichtung während eines OP-/Interventionsverfahrens und/oder zum Durchführen einer Bildgebung einer Anatomie oder eines anatomischen Hohlraums.
Im Zusammenhang mit der vorliegenden Offenlegung kann eine Interventionsvorrichtung jede Vorrichtung zum Eindringen in einen interessierenden Bereich eines Subjekts wie eines Menschen oder eines Tiers sein. Beispiele hierfür können ein Endoskop, einen Katheter oder chirurgische oder andere Behandlungsvorrichtungen einschließen. Diese können Katheter für elektrophysiologische Behandlungen, transösophageale Echographie oder für intrakardiale Echographie oder für optische Untersuchungen einschließen. Chirurgische Instrumente können Vorrichtungen zum Schneiden von Gewebe oder zur Gewebeablation oder Nadeln zur Injektion von Medikamenten oder zur Entnahme von Proben (z. B. Biopsien) einschließen. Andere Behandlungsvorrichtungen können solche zum Entfernen von Gefäßverstopfungen oder zum Einführen von Stents oder anderen Reparaturvorrichtungen in einen Körper einschließen. All diese Vorrichtungen haben ein besonderes Design hinsichtlich der Geometrie und/oder Materialien in der Nähe von Elektrodenpositionen, die elektrische Reaktionen, die mit solchen Elektroden gemessen werden, beeinflussen können. Zum Beispiel können Abmessungen und Abstände zueinander sowie die Ausrichtung von Elektroden unterschiedlich sein. Alternativ oder zusätzlich können sich Materialien eines distalen Endes einer Interventionsvorrichtung unterscheiden, was sich auf die gemessenen elektrischen Reaktionen auswirkt. Zum Beispiel gibt es elektrophysiologische Katheter in verschiedenen Ausführungen. Einige von ihnen haben ein lineares Design mit linear verteilten, zueinander beabstandeten Elektroden an ihrem distalen Ende wie bei Koronarsinuskathetern oder Lasso-Kathetern. Andere haben ein distales Ende mit 3D-Design (nichtlinear) mit Elektroden darauf wie bei Kathetern mit mehreren distalen Endabschnitten (z. B. Intellamap Orion™ von Boston Scientific oder FIRMap™ oder Advisor™, beide von Abbott, oder Pentaray™ von Biosense Webster). Bei verschiedenen Kathetern eines ähnlichen Typs (z. B. Linearkatheter) können sich die Designs insofern unterscheiden als die Elektroden spezifische Abmessungen oder Abstände zueinander haben können. Die vorliegende Offenbarung stellt Verfahren zum Umgang mit solchen Unterschieden bereit, indem je nach Typ und manchmal auch Design ein verbesserter Satz von Werten für einen oder mehrere Abbildungsfunktionsparameter gewählt werden kann, um die elektrischen Reaktionen eines bestimmten Typs oder Designs auf Positionen von Elektroden, die sich darauf befinden, in einen Mehrkoordinatenraum umzuwandeln.
Zum besseren Verständnis des Zusammenhangs werden das Prinzip und der Zweck des Induzierens (sich kreuzender) elektrischer Felder innerhalb eines Subjekts (d. h. eines Individuums wie einer Person oder eines Tiers) oder eines interessierenden Bereichs davon nachfolgend beschrieben.
1 veranschaulicht Positionen für einen Satz externer Elektroden, die auf einem Subjekt 190 positioniert sind. Externe Elektroden sind Elektroden, die außerhalb eines Subjekts positioniert werden, im Gegensatz zu internen Elektroden, die innerhalb des Subjekts positioniert werden können. Die externen Elektroden werden so positioniert, dass sie sich kreuzende elektrische Felder innerhalb eines interessierenden Bereichs des Subjekts 190 erzeugen. Während das Erzeugens sich kreuzender Felder mit externen Elektroden und deren Verwendung zum Abbilden und Lokalisieren oder Navigieren unter Bezugnahme auf 1 beschrieben wird, können sich kreuzende Felder erzeugt werden und das Abbilden und Lokalisieren/Navigieren alternativ oder zusätzlich erfolgen, indem interne Elektroden zum Beispiel anderer Interventionsvorrichtungen wie Katheter verwendet werden. Solche Prinzipien werden zum Beispiel in der Veröffentlichung der internationalen Anmeldung mit der Nummer WO 2018/134747 offenbart, in der Koronarsinuskatheter verwendet werden, um sich kreuzende elektrische Felder zum Abbilden unter Verwendung eines weiteren Katheters und zum Navigieren eines weiteren Katheters zu generieren. WO 2018/134747 wird durch Bezugnahme hierin aufgenommen.
Sich kreuzende elektrische Felder sind elektrische Felder mit Feldern entlang mindestens zwei Richtungen, die nicht parallel sind. Solche Felder würden das Lokalisieren einer Elektrode in mindestens zwei nicht parallelen Richtungen (d. h. entlang zweier unabhängiger Koordinatenachsen in einem mehrdimensionalen Raum) entweder durch temporäres Anwenden und Erkennen oder durch gleichzeitiges Anwenden mit mindestens einer weiteren Eigenschaft ermöglichen, mit der sie erkannt und voneinander unterschieden werden können, wie hierin nachfolgend ausführlicher beschrieben.
Unter erneuter Bezugnahme auf 1 umfasst der veranschaulichte Satz externer Elektroden eine erste externe Elektrode 101, eine zweite externe Elektrode 102, eine dritte externe Elektrode 103, eine vierte externe Elektrode 104, eine fünfte externe Elektrode 105 und eine sechste externe Elektrode 106. Der veranschaulichte Satz umfasst ferner eine Referenzelektrode 107, die als „Masse“ zum Definieren eines Basis-/Hintergrundniveaus elektrischer Feldaktivität in dem Subjekt dienen kann.
Ein elektrisches Signal, das jeder externen Elektrode bereitgestellt wird, wird gesteuert, um dadurch sich kreuzende elektrische Felder zwischen den Elektroden zu definieren.
Insbesondere bilden die erste 101 und zweite 102 externe Elektrode ein erstes Paar externer Elektroden („externes Elektrodenpaar“), und Signale, die dem ersten externen Elektrodenpaar bereitgestellt werden, können so gesteuert werden, dass ein erstes elektrisches Feld zwischen ihnen induziert wird. Die dritte 103 und vierte 104 externe Elektrode bilden ein zweites Paar externer Elektroden, und Signale, die dem zweiten externen Elektrodenpaar bereitgestellt werden, können so gesteuert werden, dass ein zweites elektrisches Feld zwischen ihnen induziert wird. Die fünfte 105 und sechste 106 externe Elektrode bilden ein drittes Paar externer Elektroden, und Signale, die dem dritten externen Elektrodenpaar bereitgestellt werden, können so gesteuert werden, dass ein drittes elektrisches Feld zwischen ihnen induziert wird.
Elektrische Signale, die jeder externen Elektrode und insbesondere jedem Elektrodenpaar bereitgestellt werden, können die Frequenz und/oder Größe/Stärke der sich kreuzenden elektrischen Felder steuern. Die den Elektroden zugeführten elektrischen Signale können durch einen elektrischen Feldgenerator (in 1 nicht veranschaulicht) gesteuert werden. Zum Beispiel können Felder durch gesteuertes Einspeisen von Wechselströmen aus den Elektrodenpaaren und/oder Bereitstellen von Wechselspannungen generiert werden. Typische Frequenzen liegen zum Beispiel im Bereich von 10 kHz bis einigen 100 kHz.
Ein System zum Steuern von Elektroden, um Signale bereitzustellen, wird unter Bezugnahme auf 3 beschrieben.
Jedes elektrische Feld kann so gesteuert werden, dass es zeitversetzt bereitgestellt wird. Mit anderen Worten, die Signale zum Bereitstellen von Feldern zwischen verschiedenen Elektrodenpaaren können zeitversetzt bereitgestellt werden, um elektrische Reaktionen an Elektroden anhand der Richtung des Bereitstellens der Felder anhand eines Zeitstempels unterscheiden zu können. Dies sorgt für eine zeitliche Auflösung von Richtungssignalen von Elektroden.
Alternativ oder zusätzlich kann jedes elektrische Feld so gesteuert werden, dass es eine bestimmte/unterschiedliche Frequenz aufweist. Dies erleichtert das Bestimmen der relativen Position einer Elektrode in Bezug zu jedem elektrischen Feld durch Bewerten der Reaktion der Elektrode auf die bestimmte Frequenz des elektrischen Felds. Somit erzeugten in diesem Fall Signale, die Elektroden bereitgestellt werden, Felder zwischen Elektrodenpaaren mit leicht unterschiedlichen Frequenzen (z. B. kann Delta-Frequenz im Bereich von 50 Hz bis zu einigen 100 Hz liegen), jedoch zeitlich überlappend, so dass bei Erkennen einer Reaktion immer noch eine frequenzbasierte Trennung des gerichteten Reaktionssignals erfolgen kann, zum Beispiel unter Verwendung von FourierTransformation oder einer anderen Signaltrenntechnik.
Eines der externen Elektrodenpaare kann weggelassen werden z. B., wenn nur zwei sich kreuzende elektrische Felder erwünscht sind (z. B. zum Durchführen eines zweidimensionalen Verfolgungsprozesses).
Ausführlichere Erläuterungen zu solchen Verfolgungsmethoden sind z. B. in den europäischen Patentanmeldungen EP 0775466 A2 , EP 3568068 A1 und EP 3607879 A1 zu finden.
Jedoch können auch andere Techniken zum Umwandeln feldbezogener Daten in Positionen verwendet werden.
Die elektrischen Reaktionen können verwendet werden, um die Position der Elektrode in Bezug zu einem Koordinatensystem, das durch die elektrischen Felder definiert ist, effektiv zu identifizieren oder vorauszusagen.
Die sich kreuzenden elektrischen Felder können zum Verfolgen oder Identifizieren einer Position von Elektroden verwendet werden, die sich innerhalb der (Überlappung der) sich kreuzenden elektrischen Felder befinden. Insbesondere ändert sich eine Reaktion einer Elektrode, z. B. eine Spannungs- oder Stromreaktion, auf jedes elektrische Feld, wenn sich eine Position innerhalb des elektrischen Felds ändert (z. B., wenn sich ein Abstand zu einer Quelle/Senke des elektrischen Felds ändert). Die Reaktion einer Elektrode auf die sich kreuzenden elektrischen Felder kann unter Verwendung einer Abbildungsfunktion auf eine bestimmte Position innerhalb eines mehrdimensionalen Koordinatensystems abgebildet oder zugeordnet werden.
Mit anderen Worten, eine elektrische Reaktion (die alternativ als „Messung“ bezeichnet werden kann) der internen Elektrode auf die sich kreuzenden elektrischen Felder kann verarbeitet werden, um eine relative Position der internen Elektrode (z. B. und damit einer beliebigen Interventionsvorrichtung, die die interne Elektrode umfasst) innerhalb eines anatomischen Hohlraums des Subjekts unter Verwendung einer geeigneten Abbildungsfunktion zu bestimmen.
Insbesondere kann eine Abbildungsfunktion bereitgestellt werden, die eine elektrische Reaktion einer Elektrode auf eine Position in einem mehrdimensionalen Koordinatenraum (d. h. auf eine Position im Raum, und zwar in einem euklidischen/kartesischen Koordinatenraum) abbildet.
Die Abbildungsfunktion ist erforderlich, weil die elektrischen Felder nichtlinear sind und unter anderem von lokalen strukturellen Eigenschaften eines interessierenden Bereichs abhängen, an den die Felder angelegt werden, was bedeutet, dass eine Position, die allein unter Verwendung einer Reaktion definiert wird (d. h. ohne Abbilden), sich nicht notwendigerweise auf eine Position im tatsächlichen Raum bezieht. Die Parameterwerte (Koeffizienten) der Abbildungsfunktion stellen z. B. Skalierungsfaktoren und/oder lokale Verzerrungen dar, um eine Position in dem elektrischen Feldraum (oder V-Raum, wenn Spannungsreaktionen verwendet werden) auf eine vorausgesagte Position in einem „wahren“ Raum (oder R-Raum) abzubilden. Ein solcher „wahrer“ Raum kann ein euklidischer Raum sein.
Als vereinfachtes Beispiel kann die Abbildungsfunktion eine elektrische Reaktion Vx auf eine Position Rx abbilden. Ein Beispiel für eine Abbildungsfunktion hat die Form von Rx = ax*Vx+bx. Die Abbildungsfunktion enthält dabei eine Variable Vx und Koeffizienten oder Parameter ax und bx, für die Werte erfasst werden müssen. In einem dreidimensionalen Beispiel gibt es analoge Funktionen für Ry und Rz, jeweils mit ihren entsprechenden Variablen Vy und Vz und den zugehörigen Parametern ay, by und az, bz. Stattdessen können auch andere, komplexere Abbildungsfunktionen verwendet werden, zum Beispiel unter Verwendung zusätzlicher quadratischer (c*V²x) und/oder kubischer (d*V³x) Abhängigkeiten von Vx, die die zusätzlichen Parameter c und d definieren. Es können jedoch auch andere Abhängigkeiten von Vx verwendet werden. In jedem Fall können solche komplexeren Funktionen nichtlinear sein und/oder mehr als zwei (eine Vielzahl von) Parameter einschließen. All diese Angaben erfolgen vorzugsweise in dreidimensionalen x-, y- und z-Koordinaten.
2 veranschaulicht schematisch ein Koordinatensystem zum Definieren einer Richtung elektrischer Felder, die von den externen Elektroden generiert werden. Das Koordinatensystem definiert drei Kardinalebenen 210, 220, 230. Diese können an dem multivariablen Koordinatenraum ausgerichtet sein, zum Beispiel an der xy-, xz- und yz-Ebene. Die sich kreuzenden elektrischen Felder können beispielsweise optimal positioniert sein, wenn die Richtung jedes elektrischen Felds parallel zu einer jeweiligen Kardinalstelle 210, 220, 230 verläuft. Jedoch sei darauf hingewiesen, dass zueinander orthogonale elektrische Felder zwar häufig bevorzugt werden, die elektrischen Felder jedoch nicht orthogonal sein müssen. Beliebige sich kreuzende Felder können verwendet werden, solange diese ein Zerlegen von Reaktionen ermöglichen, so dass ein Abbilden auf die unterschiedlichen Koordinaten des Mehrkoordinatenraums möglich ist. Auch sei darauf hingewiesen, dass zwei sich kreuzende Felder zwar ein Abbilden auf zweidimensionale Koordinaten und drei solcher Felder auf dreidimensionale Koordinaten ermöglichen können, doch auch mehr als drei sich kreuzende Felder für solche Zwecke verwendet werden können.
Der Zweck der sich kreuzenden elektrischen Felder, z. B. derer, die unter Verwendung des in 1 veranschaulichten Satzes generiert werden, besteht darin, das Identifizieren der Position einer Elektrode (oder Gruppe von Elektroden) in Bezug zu einem Koordinatensystem wie das in 2 veranschaulichte zu erleichtern.
Ein vollständigeres Beispiel dafür, wie die Position einer internen Elektrode in Bezug zu sich kreuzenden elektrischen Feldern (d. h. innerhalb des Subjekts) verfolgt werden kann und wie diese Informationen wahlweise weiter genutzt werden können, z. B. zur Konstruktion eines anatomischen Modells eines anatomischen Hohlraums des Subjekts, wird nachfolgend zum besseren Verständnis des Zusammenhangs beschrieben.
3 veranschaulicht konzeptionell ein Abbildungssystem 300, das ein Verarbeitungssystem 390 zum Generieren einer Abbildungsfunktion zum Voraussagen der Position einer Elektrode innerhalb eines anatomischen Hohlraums 301 eines Subjekts 305 (z. B. Blutgefäße, Magen-Darm-Trakt, Herzsystem und so weiter) einschließt. Das Abbildungssystem Abbildungssystem 300 kann ferner dafür konfiguriert sein, ein anatomisches Modell eines anatomischen Hohlraums innerhalb eines Subjekts zu generieren und/oder die relative Position von Elektroden innerhalb eines anatomischen Modells zu verfolgen
In bestimmten Beispielen kann das Abbildungssystem 300 dafür konfiguriert sein, ein anatomisches Modell (eines anatomischen Hohlraums wie eines Blutgefäßes und/oder einer Kammer) unter Verwendung eines dielektrischen Bildgebungsprozesses zu generieren.
Das Abbildungssystem 300 umfasst ein beispielhaftes System zum Generieren elektrischer Felder 310 und ein Verarbeitungssystem 390, die voneinander getrennt oder miteinander integriert sind. In einigen Ausführungsformen, die in 3 nicht gezeigt sind, kann das Verarbeitungssystem auch dafür konfiguriert sein, das System zum Generieren elektrischer Felder so zu steuern, um Signale für die Elektroden des Systems zum Generieren elektrischer Felder zu erzeugen, die verwendet werden, um die sich kreuzenden Felder innerhalb eines interessierenden Bereichs (Bereich innerhalb des gestrichelten Umfangs) des Subjekts 305 zu erzeugen. Das Verarbeitungssystem 390 ist dafür konfiguriert, eine Abbildungsfunktion zum Abbilden elektrischer Reaktionen von Elektroden von Vorrichtung 335 auf eine Position in einem mehrdimensionalen Koordinatenraum (d. h. auf eine Position in einem euklidischen/kartesischen Koordinatenraum) zu generieren. Somit dient das Verarbeitungssystem 390 als ein Abbildungsfunktionsgenerator.
Das Verarbeitungssystem 390 kann auch einen dielektrischen Bildgebungsprozessor 390B als einen separaten oder integrierten Teil enthalten, obwohl dieser alternativ auch außerhalb des Verarbeitungssystems 390 positioniert sein kann.
Das System zum Generieren elektrischer Felder 310 umfasst einen Satz externer Elektroden 321, 322, 323, 324, 325, 327, die außerhalb in Bezug zu dem Subjekt 305 angeordnet sind (z. B. als Elektrodenpflaster auf der Haut des Subjekts). Der Satz 310 externer Elektroden kann eine Vielzahl von Elektrodenpaaren umfassen, die in einem Winkel zueinander (z. B. orthogonal zueinander) stehen, so dass alle von den Elektrodenpaaren generierten elektrischen Felder in einem Winkel zueinander stehen, um sich kreuzende elektrische Felder bereitzustellen. Diese Elektrodenpaare können ein erstes Elektrodenpaar (aus einer ersten 321 und zweiten 322 externen Elektrode gebildet), ein zweites Elektrodenpaar (aus einer dritten 323 und vierten 324 externen Elektrode gebildet) und ein drittes Elektrodenpaar (aus einer fünften 325 und sechsten (nicht sichtbaren) externen Elektrode gebildet) umfassen. Eines dieser Elektrodenpaare kann weggelassen werden. Der Satz externer Elektroden kann auch eine Referenzelektrode 327 umfassen. Die externen Elektroden können in ähnlicher Weise angeordnet sein wie der in der 1 veranschaulichte Satz externer Elektroden.
Das System zum Generieren elektrischer Felder 310 umfasst auch einen elektrischen Feldgenerator 330, der zum Bereitstellen oder Steuern (von Eigenschaften) eines elektrischen Signals (z. B. Spannung und/oder Strom), das jeder externen Elektrode zugeführt wird, angepasst ist. In einigen Beispielen kann dieser einen Teil des Verarbeitungssystems 390 bilden.
Das Abbildungssystem, das Verarbeitungssystem und/oder der elektrische Feldgenerator können geeignete Signal- und/oder Datenkommunikationsmittel (z. B. Eingänge, Ausgänge, Schnittstellen und Übertragungsmittel wie Drähte usw.) einschließen, um Signale und/oder Daten zwischen den verschiedenen Teilen zu übermitteln. Zum Beispiel können solche Mittel zum Übermitteln von Signalen zwischen dem elektrischen Feldgenerator und externen Elektroden oder zum Übermitteln von Signalen zwischen dem Verarbeitungssystem und internen Elektroden verwendet werden. Außerdem können solche Mittel zum Übermitteln von Steuersignalen zwischen dem Verarbeitungssystem und Feldgenerator oder zwischen Verarbeitungssystem und Benutzereingabe-/ausgabevorrichtungen verwendet werden.
Das Verarbeitungssystem (390) kann Mittel zum Verarbeiten von Signalen oder Messungen von Elektroden in elektrische Reaktionen einschließen, die von dem Verarbeitungssystem verarbeitet werden können. In einigen Ausführungsformen schließen solche Mittel elektronische Schaltungen ein, die dafür konfiguriert sind, elektrische Messungen (z. B. in analoger Form) in Reaktionen umzuwandeln, die von einem Datenprozessor verarbeitet werden können (d. h. Reaktionen in digitaler Form). In einigen Ausführungsformen handelt es sich dabei um Signalprozessoren, die in der Lage sind, analoge Signale zu empfangen und diese in digitale Daten umzuwandeln, die für solche Signale repräsentativ sind.
Das System zum Generieren elektrischer Felder 310 ist dafür konfiguriert, mehrere (hier: drei) sich kreuzende elektrische Felder (im Körper) unter Verwendung der externen Elektroden zu generieren. Dies geschieht durch geeignetes Steuern der elektrischen Signale, die jeder externen (oder gegebenenfalls internen) Elektrode bereitgestellt werden.
Insbesondere kann jedes Elektrodenpaar entsprechend gesteuert werden, um ein elektrisches Feld zwischen jedem Elektrodenpaar zu induzieren. Somit können bei drei Elektrodenpaaren drei elektrische Felder generiert werden. Vorzugsweise wird die Frequenz jedes generierten elektrischen Felds so gesteuert, dass sie unterschiedlich ist, um ein leichteres Identifizieren der relativen Position einer Elektrode, die sich innerhalb der sich kreuzenden elektrischen Felder befindet, zu ermöglichen.
Die generierten elektrischen Felder können verwendet werden, um eine relative Position einer (internen) Elektrode, die sich innerhalb der sich kreuzenden elektrischen Felder befindet, zu definieren oder zu ermitteln. Wie bereits erläutert, ändert sich die (elektrische) Reaktion einer internen Elektrode auf die elektrischen Felder, wenn sich die relative Position der internen Elektrode um das Subjekt bewegt. Dies liegt mindestens teilweise daran, dass die Verteilung der induzierten elektrischen Felder aufgrund der unterschiedlichen dielektrischen Eigenschaften und Absorptionsraten (bezogen auf die Leitfähigkeit) der untersuchten Gewebe naturgemäß inhomogen ist. Das Prinzip sich kreuzender elektrischer Felder erleichtert somit ein Verfolgen der relativen Position der internen Elektrode unter Verwendung eines Verarbeitungssystems 390, das eine Reaktion beliebiger interner Elektroden auf die sich kreuzenden elektrischen Felder überwacht, z. B. durch Abbilden der (elektrischen) Reaktion einer Elektrode auf eine relative Position innerhalb des Subjekts oder durch Verwenden einer geeigneten Abbildungs-/Übertragungsfunktion, z. B. der nachstehend beschriebenen „V2R-Funktion“, um die relative(n) Position(en) der Elektroden zu bestimmen.
Zur weiteren Erläuterung und zum besseren Verständnis des Konzepts, wenn die sich kreuzenden elektrischen Felder so gesteuert werden, dass sie zueinander eine unterschiedliche Frequenz aufweisen, könnte die Reaktion der internen Elektrode auf jede Frequenz dazu verwendet werden, um einen relativen Abstand zu jeder Quelle/Senke des entsprechenden elektrischen Felds zu bestimmen. Dieses Prinzip kann genutzt werden, um die relative Position der internen Elektrode innerhalb der sich kreuzenden elektrischen Felder effektiv zu triangulieren.
Wenn zum Beispiel drei externe Elektrodenpaare vorhanden sind, die so positioniert sind, dass sie elektrische Felder (E₁ E₂ E₃ mit unterschiedlichen Frequenzen emittieren, die in einem Winkel (z. B. nahezu orthogonal) zueinander stehen, ist eine Spannungsreaktion (V₁ V₂, V₃) einer internen Elektrode (die eine Spannung (z. B. zwischen der Elektrode und der Referenzelektrode oder zwischen der Elektrode und der Elektrode, die das elektrische Feld generiert) bei jeder dieser drei Frequenzen identifiziert) je nach Position innerhalb der anatomischen Hohlraums unterschiedlich.
Fachleute werden anerkennen, dass das Bestimmen der Position interner Elektroden 331, 332, 333 auch das Bestimmen der Position, der Ausrichtung und/oder des Winkels einer Interventionsvorrichtung 325, an der die Elektroden montiert sind, erleichtert. Insbesondere kann eine Positionsbeziehung der Elektroden auf der Interventionsvorrichtung bekannt/vorbestimmt sein und dazu verwendet werden, eine Ausrichtung der Interventionsvorrichtung abzuleiten (z. B. eine Achse zu definieren, entlang der die Interventionsvorrichtung liegt).
Andere Reaktionsformen einer internen Elektrode (z. B. Strom und/oder eine Impedanzreaktion und/oder eine kapazitive Reaktion, die z. B. auf eine Änderung der Impedanz/Kapazität zwischen der internen Elektrode und einer externen oder internen Elektrode hinweist) sind für Fachleute offensichtlich.
Der elektrische Feldgenerator 330 kann dafür konfiguriert sein, die elektrischen Felder zu steuern, die unter Verwendung des Satzes externer Elektroden generiert werden, um in dem Frequenzbereich von z. B. 30 bis 100 kHz zu arbeiten. Dieser Frequenzbereich ist besonders nützlich, um in einem Körperbereich eines Subjekts verwendet zu werden und gleichzeitig einen Frequenzbereich bereitzustellen, der sich in tierischem oder menschlichem Gewebe abschwächt, ohne das Gewebe wesentlich zu beschädigen/verletzen. Die Referenzelektrode dient als elektrische Referenz für alle mit Elektroden durchgeführten Messungen, z. B. als Referenz für die Reaktion der internen Elektroden.
Die Reaktion einer oder mehrerer interner Elektroden, die an einer einzigen Interventionsvorrichtung montiert sind, kann zum Konstruieren (und Aktualisieren) der Abbildungsfunktion verwendet werden, die dazu dient, eine Reaktion der internen Elektrode auf eine vorausgesagte Position innerhalb des anatomischen Hohlraums (z. B. innerhalb eines euklidischen/kartesischen Raums) abzubilden. Die Reaktionen einer Elektrode für diesen Zweck sind zwar ausreichend, doch die Reaktionen von zwei oder mehr Elektroden werden bevorzugt. Dies liegt daran, dass gleichzeitig gemessene Reaktionen von zwei oder mehr Elektroden naturgemäß einige der Reaktionen auf räumliche Informationen durch Abstand und Ausrichtung der beteiligten Elektroden zueinander beziehen.
Ein Prozess zum Generieren oder Konstruieren einer Abbildungsfunktion („V2R-Funktion“) unter Verwendung eines Verarbeitungssystems wird nachstehend zum besseren Verständnis des Zusammenhangs beschrieben. Die vorliegende Offenbarung bezieht sich auf einen neuen/unterschiedlichen Prozess zum Generieren dieser Abbildungsfunktion.
Wie bereits erwähnt, nutzt das Verarbeitungssystem eine oder eine Vielzahl von internen Elektroden 331, 332, 333, die innerhalb des anatomischen Hohlraums positioniert und bewegt werden (z. B. Elektroden, die an einer Interventionsvorrichtung 335 positioniert sind, die in den anatomischen Hohlraum einzuführen ist). Eine räumliche Beziehung (z. B. ein Abstand) zwischen den einzelnen internen Elektroden kann vorbestimmt und/oder bekannt sein, falls eine Vielzahl von Elektroden verwendet wird.
Der Abbildungsfunktionsgenerator 390A (nicht separat dargestellt) und Teil des Verarbeitungssystems 390 ist so konfiguriert, dass er Signale (z. B. an einer Eingabeschnittstelle 391) von/zu den internen Elektroden 331, 332, 333 empfängt (und wahlweise bereitstellt), um eine Reaktion der internen Elektroden auf die sich kreuzenden elektrischen Felder zu bestimmen.
Die Reaktion der internen Elektroden 331, 332, 333 (z. B. auf extern angelegte elektrische Felder durch die externen Elektroden) wird dann iterativ für verschiedene Positionen und/oder Ausrichtungen der Interventionsvorrichtung 335 aufgezeichnet, d. h. um eine „Messung“ von jeder internen Elektrode zu erhalten, wenn die Interventionsvorrichtung innerhalb des Hohlraums 301 bewegt (umherbewegt) wird. Auf diese Weise kann ein Satz von Reaktionen der einen oder mehreren Elektroden generiert werden. Das Verarbeitungssystem kann dann wiederholt eine Abbildungsfunktion oder Übertragungsfunktion („V2R-Funktion“) definieren/aktualisieren und anwenden, die jede aufgezeichnete Reaktion in euklidische/kartesische Koordinaten (R-Raum) umwandelt, wobei sichergestellt wird, dass bekannte Eigenschaften und/oder räumliche Beziehungen der internen Elektroden und/oder der Interventionsvorrichtung 335 (z. B. Elektrodenabstand und Länge des elektrischen Gewichts) sowie eine Reihe anderer Einschränkungen beibehalten werden. Beispielsweise kann die Abbildungs-/Übertragungsfunktion die verzerrte Beziehung zwischen den gemessenen Reaktionen und der tatsächlichen Position in drei Dimensionen effektiv erlernen und linearisieren, indem die bekannten Abstände zwischen den Elektroden als Referenz genommen werden. Nur als Beispiel, wenn eine interne Elektrode eine Reaktion aufweist, die mit einer zuvor gemessenen Reaktion übereinstimmt, kann der relative Abstand zu den von den anderen internen Elektroden gemessenen Reaktionen bestimmt und zum Verbessern der Abbildungs-/Übertragungsfunktion verwendet werden.
Mit anderen Worten, die Abbildungs-/Übertragungsfunktion bestimmt oder sagt effektiv eine relative/vorausgesagte Position jeder Elektrode in einem euklidischen und/oder mehrdimensionalen Raum oder Koordinatensystem („R-Raum“) voraus. Auf diese Art und Weise kann eine Wolke von R-Raum-Punkten (bekannte euklidische/kartesische Koordinaten) aufgebaut und aktualisiert werden, wenn die internen Elektroden innerhalb des anatomischen Hohlraums bewegt werden. Diese R-Raum-Punktwolke wird dann iterativ analysiert, um die Abbildungsfunktion iterativ zu aktualisieren, um den bekannten Eigenschaften der internen Elektroden und/oder Interventionsvorrichtung wie einer räumliche Beziehung der internen Elektroden zu entsprechen.
Weitere Beschreibungen und/oder Ausführungsformen des Prozesses zum Generieren der Abbildungsfunktion sowie deren Verwendung zum Verfolgen von Interventionselektroden im Raum und/oder zum Rekonstruieren eines anatomischen Modells einer anatomischen Struktur aus einem Satz von Reaktionen sind in den europäischen Patentanmeldungen EP 0775466 A2 , EP 3568068 A1 und EP 3607879 A1 offenbart.
Wie erwähnt, können die vorausgesagten Positionen einer internen Elektrode oder internen Elektroden auch dazu verwendet werden, ein anatomisches Modell eines anatomischen Hohlraums (d. h. eines Hohlraums, in dem sich die Interventionsvorrichtung bewegen kann) zu konstruieren. Dieser Prozess wird als dielektrischer Bildgebungsprozess bezeichnet und kann von dem dielektrischen Bildgebungsprozessor 390B durchgeführt werden.
Im Großen und Ganzen kann der dielektrische Bildgebungsprozessor 390B ein anatomisches Modell eines anatomischen Hohlraums 301 (z. B. einer Kammer, eines Gefäßes oder eines Zwischenraums) innerhalb eines Subjekts aufbauen, indem er eine R-Raum-Punktwolke verarbeitet. Unter Verwendung einer aktualisierten R-Raum-Punktwolke wie der R-Raum-Punktwolke, die während des Konstruierens der Abbildungsfunktion erzeugt wird, generiert ein Rekonstruktionsalgorithmus ein anatomisches Modell des (untersuchten Teils des) anatomischen Hohlraums. Das anatomische Modell kann zum Beispiel eine 3D-Oberfläche sein, die den (die bekannten Grenzen des) anatomischen Hohlraum darstellt oder modelliert.
Der Prozess des Rekonstruierens eines anatomischen Modells aus einer Punktwolke ist in 4 konzeptionell veranschaulicht, die einen Prozess 450 zeigt, bei dem eine Wolke von R-Raum-Punkten 410 („Punktwolke“) in ein anatomisches Modell 420 umgewandelt wird. Im veranschaulichten Beispiel erfolgt dies durch die Erstellung einer (3D-)Oberfläche aus den Daten der Punktwolke, wobei die Verfahren für den Fachmann ohne weiteres ersichtlich sind.
Zum Beispiel kann eine Punktwolke unter Verwendung eines Oberflächenrekonstruktionsansatzes in ein Polygonnetz oder ein Dreiecksnetzmodell (oder ein anderes Oberflächenmodell) umgewandelt werden. Eine Vielzahl von geeigneten Ansätzen wird erörtert in Berger, Matthew, et al. „A survey of surface reconstruction from point clouds.“ Computer Graphics Forum. Bd. 26. Nr. 1. 2017, und weitere Mechanismen sind für den Fachmann leicht ersichtlich.
Auf diese Weise können die Messungen des „globalen Felds“ (d. h. die Wirkung der durch die externen Elektroden generierten elektrischen Felder auf die internen Elektroden) genutzt werden, um ein ungefähres anatomisches Modell des anatomischen Hohlraums zu generieren.
Weitere Beschreibungen und/oder Ausführungsformen des Prozesses zur Verwendung der Abbildungsfunktion zum Verfolgen von Interventionselektroden im Raum und/oder Rekonstruieren eines anatomischen Modells einer anatomischen Struktur aus einem Satz von Reaktionen sind in den europäischen Patentanmeldungen EP 0775466 A2 , EP 3568068 A1 und EP 3607879 A1 offenbart.
Unter erneuter Bezugnahme auf 3 kann ein genaueres Identifizieren der Grenzen und Merkmale des anatomischen Modells durch Überwachen der Reaktion der internen Elektroden 331, 332, 333 auf lokale elektrische Felder (d. h. von anderen internen Elektroden generierte Felder) erfolgen. Daher kann in einigen Ausführungsformen der dielektrische Bildgebungsprozessor 390B auch die internen Elektroden 331, 332, 333 steuern, um ein elektrisches Feld (das von anderen internen Elektroden erkannt werden kann) zu generieren. Die Reaktion der internen Elektroden auf lokale elektrische Felder kann als „lokale Feldmessungen“ bezeichnet werden, verglichen mit der Reaktion der internen Elektroden auf extern induzierte elektrische Felder, die als „globale Feldmessungen“ bezeichnet werden können.
Beispielsweise können Änderungen in einem lokalen elektrischen Feld (bei dem es sich um ein zwischen zwei internen Elektroden 331, 332, 333 induziertes elektrisches Feld handelt) auf das Vorhandensein oder Fehlen von Gewebe zwischen oder nahe den zwei internen Elektroden hinweisen. Eine Reaktion einer internen Elektrode auf ein lokales elektrisches Feld kann daher dazu dienen, das Vorhandensein oder Fehlen von Gewebe festzustellen.
In einigen Beispielen kann zusätzliches Verarbeiten globaler Feldmessungen (d. h. der Reaktionen der internen Elektroden auf von den externen Elektroden induzierte elektrische Felder) durchgeführt werden, um die Genauigkeit der Grenzen und Merkmale des anatomischen Modells zu verbessern.
So können zum Beispiel Bereiche mit naturgemäß ausgeprägten steilen Gradienten in den Reaktionen auf elektrische Felder identifiziert werden. Es ist bekannt, dass solche Regionen die Grenzen des anatomischen Hohlraums und/oder andere Informationen anzeigen, z. B. die Drainage von Gefäßen in oder aus einer Herzkammer sowie die Klappen einer Herzkammer. Diese Merkmale können dadurch von dem System eindeutig identifiziert und abgebildet werden, auch ohne sie physisch mit der Interventionsvorrichtung 335 zu erkunden.
Die kombinierten globalen und lokalen Feldmessungen ermöglichen eine ausgefeilte Erkennung und effektive Behandlung von Inkonsistenzen und Ausreißern, dem Grad der Elektrodenabschirmung/-abdeckung (z. B. durch Messung der Interkorrelation zwischen den Lagen), der Schrittmacherfunktion (Sättigung) sowie des physiologischen Drifts. Der Drift kann zum Beispiel unter Verwendung eines gleitenden Fensters über die Zeit erkannt und kontinuierlich korrigiert werden, wodurch die Lage der internen Elektrode während des gesamten Eingriffs genau bleibt und das System unempfindlich gegenüber Drift wird.
Die vorstehend bereitgestellte Beschreibung eines dielektrischen Bildgebungsprozesses ist nur ein Beispiel, und Fachleute wären leicht in der Lage, den beschriebenen Prozess angemessen zu modifizieren.
Wie erwähnt, kann die abgeleitete Abbildungs-/Übertragungsfunktion („V2R-Funktion“) auch verwendet werden, um eine Position einer oder mehrerer interner Elektroden in Bezug zu einem mehrdimensionalen Koordinatenraum und somit in Bezug zu einem konstruierten anatomischen Modell, sofern in einem solchen Raum dargestellt, zu verfolgen. Dies könnte das Generieren und Anzeigen eines anatomischen Modells und eines Indikators für eine aktuelle Lage/Position einer Interventionsvorrichtung 335, an der interne Elektroden 331, 332, 333 montiert sind, in Bezug zu dem anatomischen Modell erleichtern. Natürlich kann eine visuelle Darstellung eines generierten anatomischen Modells und/oder einer bestimmten Position generiert und auf einer Ausgabeanzeige 399 bereitgestellt werden.
Das Verarbeitungssystem 390 umfasst eine Eingabeschnittstelle 391 zum Empfang von Signalen entsprechend der elektrischen Reaktion der internen Elektroden auf die von dem System zum Generieren elektrischer Felder generierten elektrischen Felder. Das Verarbeitungssystem 390 kann auch eine Ausgabeschnittstelle 392 zum Bereitstellen von Signalen zum Steuern der Ausgabeanzeige 399 umfassen.
Die vorliegende Offenbarung bezieht sich auf einen neuen Mechanismus zum Generieren der Abbildungsfunktion, um eine verbesserte und/oder genauere Abbildungsfunktion und/oder auf schnellere Weise zu ermöglichen. Eine verbesserte Abbildungsfunktion verbessert wiederum die Genauigkeit des Verfolgens der Position einer Interventionsvorrichtung und/oder die Genauigkeit eines anatomischen Modells, das unter Verwendung von Daten generiert wird, die mit einer Abbildungsfunktion erhalten werden.
5 veranschaulicht konzeptionell die Probleme beim Bestimmen der Parameter der Abbildungsfunktion. Insbesondere veranschaulicht 5 eine beispielhafte Abbildungsfunktion 500 (d. h. eine nichtlineare Umwandlung) zum Abbilden zwischen einer elektrischen Antwort (z. B. einer Position im „V-Raum“), veranschaulicht als das nicht-längliche Gitter, und einer Position in einem mehrdimensionalen Koordinatenraum (z. B. einer Position im „R-Raum“), veranschaulicht als das längliche Gitter.
Diese Abbildungsfunktion zeigt deutlich die Feld-Nichtlinearitäten, die in den sich kreuzenden elektrischen Feldern auftreten, was bedeutet, dass die elektrische Antwort ohne Umwandlung (durch die Abbildungsfunktion) nicht in der Lage ist, eine wahre Position in einem mehrdimensionalen Koordinatenraum direkt darzustellen. Dies unterstreicht die Nichttrivialität der Umwandlung und die Schwierigkeit, genaue Werte für Parameter/Koeffizienten der Abbildungsfunktion zu erhalten.
6 veranschaulicht ein computerimplementiertes Verfahren 600 zum Generieren einer Abbildungsfunktion 635 gemäß einer Ausführungsform der Offenbarung.
Das Verfahren 600 umfasst einen Schritt 610 des Erhaltens elektrischer Reaktionen von einer oder mehr (vorzugsweise zwei oder mehr) Elektroden, die an einer Interventionsvorrichtung montiert sind, auf die sich kreuzenden elektrischen Felder, die innerhalb des Subjekts induziert werden. Die elektrischen Reaktionen können an einer Eingabeschnittstelle (z. B. einem Verarbeitungssystem wie dem Verarbeitungssystem 390 von 3) erhalten werden. Die Reaktionen können als ein Satz von Reaktionen erhalten werden. Zum Beispiel können sie das Ergebnis eines Verfahrens sein, bei dem eine Interventionsvorrichtung, die die Elektroden umfasst, in einer Anatomie (z. B. einem Hohlraum) herumbewegt wurde oder wird, an die sich kreuzende elektrische Felder angelegt sind, indem ein Satz externer und/oder interner Elektroden verwendet wird.
Das Verfahren 600 geht dann zu einem Schritt 620 über, bei dem die erhaltenen elektrischen Reaktionen (Satz von Reaktionen) verarbeitet werden, um entsprechende Werte für einen oder mehrere Parameter (Koeffizienten) einer Abbildungsfunktion zu erhalten, d. h. Koeffizientenwerte für die in einer bestimmten Abbildungsfunktion verwendeten Koeffizienten zu identifizieren, wobei sich die Koeffizienten auf Eingabevariablen beziehen (z. B. Multiplizieren und/oder Addieren), die auf den Elektrodenreaktionen basieren. Beispielvariablen und -parameter wurden hierin bereits beschrieben. In Schritt 620 wird in einigen Pfaden des Verfahrens 600 ein trainierter erster maschineller Lernalgorithmus verwendet, um den einen oder die mehreren Parameterwerte zu erhalten.
Das Verfahren 600 geht dann zu einem Schritt 630 über, bei dem die Abbildungsfunktion 635 auf Basis des einen oder der mehreren erhaltenen Werte definiert wird. Insbesondere können der oder die erhaltenen Werte an den geeigneten (entsprechenden) Positionen in der Abbildungsfunktion eingefügt werden. Die Abbildungsfunktion 630 kann an einer Ausgabeschnittstelle (z. B. eines Verarbeitungssystems) ausgegeben werden.
Somit nutzt das vorgeschlagene Verfahren 600 einen trainierten ersten maschinellen Lernalgorithmus zum Bestimmen von Koeffizienten für die Abbildungsfunktion, z. B. anstelle eines herkömmlichen Minimierungs- oder analytischen Ansatzes (wie lineare Regression). Dies bietet einen schnellen und effizienten Mechanismus zum Generieren der Abbildungsfunktion.
Ein maschineller Lernalgorithmus ist ein selbstlernender Algorithmus, der Eingabedaten verarbeitet, um Ausgabedaten zu generieren oder vorauszusagen. In diesem Fall umfassen die Eingabedaten elektrische Reaktionen einer oder mehrerer Elektroden auf sich kreuzende elektrische Felder (oder dafür repräsentative Daten), und die Ausgabedaten umfassen Werte für Parameter einer Abbildungsfunktion.
Geeignete maschinelle Lernalgorithmen zur Verwendung in der vorliegenden Offenbarung sind für Fachleute offensichtlich. Beispiele für geeignete maschinelle Lernalgorithmen schließen Entscheidungsbaum-Algorithmen und künstliche neuronale Netzwerke ein. Andere maschinelle Lernalgorithmen wie logistische Regression, Support-Vektor-Maschinen oder Naive-Bayes-Modelle sind geeignete Alternativen. Bei Verwendung eines bestimmten Trainingsdatensatzes kann das Training zum Beispiel eine Kreuzvalidierung einschließen, um die Wahl des maschinellen Lernalgorithmus zu optimieren.
Für die vorliegende Offenlegung wäre ein neuronales Netzwerk wie ein rekursives neuronales Netzwerk (RNN), ein faltendes neuronales Netzwerk (CNN) oder ein tiefes entfaltendes Netzwerk (DUN) besonders vorteilhaft.
Die Struktur eines künstlichen neuronalen Netzwerks (oder einfach neuronalen Netzwerks) ist vom menschlichen Gehirn inspiriert. Neuronale Netzwerke bestehen aus Schichten, wobei jede Schicht eine Vielzahl von Neuronen umfasst. Jedes Neuron umfasst eine mathematische Operation. Insbesondere kann jedes Neuron eine unterschiedlich gewichtete Kombination eines einzigen Umwandlungstyps umfassen (z. B. desselben Umwandlungstyps, Sigmoid usw., jedoch mit unterschiedlichen Gewichtungen). In dem Prozess des Verarbeitens von Eingabedaten wird die mathematische Operation jedes Neurons an den Eingabedaten durchgeführt, um eine numerische Ausgabe zu erzeugen, und die Ausgaben jeder Schicht im neuronalen Netzwerk werden nacheinander in die nächste Schicht eingespeist. Die letzte Schicht stellt die Ausgabe bereit.
Verfahren zum Trainieren eines maschinellen Lernalgorithmus sind wohlbekannt. 10 stellt ein Beispiel für ein schematisches Trainingsverfahren bereit. Schritt 1000 umfasst das Auswählen einer gewünschten Abbildungsfunktion und damit Definieren von Variablen und Parametern einer solchen Funktion. In Schritt 1030 wird dann ein maschineller Lernalgorithmus ausgewählt, der die Parameter für die entsprechenden Variablen dieser Abbildungsfunktion voraussagen (ausgeben) soll. Um den maschinellen Lernalgorithmus zu diesem Zweck in Schritt 1010 zu trainieren, umfassen solche Verfahren üblicherweise das Erhalten eines Trainingsdatensatzes, der Trainingseingabedateneinträge und entsprechende (zugehörige) Trainingsausgabedateneinträge („Ground-Truth-Daten“) umfasst. In Schritt 1020 wird ein initialisierter maschineller Lernalgorithmus auf jeden Eingabedateneintrag angewendet, um vorausgesagte Ausgabedateneinträge zu generieren. Initialisiert bedeutet, dass alle Gewichtungen, Koeffizienten und/oder Biase oder andere Parameter des maschinellen Lernalgorithmus einen Startwert erhalten. Ein Fehler zwischen den vorausgesagten Ausgabedateneinträgen und entsprechenden (zugehörigen) Trainingsausgabedateneinträgen wird verwendet, um den maschinelle Lernalgorithmus zu modifizieren. Die Gewichte, Koeffizienten, Biase und/oder andere Parameter werden geändert, z. B. unter Verwendung von Gradientenabstiegsverfahren, mit dem Ziel, den Fehler zu verringern. Dieser Prozess kann wiederholt werden, bis der Fehler konvergiert und die vorausgesagten Ausgabedateneinträge den Trainingsausgabedateneinträgen ähnlich genug sind (z. B. ±1 %). Dies ist allgemein als überwachte Lerntechnik bekannt.
Wenn der maschinelle Lernalgorithmus zum Beispiel aus einem neuronalen Netzwerk gebildet wird, können die (Gewichtungen der) mathematischen Operationen der einzelnen Neuronen modifiziert werden, bis der Fehler konvergiert. Bekannte Verfahren zum Modifizieren eines neuronalen Netzwerks schließen Gradientenabstieg, Backpropagation-Algorithmen und so weiter ein.
Hinsichtlich Schritt 1010 können die Trainingseingabedateneinträge Beispielsätzen elektrischer Reaktionen von Elektroden auf sich kreuzende elektrische Felder oder Daten entsprechen, die dafür repräsentativ sind. Die Trainingsausgabedateneinträge entsprechen zugehörigen Werten für Parameter der Abbildungsfunktion.
Für die Trainingsdaten können reale Daten verwendet werden. Zum Beispiel kann ein Satz elektrischer Reaktionen, der während eines Abbildungsverfahrens für eine bestimmte Anatomie (z. B. Herz eines Patienten oder Teil davon) eines bestimmten Patienten erhalten wurde, zu einem zugehörigen Satz von Parametern für eine Abbildungsfunktion geführt haben, der den Satz elektrischer Reaktionen zufriedenstellend in ein Modell der Anatomie übersetzt. Zum Trainieren des maschinellen Lernalgorithmus können mehrere solcher Sätze von Reaktionen mit zugehörigen Parametern verwendet werden. Die mehreren Sätze können die Daten mehrerer Abbildungsverfahren der einen bestimmten Anatomie eines Patienten einschließen, vorzugsweise jedoch zusätzlich oder alternativ die Daten einschließen, die durch Abbilden der bestimmten Anatomie erhalten wurden, oder aber auch von verschiedenen Patienten. Die Daten können auch die Ergebnisse einschließen, die mit unterschiedlichen Elektrodenkonfigurationen (z. B. unter Verwendung unterschiedlicher Interventionsvorrichtungen) erhalten wurden, entweder mit oder ohne Angabe des Typs von Elektrodenkonfiguration oder Interventionsvorrichtung. Bei Kennzeichnung mit solchen Informationen könnte die Eingabe des maschinellen Lernalgorithmus diese Kennzeichnung als Variable enthalten.
Vorzugsweise sollte der Trainingsdatensatz eine ausreichende Variabilität der räumlichen Koordinaten und der Ausgabevariablen aufweisen, d. h. ein Variabilitätsmaß, das über einem vorbestimmten Schwellenwert liegt. In besonderen Beispielen sollte der Trainingsdatensatz für einen großen Prozentsatz der Patientenpopulation repräsentativ sein. Zum Beispiel in Bezug auf die Größe des Herzens (oder eines anderen interessierenden anatomischen Hohlraums), die Anatomie, aufgezeichnete elektrische Reaktionen und anatomische Zyklen. In solchen Fällen berücksichtigt der trainierte Algorithmus die Variabilität anatomischer Strukturen und kann so eine Reihe von Parametern für die Abbildungsfunktion bereitstellen, die für viele solcher Strukturen geeignet ist.
Obwohl reale Daten zum Bereitstellen der Trainingseingabedateneinträge verwendet werden könnten, ist es auch möglich, synthetische Daten zu verwenden. Die Verwendung synthetischer Daten eignet sich besonders gut für den (die) ersten maschinellen Lernalgorithmus (Lernalgorithmen), da eine Vielzahl von Abbildungsfunktionen definiert und simuliert werden kann und große Mengen möglicher Eingabebeispiele für viele Arten simulierter Anatomien und struktureller Variationen von Anatomien generiert werden können. Die Simulationen können auf der Theorie des elektrischen Felds basieren, die im Stand der Technik wohlbekannt ist.
In einigen Ausführungsformen könnte eine Datenerweiterung (von Ground-Truth-Daten und/oder synthetischen Daten) zum Beispiel durch Hinzufügen von Rauschen zu wahren oder synthetischen Daten durchgeführt werden.
Die elektrische Reaktion umfasst oder besteht vorzugsweise aus einer oder mehreren der Gruppe von Spannungen, Strömen und Impedanzen. Vorzugsweise umfassen sie Spannungen. Eine korrekte Konvergenz während des Trainings in Schritt 1020 kann dadurch erreicht werden, dass die Ausgaben des neuronalen Netzwerks (oder eines anderen ersten maschinellen Lernalgorithmus ) so eingeschränkt werden, dass es keine plötzlichen Sprünge in der Abbildungsfunktion gibt (z. B. so dass die maximale Differenz zwischen einer Änderung der Eingabewerte und einer entsprechenden Änderung des Ausgabewerts für die Abbildungsfunktion unter einem vorbestimmten Schwellenwert liegt). Zusätzlich können Einschränkungen für die bestimmten Werte der Abbildungsfunktionen verwendet werden, um eine nicht degenerierte Feldverteilung für die elektrischen Felder, wie durch die Elektrodenreaktionen dargestellt, zu erzwingen.
Um die Leistung des ersten maschinellen Lernalgorithmus zu verbessern, kann die erhaltene Reaktion auf eine spezifische (und damit voraussagbare) Eingabedatenarchitektur formatiert werden. Durch diesen Ansatz kann sichergestellt werden, dass der maschinelle Lernalgorithmus die Abstände zwischen den Elektroden erfasst, die zum Generieren einer genauen Abbildungsfunktion verwendet werden.
Eine mögliche Lösung wäre, die erhaltenen elektrischen Reaktionen in eine Matrix (zur Eingabe in den ersten maschinellen Lernalgorithmus ) mit einer vorbestimmten Größe zu formatieren. Zum Beispiel kann eine MxDxN-Matrix definiert werden, wobei M für die Anzahl von Elektroden an einer Interventionsvorrichtung, D für die Anzahl von Dimensionen (d. h. die Anzahl der Teile der elektrischen Reaktion) und N für die Anzahl erhaltener Reaktionen steht.
Da die Gesamtzahl erhaltener elektrischer Reaktionen variabel sein kann, könnte eine Nullauffüllung und/oder ein gleitendes Fenster für alle elektrischen Reaktionen verwendet werden - d. h. um die Anzahl erhaltener Reaktionen in der Matrix auf den Wert N zu begrenzen.
Um die Leistung des ersten maschinelle Lernalgorithmus weiter zu verbessern, kann eine zusätzliche Vorverarbeitung der erhaltenen Reaktionen durchgeführt werden. Zum Beispiel könnte ein Whitening der erhaltenen elektrischen Reaktionen durchgeführt werden. Andere Vorverarbeitungsschritte schließen Normalisieren, Zentrieren/Zentralisieren, Rauschentfernung, Bewegungskompensation, Trunkieren, Filtern usw. ein. Fachleute würden weitere Vorverarbeitungsschritte anerkennen, die die Leistung des maschinellen Lernalgorithmus verbessern würden.
Einige maschinelle Lernalgorithmen sind dafür konfiguriert, ein Konfidenzmaß bereitzustellen, das die Konfidenz einer gewünschten Ausgabe angibt (in diesem Fall: eine Konfidenz der Werte für die Parameter der Abbildungsfunktion). Einige Ausführungsformen der Offenbarung können, wenn dieses Konfidenzmaß unter einen vorbestimmten Schwellenwert fällt, die Abbildungsfunktion neu generieren (z. B. unter Verwendung eines anderen ersten maschinellen Lernalgorithmus, der z. B. auf einem engeren Datensatz trainiert wurde) oder die Abbildungsfunktion unter Verwendung eines herkömmlichen Ansatzes generieren, der sich auf keinen maschinellen Lernalgorithmus stützt.
In einem optionalen Schritt 1040 kann der trainierte Algorithmus mit Testdaten getestet werden, mit denen der Algorithmus nicht trainiert wurde. Die Testdaten können auf die gleiche Weise erhalten werden wie zum Erhalten der Trainingsdaten beschrieben. Methoden zum Durchführen solcher Tests sind im Stand der Technik bekannt. Der Test kann einen Schwellenwert für die Erfolgsrate beim Voraussagen von Abbildungsparametern umfassen, den der trainierte Algorithmus in Schritt 1050 erreichen muss, um als endgültiger trainierter maschineller Lernalgorithmus 1070 freigegeben zu werden. Wenn der Algorithmus den Test nicht besteht, kann ein weiterer optionaler Schritt 1060 verwendet werden, um den Algorithmus oder dessen Parameter anzupassen.
Das Verfahren 600 kann einen Schritt 640 des Erhaltens einer anfänglichen Abbildungsfunktion 645 umfassen. Diese anfängliche Abbildungsfunktion kann Vorlagen-, Leer- oder Standardwerte für bestimmte Parameter enthalten, die in Schritt 630 auf Basis der in Schritt 620 bestimmten Werte ersetzt/festgelegt werden.
In einigen Beispielen kann es eine Vielzahl potenzieller erster maschineller Lernalgorithmen geben, die verwendet werden könnten, und zwar in Schritt 620. Somit kann ein bestimmter Typ von Abbildungsfunktion einen bestimmten Typ von erstem maschinellen Lernalgorithmus erfordern. Wenn zum Beispiel aus dem einen oder anderen Grund eine Abbildungsfunktion mit einer bestimmten Anzahl oder einem bestimmten Satz von Variablen verwendet werden soll, die einen bestimmten zugehörigen Satz von Parametern definiert, dann kann der maschinelle Lernalgorithmus ausgewählt werden, um den gewünschten zugehörigen Satz von Parametern bereitzustellen. Das Verfahren 600 kann einen Schritt 650 des Auswählens eines Algorithmus oder Ansatzes zum Erhalten der Werte aus den erhaltenen elektrischen Reaktionen umfassen.
In einigen Beispielen könnte ein zweiter maschineller Lernalgorithmus verwendet werden, um die erhaltenen elektrischen Reaktionen in einem Prozess des Identifizierens zu verarbeiten, welcher der potenziellen ersten maschinellen Lernalgorithmen als der erste maschinelle Lernalgorithmus verwendet werden soll.
Vorzugsweise wird der erste maschinelle Lernalgorithmus auf Basis eines Typs (oder von Eigenschaften) der Interventionsvorrichtung ausgewählt. Bei dieser Ausführungsform wird anerkannt, dass, wie hierin vorstehend angegeben, die geometrischen, elektrischen und mechanischen Eigenschaften der Interventionsvorrichtung einen Einfluss darauf haben, wie die Parameter der Abbildungsfunktion generiert werden. Durch Berücksichtigen des Typs der Interventionsvorrichtung bei der Auswahl des ersten maschinellen Lernalgorithmus wird die Genauigkeit der anschließend generierten Abbildungsfunktion erhöht.
In einigen Beispielen umfasst Schritt 650 einen Schritt 651 des Identifizierens eines Typs oder einer Identität der Interventionsvorrichtung. Schritt 651 kann beispielsweise das Empfangen einer Benutzereingabe 651A umfassen, die einen Typ der Interventionsvorrichtung angibt. In anderen, bevorzugten Beispielen umfasst Schritt 651 das Verarbeiten der erhaltenen Reaktionen (aus Schritt 610) unter Verwendung eines zweiten maschinellen Lernalgorithmus, um den Vorrichtungstyp zu identifizieren. Dies kann die Benutzereingabe eines Vorrichtungstyps erübrigen. In noch anderen Beispielen erfolgt eine automatische Angabe des Vorrichtungstyps auf Basis einer automatischen Übermittlung der Vorrichtungstyp-Kennung an das System. Zum Beispiel kann bei Verbindung eines Vorrichtungstyps mit einem System, wie hierin beschrieben, eine solche Kennung durch ein computerlesbares (digitales und/oder analoges) Signal übermittelt werden, das eine solche Kennung codiert. Auch hier kann eine Benutzereingabe für eine solche Identifizierung des Vorrichtungstyps entfallen.
Das Verfahren kann dann einen Schritt 652 des Auswählens des in Schritt 620 zu verwendenden ersten maschinellen Lernalgorithmus (aus einer Vielzahl potenzieller erster maschineller Lernalgorithmen) auf Basis des Typs von Interventionsvorrichtung durchführen. Dies kann beispielsweise unter Verwendung einer Nachschlagetabelle erfolgen, die einen erkannten Typ von Interventionsvorrichtung auf einen bestimmten potenziellen ersten maschinellen Lernalgorithmus abbildet. Auf diese Weise kann der am besten geeignete erste maschinelle Lernalgorithmus für einen bestimmten Typ von Interventionsvorrichtung ausgewählt werden.
In einigen Beispielen kann das Verfahren, wenn Schritt 651 nicht in der Lage ist, den Typ von Interventionsvorrichtung zu identifizieren (z. B. wie in Schritt 653 bestimmt), in einem Schritt 654 einen herkömmlichen Algorithmus oder Ansatz auswählen oder anweisen, der (in Schritt 620) zum Generieren des Werts/der Werte für den/die Parameter der Abbildungsfunktion zu verwenden ist.
Somit wird in einigen Pfaden des Verfahrens 600 der erste maschinelle Lernalgorithmus nicht verwendet z. B., wenn ein geeigneter erster maschineller Lernalgorithmus nicht identifiziert werden kann. Unter diesen Umständen kann das Verfahren auf einen herkömmlichen Ansatz zum Generieren der Werte für Koeffizienten der Abbildungsfunktion zurückgreifen, z. B. unter Verwendung einer Minimierungsfunktion beim Verarbeiten der erhaltenen elektrischen Reaktionen.
In einigen Beispielen kann es eine Vielzahl potenzieller Abbildungsfunktionen geben, die verwendet werden könnten, wobei unterschiedliche Abbildungsfunktionen unterschiedliche Parameter und/oder Kombinationen von Eingaben (Variablen) aufweisen. Dies kann zum Beispiel wiederum auf dem Vorrichtungstyp basieren. Schritt 640 kann so angepasst werden, dass er das Auswählen einer von einer Vielzahl potenzieller Abbildungsfunktionen als die anfängliche Abbildungsfunktion umfasst. Dies ist vorteilhaft, da sich Vorrichtungstypen erheblich voneinander unterscheiden können (z. B. Katheter mit geradem Schaft und Inline-Elektroden vs. splinebasierte Elektrodenkatheter). Somit ermöglicht dieser Schritt, dass nicht nur die Parameterwerte (Koeffizientenwerte) an den Vorrichtungstyp angepasst werden können, sondern auch die Form der Abbildungsfunktion (Anzahl und Typ von Variablen sowie Funktionsabhängigkeit von solchen Variablen) selbst so gewählt werden kann. Dies kann das Übersetzen elektrischer Reaktionen in Koordinatenpositionen begünstigen und damit das Abbilden und/oder Navigieren verbessern.
Wenn es in diesen Beispielen mehr als einen potenziellen ersten maschinellen Lernalgorithmus gibt, kann der ausgewählte erste maschinelle Lernalgorithmus von der ausgewählten Abbildungsfunktion abhängig sein. Dadurch wird sichergestellt, dass der maschinelle Lernalgorithmus spezifisch ausgewählt wird, um die Ausgaben für eine bestimmte Abbildungsfunktion zu generieren (d. h. der maschinelle Lernalgorithmus ist für die ausgewählte Abbildungsfunktion konfiguriert).
Mit anderen Worten, Schritt 650 kann dafür konfiguriert sein, einen Algorithmus zum Erhalten der Werte aus den erhaltenen elektrischen Reaktionen auf Basis der (d. h. als Reaktion auf die) ausgewählten anfänglichen Abbildungsfunktion auszuwählen. Dies kann in einigen Beispielen als ein Teil von Schritt 652 umgesetzt werden.
In einigen Beispielen kann Schritt 640 insbesondere das Auswählen der anfänglichen Abbildungsfunktion auf Basis der erhaltenen elektrischen Reaktionen umfassen (z. B. durch Verarbeiten der erhaltenen elektrischen Reaktionen unter Verwendung eines (dritten) maschinellen Lernalgorithmus oder dergleichen). In Beispielen kann Schritt 640 das Auswählen der anfänglichen Abbildungsfunktion auf Basis des Typs von Interventionsvorrichtung umfassen (z. B. wenn Schritt 651 durchgeführt wird). Dies kann beispielsweise unter Verwendung einer Nachschlagetabelle erfolgen, die einen Typ von Interventionsvorrichtung auf eine bestimmte anfängliche Abbildungsfunktion abbildet.
Temporäre Veränderungen in einem Subjekt, z. B. durch Atem- oder Herzbewegungen - d. h. anatomische Zyklen - können die Fähigkeit neuronaler Netze oder anderer maschineller Lernalgorithmen, geeignete Parameter für die Abbildungsfunktion zu generieren, erheblich beeinträchtigen, da sie im Allgemeinen von einem stabilen Zustand ausgehen. Dieses Problem kann durch Verwenden eines geeigneten Gating-Verfahrens beim Erhalten vor Berechnung der Abbildungsfunktion oder durch Durchführen eines Bewegungsausgleichs für erhaltene elektrische Reaktionen entschärft werden.
Mit anderen Worten, wenn ein Gating-Verfahren durchgeführt wird, können die erhaltenen elektrischen Reaktionen (in Schritt 610) nur elektrische Reaktionen innerhalb eines vorbestimmten Teils eines anatomischen Zyklus des Subjekts umfassen, z. B. während einer Einatmungsphase eines Atemzyklus oder während einer Einström- oder Ausstoßphase eines Herzzyklus. Andere geeignete Phasen anatomischer Zyklen sind für Fachleute leicht ersichtlich.
In einigen Beispielen werden unterschiedliche Abbildungsfunktionen für unterschiedliche Phasen oder Teile eines anatomischen Zyklus generiert. Anders formuliert, das Verfahren 600 kann für unterschiedliche spezifische Teile des anatomischen Zyklus (Herz oder Atmung) wiederholt werden, wobei die erhaltenen elektrischen Reaktionen innerhalb der spezifischen Teile des anatomischen Zyklus liegen.
Diese Ausführungsform nutzt insbesondere die Geschwindigkeit der Vorhersage von Parametern für Werte der Abbildungsfunktion, was durch Verwenden des ersten maschinellen Lernalgorithmus erleichtert wird, wodurch dieser Ansatz im Vergleich zu herkömmlichen Ansätzen leichter in Echtzeit durchgeführt werden kann.
In einigen Beispielen kann, wenn es eine Vielzahl potenzieller erster maschineller Lernalgorithmen gibt, der ausgewählte erste maschinelle Lernalgorithmus von dem Teil des anatomischen Zyklus abhängen, dem die erhaltenen elektrischen Reaktionen zugeordnet sind. Diese Ausführungsform kann die Spezifität des maschinellen Lernalgorithmus weiter verbessern. Dies kann in Schritt 652 integriert werden. Zum Beispiel können ECG-Messungen (global, wie z. B. mit 12 Kanal-Vorrichtung gemessen) oder EKG-Messungen (lokal, wie z. B. mit körperinterner/körperinternen Elektrode(n) gemessen, analysiert werden zum Erkennen (z. B. des Beginns) eines bestimmten Teils (z. B. Segment von ECG- oder EKG-Signal) eines Herzzyklus und Definieren eines entsprechenden Zeitstempels oder von Synchronisierungsdaten/-signalen, die zum Auswählen eines entsprechenden maschinellen Lernalgorithmus zu verwenden sind. Ein Atmungsmonitor (z. B. ein PhotoPlethysmoGraphy (PPG)-Signal kann verwendet werden, um das Gleiche für einen Atemzyklus zu bewirken. Verfahren und Vorrichtungen für solche Messungen sind als solche wohlbekannt.
7 veranschaulicht ein computerimplementiertes Verfahren 700 gemäß einer anderen Ausführungsform der Offenbarung. Das Verfahren 700 ist dafür konfiguriert, die Position, in einem mehrdimensionalen Koordinatenraum, einer Elektrode (oder von Elektroden) innerhalb eines Subjekts zu identifizieren.
Das Verfahren 700 umfasst das Durchführen eines Schritts zum Erhalten 710 einer Abbildungsfunktion. Dieser Prozess kann beispielsweise durch Erhalten der Abbildungsfunktion 635 durchgeführt werden, die durch das zuvor unter Bezugnahme auf 6 beschriebene Verfahren 600 generiert wird.
Das Verfahren 700 umfasst auch einen Schritt 720 des Erhaltens der elektrischen Reaktion(en) einer Elektrode auf sich kreuzende elektrische Felder innerhalb des Subjekts. Die erhaltene(n) elektrische(n) Reaktion(en) sollte(n) das gleiche Format (Datenformat) haben wie die elektrischen Reaktionen, für die die Abbildungsfunktion 635 zum Abbilden auf eine Position innerhalb des mehrdimensionalen Raums konfiguriert ist.
Das Verfahren 700 umfasst auch einen Schritt 730 des Verarbeitens der erhaltenen elektrischen Reaktion(en) unter Verwendung der Abbildungsfunktion, um dadurch die Position der Elektrode(n) innerhalb des mehrdimensionalen Raums zu bestimmen.
Somit wird eine Abbildungsfunktion verwendet, um die Position der Elektrode zu identifizieren. Es wurde bereits erläutert, wie diese Informationen verwendet werden können, um die Position und/oder Ausrichtung einer Interventionsvorrichtung zu identifizieren, an der die Elektrode(n) montiert ist/sind.
Die identifizierte(n) Position(en) kann/können in einem Schritt 740 ausgegeben werden. Beispielsweise kann/können die identifizierte(n) Position(en) zum Steuern einer Anzeige verwendet werden, um eine Darstellung der identifizierten Position auf der Anzeige zu generieren, z. B. durch Steuern von Signalen, die an einer Ausgabeschnittstelle bereitgestellt werden.
In einigen Beispielen umfasst das Verfahren 700 einen Schritt 750 des Erhaltens von Hinweisdaten, z. B. an einer Eingabeschnittstelle. Die Hinweisdaten sind eine Reaktion auf eine Änderung in einer oder mehreren dielektrischen Eigenschaften von Elementen innerhalb des sich kreuzenden elektrischen Felds und/oder einer Eigenschaft der Interventionsvorrichtung und/oder Elektroden.
Bei der vorliegenden Offenbarung wird anerkannt, dass solche Hinweisdaten darauf hinweisen, ob die Genauigkeit der Abbildungsfunktion beeinträchtigt wurde. Insbesondere führen Änderungen in den dielektrischen Eigenschaften der sich kreuzenden elektrischen Felder (und/oder Änderungen an der Interventionsvorrichtung oder den Elektroden) dazu, dass die Abbildungsfunktion die elektrische(n) Reaktion(en) der Elektrode(n) nicht mehr genau auf die entsprechende(n) Position(en) in dem mehrdimensionalen Koordinatensystem abbildet.
Somit kann, in einigen Beispielen, wenn eine Änderung in den Hinweisdaten erkannt wird (d. h. die Hinweisdaten auf eine Änderung über einen bestimmten Schwellenwert hinaus hinweisen), das Verfahren 600 des Erhaltens einer neuen Abbildungsfunktion wiederholt werden. Mit anderen Worten, die Abbildungsfunktion kann neu generiert werden. Die erkannte Änderung kann in einem Schritt 760 erkannt werden.
7 veranschaulicht auch ein computerimplementiertes Verfahren 700 des Generierens eines anatomischen Modells eines anatomischen Hohlraums.
Das computerimplementierte Verfahren 700 umfasst iteratives Identifizieren der Position einer oder mehrerer Elektroden innerhalb eines anatomischen Hohlraums durch Durchführen des Verfahrens 700.
Das computerimplementierte Verfahren 700 umfasst auch einen Schritt 750 des Generierens eines anatomischen Modells des anatomischen Hohlraums durch Verarbeiten der identifizierten Positionen der einen oder mehreren Elektroden. In Schritt 750 können die Positionen aus dem Ausgabeschritt 740 des Verfahrens 700 empfangen werden.
Verfahren zum Generieren eines anatomischen Hohlraums durch Verarbeiten identifizierter Positionen wurden zuvor beschrieben, z. B. unter Bezugnahme auf mindestens 3 und 4.
Schritt 750 kann wiederholt werden, wenn beispielsweise die Hinweisdaten auf eine Änderung hinweisen, da dies auf eine Änderung der Struktur des anatomischen Modells hinweisen kann.
Eine visuelle Darstellung des anatomischen Modells kann beispielsweise auf einer Benutzeroberfläche bereitgestellt werden. Somit kann Schritt 750 das Steuern einer Benutzeroberfläche zum Bereitstellen einer visuellen Darstellung des anatomischen Modells umfassen.
8 ist ein schematisches Diagramm eines Verarbeitungssystems 390 gemäß Ausführungsformen der vorliegenden Offenbarung. Das Verarbeitungssystem 390 ist dafür konfiguriert, ein Verfahren durchzuführen, wie hierin definiert und zum Beispiel gemäß einer Ausführungsform, wie das unter Bezugnahme auf 6 beschriebene Verfahren 600 und/oder das unter Bezugnahme auf 7 beschriebene Verfahren und im Prinzip auch das unter Bezugnahme auf 9 beschriebene Verfahren
Das Verarbeitungssystem 390 ist somit dafür konfiguriert, eine Abbildungsfunktion zu generieren oder einen maschinellen Lernalgorithmus zu trainieren. Das Verarbeitungssystem 390 kann auch dafür konfiguriert sein, einen dielektrischen Bildgebungsprozess zu steuern oder durchzuführen, wie die zuvor unter Bezugnahme auf 3 und 4 beschriebenen.
Wie dargestellt, kann das Verarbeitungssystem 390 einen (Daten-)Prozessor 860, einen Speicher 864 und ein Kommunikationsmodul 868 einschließen. Diese Elemente können direkt oder indirekt miteinander kommunizieren, zum Beispiel über einen oder mehrere Busse.
Der Prozessor 860 kann eine zentrale Verarbeitungseinheit (CPU), einen digitalen Signalprozessor (DSP), einen ASIC, eine Steuerung, einen FPGA, eine andere Hardwarevorrichtung, eine Firmwarevorrichtung oder eine Kombination davon einschließen, die dafür konfiguriert sind, die hierin beschriebenen Operationen durchzuführen. Der Prozessor 860 kann auch als eine Kombination von Rechenvorrichtungen implementiert sein, z. B. eine Kombination von einem DSP und einem Mikroprozessor, einer Vielzahl von Mikroprozessoren, einem oder mehreren Mikroprozessoren in Verbindung mit einem DSP-Kern oder eine andere solche Konfiguration. In einigen Ausführungsformen ist der Prozessor ein verteiltes Verarbeitungssystem, das z. B. aus einem Satz von verteilten Prozessoren besteht. In einem solchen Fall können die verschiedenen verteilten Teile über ein Netzwerk wie drahtgebundenes oder drahtloses LAN oder dergleichen kommunikativ miteinander gekoppelt sein.
Der Speicher 864 kann einen Cache-Speicher (z. B. einen Cache-Speicher des Prozessors 860), einen Direktzugriffsspeicher (RAM), einen magnetoresistiven RAM (MRAM), einen Festwertspeicher (ROM), einen programmierbaren Festwertspeicher (PROM), einen löschbaren programmierbaren Festwertspeicher (EPROM), einen elektrisch löschbaren programmierbaren Festwertspeicher (EEPROM), einen Flash-Speicher, eine Festkörperspeichervorrichtung, Festplattenlaufwerke, andere Formen von flüchtigen und nichtflüchtigen Speichern oder eine Kombination verschiedener Speichertypen einschließen. In einer Ausführungsform schließt der Speicher 864 ein nicht-transitorisches computerlesbares Medium ein. Das nicht-transitorische computerlesbare Medium kann Anweisungen speichern. Zum Beispiel kann der Speicher 864 oder ein nicht-transitorisches computerlesbares Medium einen darauf aufgezeichneten Programmcode aufweisen, wobei der Programmcode Anweisungen einschließt, um das Prozessorsystem 390 oder eine oder mehrere Komponenten des Prozessorsystems 390, insbesondere den Prozessor 860, zu veranlassen, die hierin beschriebenen Operationen durchzuführen. Zum Beispiel kann das Verarbeitungssystem 390 Operationen des Verfahrens 600 und/oder ein Verfahren zum Steuern und/oder Durchführen eines dielektrischen Bildgebungsprozesses (wie unter Bezugnahme auf 3 und 4 beschrieben) ausführen.
Anweisungen 866 können auch als Code oder Programmcode bezeichnet werden. Die Begriffe „Anweisungen“ und „Code“ sind weit auszulegen und schließen jede Art von computerlesbarer Anweisung ein. Die Begriffe „Anweisungen“ und „Code“ können sich zum Beispiel auf ein oder mehrere Programme, Routinen, Unterroutinen, Funktionen, Abläufe usw. beziehen. „Anweisungen“ und „Code“ können eine einzelne computerlesbare Anweisung oder viele computerlesbare Anweisungen einschließen. Der Speicher 864 mit dem darauf aufgezeichneten Code kann als ein Computerprogrammprodukt bezeichnet werden.
Das Kommunikationsmodul 868 kann beliebige elektronische Schaltungen und/oder logische Schaltungen einschließen, um die direkte oder indirekte Kommunikation von Daten zwischen dem Prozessorsystem 390, der Interventionsvorrichtung und/oder der Benutzeroberfläche (oder einer anderen weiteren Vorrichtung) zu ermöglichen. In dieser Hinsicht kann das Kommunikationsmodul 868 eine Ein-/Ausgabevorrichtung (E/A-Vorrichtung) sein. In einigen Fällen erleichtert das Kommunikationsmodul 868 die direkte oder indirekte Kommunikation zwischen verschiedenen Elementen des Verarbeitungssystems 390 und/oder des Abbildungssystems (9).
In einigen Ausführungsformen umfasst das Verarbeitungssystem elektronische Schaltungen, um elektrische Signale wie die elektrischen Reaktionen von Elektroden einer Interventionsvorrichtung zu handhaben. Zum Beispiel können analoge oder digitale elektronische Filter, Digital-Analog-Wandler usw. zum Vorverarbeiten elektronischer Signale von den Elektroden in elektrische Reaktionen vorhanden sein. Das Vorverarbeiten kann zum Beispiel dazu dienen, elektrische Reaktionen in entsprechende (z. B. digitale) Daten umzuwandeln, die von Datenprozessoren usw. zu verarbeiten sind, wie hierin definiert. Alternativ oder zusätzlich kann eine analoge Signalverarbeitung verwendet werden.
9 veranschaulicht ein Abbildungssystem 900 gemäß einer Ausführungsform der Offenbarung, das einige optionale Elemente veranschaulicht. Das Abbildungssystem 900 umfasst ein Verarbeitungssystem 390, das wie zuvor beschrieben ausgeführt sein kann.
Das Abbildungssystem kann ferner eine Ausgabeanzeige 399 umfassen. Das Verarbeitungssystem kann dafür konfiguriert sein, die Ausgabeanzeige zum Anzeigen einer visuellen Darstellung von Folgendem zu steuern: der bestimmten Position der Elektrode(n) und/oder der Interventionsvorrichtung; und/oder des anatomischen Modells, die unter Verwendung der von dem Verarbeitungssystem generierten Abbildungsfunktion generiert werden. Dieses Steuern kann unter Verwendung einer Ausgabeschnittstelle 392 des Verarbeitungssystems 390 erfolgen. Die visuelle Darstellung der bestimmten Position(en) kann in Bezug zu dem anatomischen Modell positioniert werden, z. B. um eine relative Position der Elektroden oder anderer Teile der Interventionsvorrichtung innerhalb des anatomischen Hohlraums anzuzeigen, der durch das anatomische Modell dargestellt wird.
Das Verarbeitungssystem 390 kann dafür angepasst sein, die Reaktionen der einen oder mehreren Elektroden der Interventionsvorrichtung aus einem Speicher 910 und/oder der Interventionsvorrichtung 335, z. B. an einer Eingabeschnittstelle 391, zu erhalten. Das Abbildungssystem 900 kann je nach Bedarf den Speicher und/oder die Interventionsvorrichtung 335 umfassen. Falls die Reaktionen aus dem Speicher 910 erhalten oder empfangen werden, können sie bereits das geeignete Format haben, um vom Prozessor gehandhabt zu werden. Wenn sie von der Interventionsvorrichtung erhalten oder empfangen werden, kann eine Signalvorverarbeitung erfolgen, bevor die Reaktionsdaten an den Prozessor übermittelt werden. Für eine solche Vorverarbeitung kann die hierin zuvor beschriebene elektrische Signalverarbeitung durch elektronische Schaltungen des Verarbeitungssystems 390 erleichtert werden.
Der Speicher 910 kann auch den ersten maschinellen Lernalgorithmus (oder die Vielzahl erster maschineller Lernalgorithmen) und/oder die anfängliche Abbildungsfunktion (je nach Bedarf) bereitstellen. Es versteht sich, dass diese aus einer anderen Quelle wie einer Benutzeroberfläche oder einem externen Server erhalten werden könnten, die z. B. über einen Kommunikationskanal wie das Internet oder eine LAN-Verbindung kontaktierbar sind).
Es versteht sich, dass die offenbarten Verfahren vorzugsweise computerimplementierte Verfahren sind. Als solches wird auch das Konzept eines Computerprogramms vorgeschlagen, das einen Computerprogrammcode zur Implementierung eines beliebigen beschriebenen Verfahrens umfasst, wenn das Programm auf einem Verarbeitungssystem, wie einem Computer oder einer Gruppe von verteilten Prozessoren, ausgeführt wird.
Verschiedene Abschnitte, Zeilen oder Blöcke des Codes eines Computerprogramms gemäß einer Ausführungsform können von einem Verarbeitungssystem oder Computer ausgeführt werden, um jedes hierin beschriebene Verfahren durchzuführen. In einigen alternativen Implementierungen können die in dem/den Blockdiagramm(en) oder dem/den Flussdiagramm(en) vermerkten Funktionen in einer anderen als der in den Figuren angegebenen Reihenfolge ausgeführt werden. Zum Beispiel können zwei Blöcke, die hintereinander gezeigt sind, tatsächlich im Wesentlichen gleichzeitig ausgeführt werden, oder die Blöcke können zuweilen in umgekehrter Reihenfolge ausgeführt werden, abhängig von der beteiligten Funktionalität.
Die vorliegende Offenbarung schlägt ein Computerprogramm (-produkt) vor, das Anweisungen umfasst, die, wenn das Programm von einem Computer oder Verarbeitungssystem ausgeführt wird, den Computer oder das Verarbeitungssystem veranlassen, (die Schritte) eines beliebigen hierin beschrieben Verfahrens auszuführen. Das Computerprogramm (-produkt) kann auf einem nicht-transitorischen, computerlesbaren Medium gespeichert sein.
In ähnlicher Art und Weise wird auch ein computerlesbares (Speicher-)Medium vorgeschlagen, das Anweisungen umfasst, die, wenn sie von einem Computer oder Verarbeitungssystem ausgeführt werden, den Computer oder das Verarbeitungssystem veranlassen, (die Schritte) jedes hierin beschriebenen Verfahrens auszuführen. Auch wird ein computerlesbarer Datenträger vorgeschlagen, auf dem das zuvor beschriebene Computerprogramm(-produkt) gespeichert ist. Es wird auch ein Datenträgersignal vorgeschlagen, welches das zuvor beschriebene Computerprogramm (-produkt) trägt.
Der Fachmann wäre ohne Weiteres in der Lage, ein Verarbeitungssystem zum Ausführen des hierin beschriebenen Verfahrens zu entwickeln. Somit kann jeder Schritt eines Flussdiagramms eine unterschiedliche Aktion darstellen, die von einem Verarbeitungssystem durchgeführt wird, und von einem jeweiligen Modul des Verarbeitungssystems durchgeführt werden kann.
Variationen der offenbarten Ausführungsformen können von Fachleuten beim Umsetzen der beanspruchten Offenbarung durch Studieren der Zeichnungen, der Offenbarung und der beigefügten Ansprüche verstanden und durchgeführt werden. In den Ansprüchen schließt das Wort „umfassen“ andere Elemente oder Schritte nicht aus, und der unbestimmte Artikel „ein“, „eine“ oder „eines“ schließt eine Vielzahl nicht aus. Die bloße Tatsache, dass bestimmte Maßnahmen in voneinander unterschiedlichen abhängigen Ansprüchen angegeben sind, weist nicht darauf hin, dass eine Kombination dieser Maßnahmen nicht vorteilhaft verwendet werden kann.
Ein einzelner Prozessor oder eine andere Einheit kann die Funktionen mehrerer in den Ansprüchen angegebener Elemente erfüllen. Ein Computerprogramm kann auf einem geeigneten Medium wie z. B. einem optischen Speichermedium oder einem Halbleitermedium, das zusammen mit oder als Teil anderer Hardware geliefert wird, gespeichert/verteilt werden, kann jedoch auch in anderen Formen verteilt werden, wie z. B. über das Internet oder andere drahtgebundene oder drahtlose Telekommunikationssysteme.
Wenn der Begriff „angepasst, um zu“ in den Ansprüchen oder der Beschreibung verwendet wird, wird darauf hingewiesen, dass der Begriff „angepasst, um zu“ äquivalent zum Begriff „konfiguriert, um zu“ sein soll. Jegliche Bezugszeichen in den Ansprüchen sind nicht als Einschränkungen des Schutzumfangs auszulegen.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

EP 3568068 A1 [0006, 0012, 0074, 0107, 0113]
WO 2018/134747 [0064]
EP 0775466 A2 [0074, 0107, 0113]
EP 3607879 A1 [0074, 0107, 0113]

Claims

Computerimplementiertes Verfahren (600) zum Generieren einer Abbildungsfunktion (500, 635), die eine Reaktion einer Elektrode (331, 332, 333) auf sich kreuzende elektrische Felder innerhalb eines Subjekts (190, 305) auf eine Position in einem mehrdimensionalen Koordinatenraum abbildet, wobei das computerimplementierte Verfahren Folgendes umfasst: Erhalten (610) elektrischer Reaktionen von einer oder mehreren Elektroden, die an einer Interventionsvorrichtung (335) montiert sind, auf sich kreuzende elektrische Felder, die innerhalb des Subjekts induziert werden; Verarbeiten (620) der erhaltenen elektrischen Reaktionen unter Verwendung eines ersten maschinellen Lernalgorithmus, um Werte für einen oder mehrere jeweilige Parameter der Abbildungsfunktion zu erhalten; und Definieren (630) der Abbildungsfunktion auf Basis der erhaltenen Werte für den einen oder die mehreren jeweiligen Parameter der Abbildungsfunktion.
Computerimplementiertes Verfahren (600) nach Anspruch 1, wobei der erste maschinelle Lernalgorithmus für den Typ von Interventionsvorrichtung (335) spezifisch ist.
Computerimplementiertes Verfahren (600) nach einem der Ansprüche 1 oder 2, wobei das Verfahren ferner einen Schritt (640) des Erhaltens einer anfänglichen Abbildungsfunktion (645) umfasst und der Schritt (630) des Definierens der Abbildungsfunktion das Definieren eines oder mehrerer Parameter der anfänglichen Abbildungsfunktion auf Basis des einen oder der mehreren erhaltenen Werte umfasst.
Computerimplementiertes Verfahren (600) nach Anspruch 3, wobei die anfängliche Abbildungsfunktion (645) für den Typ der Interventionsvorrichtung (335) und/oder die erhaltenen elektrischen Reaktionen spezifisch ist.
Computerimplementiertes Verfahren (600) nach einem der Ansprüche 3 oder 4, wobei der erste maschinelle Lernalgorithmus von der anfänglichen Abbildungsfunktion (645) abhängt.
Computerimplementiertes Verfahren (600) nach einem der Ansprüche 1 bis 5, ferner umfassend einen Schritt (650) des Erhaltens des ersten maschinellen Lernalgorithmus durch Verarbeiten der erhaltenen elektrischen Reaktionen unter Verwendung eines zweiten maschinellen Lernalgorithmus, um einen aus einer Vielzahl potenzieller erster maschineller Lernalgorithmen zu identifizieren, der als der erste maschinelle Lernalgorithmus zu verwenden ist.
Computerimplementiertes Verfahren (600) nach Anspruch 6, wobei der Schritt (650) des Erhaltens des ersten maschinellen Lernalgorithmus Folgendes umfasst: Verarbeiten (651) der erhaltenen elektrischen Reaktionen unter Verwendung des zweiten maschinellen Lernalgorithmus, um einen Typ der Interventionsvorrichtung zu identifizieren; und Identifizieren (652), welcher potenzielle erste maschinelle Lernalgorithmus als der erste maschinelle Lernalgorithmus zu verwenden ist, basierend auf dem identifizierten Typ der Interventionsvorrichtung.
Computerimplementiertes Verfahren (600) nach einem der Ansprüche 1 bis 7, wobei der Schritt (610) des Erhaltens elektrischer Reaktionen das Erhalten von mindestens einigen der elektrischen Reaktionen von zwei oder mehr Elektroden (331, 332, 333) umfasst, die an einer Interventionsvorrichtung (335) montiert sind, die innerhalb des Subjekts (190, 305) positioniert ist.
Computerimplementiertes Verfahren (600) nach einem der Ansprüche 1 bis 8, wobei die elektrischen Reaktionen elektrische Reaktionen der einen oder mehreren Elektroden innerhalb eines vorbestimmten Teils eines anatomischen Zyklus des Subjekts sind.
Computerimplementiertes Verfahren (600) nach Anspruch 9, wobei der erste maschinelle Lernalgorithmus von dem vorbestimmten Teil des anatomischen Zyklus des Subjekts abhängt.
Computerimplementiertes Verfahren (700) zum Identifizieren der Position, in einem mehrdimensionalen Koordinatenraum, einer Elektrode (331, 332, 333) innerhalb eines Subjekts (190, 305), wobei das computerimplementierte Verfahren Folgendes umfasst: Erhalten (710) einer Abbildungsfunktion (500, 635), die unter Verwendung eines Verfahrens (600) nach einem der Ansprüche 1 bis 10 generiert wird; Erhalten (720) der elektrischen Reaktion einer Elektrode auf sich kreuzende elektrische Felder innerhalb des Subjekts; und Bestimmen (730) einer Position, in einem mehrdimensionalen Koordinatenraum, der Elektrode durch Verarbeiten der elektrischen Reaktion der Elektrode unter Verwendung der Abbildungsfunktion.
Computerimplementiertes Verfahren (700) nach Anspruch 11, ferner umfassend: Erhalten (750) von Hinweisdaten als Reaktion auf eine Änderung in einer oder mehreren dielektrischen Eigenschaften von Elementen innerhalb des sich kreuzenden elektrischen Felds und/oder einer Eigenschaft der Interventionsvorrichtung und/oder Elektroden; und als Reaktion auf die Hinweisdaten, die auf eine Änderung hinweisen, Neugenerieren einer Abbildungsfunktion durch Durchführen des Verfahrens (600) nach einem der Ansprüche 1 bis 10.
Computerimplementiertes Verfahren (70) zum Generieren eines anatomischen Modells eines anatomischen Hohlraums, wobei das computerimplementierte Verfahren Folgendes umfasst: iteratives Identifizieren der Position einer oder mehrerer Elektroden innerhalb eines anatomischen Hohlraums durch Durchführen des Verfahrens (700) nach Anspruch 11 oder 12; und Generieren (75) eines anatomischen Modells des anatomischen Hohlraums durch Verarbeiten der identifizierten Positionen der einen oder mehreren Elektroden.
Computerprogrammprodukt, umfassend Computerprogrammcodemittel, die, wenn sie auf einer Computervorrichtung mit einem Verarbeitungssystem ausgeführt werden, das Verarbeitungssystem veranlassen, alle Schritte des Verfahrens (600, 700) nach einem der Ansprüche 1 bis 13 durchzuführen.
Verarbeitungssystem (390) zum Generieren einer Abbildungsfunktion (500, 635), die eine Reaktion einer Elektrode (331, 332, 333) auf sich kreuzende elektrische Felder innerhalb eines Subjekts (190, 305) auf eine Position in einem mehrdimensionalen Koordinatenraum abbildet, wobei das Verarbeitungssystem konfiguriert ist zum: Erhalten (610), an einer Eingabeschnittstelle (391), elektrischer Reaktionen von einer oder mehreren Elektroden, die an einer Interventionsvorrichtung (335) montiert sind, auf sich kreuzende elektrische Felder, die innerhalb des Subjekts induziert werden; Verarbeiten (620) der erhaltenen elektrischen Reaktionen unter Verwendung eines trainierten ersten maschinellen Lernalgorithmus, um Werte für einen oder mehrere jeweilige Parameter der Abbildungsfunktion zu erhalten; und Definieren (630) der Abbildungsfunktion auf Basis der erhaltenen Werte für den einen oder die mehreren jeweiligen Parameter der Abbildungsfunktion.
Verarbeitungssystem nach Anspruch 15, das ferner dafür konfiguriert ist, eine empfangene elektrische Reaktion in eine Position in einem Mehrkoordinatenraum unter Verwendung der definierten Abbildungsfunktion zu verarbeiten.
Abbildungssystem, umfassend: - ein Verarbeitungssystem nach Anspruch 15; - ein System zum Generieren elektrischer Felder, das einen elektrischen Feldgenerator zum Generieren elektrischer Signale für einen Satz von Elektroden umfasst, der dafür konfiguriert ist, bei Verwendung sich kreuzende elektrische Felder bereitzustellen; und wahlweise eines oder mehrere von: - einer Interventionsvorrichtung mit einer oder mehreren Elektroden, die dafür konfiguriert sind, mit dem Verarbeitungssystem verbunden zu werden; und - einem Satz von Elektroden zum Generieren von sich kreuzenden elektrischen Feldern innerhalb eines interessierenden Bereichs eines Subjekts, wobei der Satz von Elektroden dafür konfiguriert ist, mit dem System zum Generieren elektrischer Felder verbunden zu werden.
Computerimplementiertes Verfahren zum Generieren eines trainierten ersten maschinellen Lernalgorithmus, der in der Lage ist, Werte für einen oder mehrere jeweilige Parameter einer Abbildungsfunktion bereitzustellen, wobei die Abbildungsfunktion dafür konfiguriert ist, eine elektrische Reaktion, die für sich kreuzende Felder innerhalb eines interessierenden Subjekts repräsentativ ist, in eine Position in einem mehrdimensionalen Koordinatenraum umzuwandeln, wobei das Verfahren Folgendes umfasst: - Empfangen eines Trainingsdatensatzes, umfassend: einen oder mehrere Sätze der elektrischen Reaktionen, wobei jeder Satz mit zugehörigen Werten für einen oder mehrere Parameter einer Abbildungsfunktion versehen ist, die in der Lage ist, den Satz der elektrischen Reaktionen in einen repräsentativen Satz von Positionen in dem mehrdimensionalen Koordinatenraum umzuwandeln; - Unterziehen eines maschinellen Lernalgorithmus den Trainingsdaten unter Verwendung eines Lernverfahrens, um den trainierten maschinellen Lernalgorithmus mit Parametern des trainierten maschinellen Lernalgorithmus bereitzustellen, die zur Ausgabe vorausgesagter Werte für den einen oder die mehreren Parameter der Abbildungsfunktion optimiert sind, basierend auf einer Eingabe eines Satzes elektrischer Reaktionen; und - wahlweise Bereitstellen des trainierten maschinellen Lernalgorithmus oder des trainierten maschinellen Lernalgorithmus.
Computerimplementiertes Verfahrens nach Anspruch 18, wobei der eine oder die mehreren Sätze elektrischer Reaktionen elektrische Reaktionen umfassen, die mit nur einem Typ von Elektrodenkonfiguration erhalten wurden.
Computerprogrammprodukt, umfassend Computerprogrammcodemittel, die, wenn sie auf einer Rechenvorrichtung mit einem Verarbeitungssystem ausgeführt werden, das Verarbeitungssystem veranlassen, die Schritte eines Verfahrens nach einem der Ansprüche 18 bis 19 durchzuführen.