一种用于生成映射函数的机制，所述映射函数用于将在交叉电场内的电极处进行的测量映射到多维坐标系内的一个或多个位置。使用第一机器学习算法生成针对映射函数的系数的值，所述第一机器学习算法接收电极的示例测量(或响应)作为输入，并且提供针对所述映射函数的系数的值作为输出。提出了一种用于执行该机制的方法和处理系统。方法和处理系统。方法和处理系统。
【技术实现步骤摘要】
【国外来华专利技术】生成用于跟踪电极的位置的映射函数
[0001]本专利技术涉及电极位置跟踪领域，并且特别地，涉及便于在交叉电场内跟踪电极的映射函数。
技术介绍
[0002]对对象内的电极(或多个电极)的位置的准确跟踪对于对对象执行准确且安全的侵入性手术变得越来越重要。
[0003]在基于电场的电极跟踪系统中，两个或更多个交叉电场由被定位于对象外部(诸如对象的表面上)的电极(“外部电极”)阵列引起。这些电场在被放置在身体内的电极(“内部电极”)内引起位置相关的响应，诸如电压响应。因此，可以通过监测电极对这些电场的响应来跟踪内部电极的位置。特别地，可以使用适当的映射函数将内部电极的电响应映射到多维(欧几里德/笛卡尔)坐标系内的位置。
[0004]跟踪电极的位置重要的一个场景是在消融程序中，其中，介入设备(例如，导管或可以安装这样的电极的其他设备)的正确定位对于最小化对对象的无意损伤(诸如由在不正确的位置处执行消融引起的损伤)是重要的。
[0005]准确跟踪电极位置重要的另一场景是在医学成像中，这是对对象进行诊断和/或处置的关键要素。介电成像过程包括跟踪并迭代地记录一个或多个内部电极的位置，并且基于记录的位置(重新)构建对象的内部解剖结构的解剖模型。解剖模型的构建是可能的，因为可以假设内部电极将仅位于对象的腔内，从而允许构建腔的边界。
[0006]具有公开号EP3568068A1的欧洲专利申请公开了用于基于内部电极对由外部电极引起的交叉电场的响应来构建对象的内部解剖结构的模型的合适机制的一个示例。
[0007]持续期望改进用于将内部电极的(对交叉电场的)电响应转换为多维坐标系中的位置的映射函数。这将改进跟踪电极的位置的准确性和/或通过处理跟踪的位置而生成的任何解剖模型的准确性。
技术实现思路
[0008]本专利技术由权利要求限定。
[0009]根据依据本公开的一个方面的示例，提供了一种用于生成映射函数的计算机实施的方法，所述映射函数将电极对对象内的交叉电场的响应映射到多维坐标空间中的位置。
[0010]所述计算机实施的方法包括：获得被安装(包括)在介入设备上的一个或多个电极对在所述对象内引起的所述交叉电场的电响应(的集合)；使用第一机器学习算法来处理所获得的电响应(的集合)，以获得针对所述映射函数的相应的一个或多个参数的一个或多个值；并且基于所获得的针对所述映射函数的所述相应的一个或多个参数的一个或多个值来定义所述映射函数。所述机器学习算法是经训练的机器学习算法，使得基于其电响应的输入，其输出映射函数的相关联的参数。
[0011]本公开利用机器学习算法来确定用于将电极的响应(例如，电压响应)变换到多维
坐标空间内的位置的映射函数的参数和/或特性。特别地，第一机器学习算法确定针对所述映射函数的参数(例如系数)的值。
[0012]常规地，如例如在EP3568068Al中所公开的，使用最小化函数来确定针对映射函数的参数的值，例如使得由映射函数预测的位置符合电极的已知特性(诸如两个或更多个电极之间的距离或间隔)。另一种方法可以是使用解析解来确定针对参数的值，例如使用线性回归。这可能是耗时的和/或导致更不精确的映射函数。
[0013]本公开内容认识到，可以使用机器学习算法代替预先存在的方法来计算针对映射函数的参数的值。在本文中认识到，这种方法改进了(准确地)计算映射函数的参数/系数的值所需的速度和/或计算处理能力。由此，可以提供改进的解剖标测和/或介入设备跟踪和导航。例如，可以提供更快且最终实时的这样特征。
[0014]由此，所提出的方法通过使用机器学习算法定义参数的值(例如，映射函数的变量的权重或系数)来提供用于改进映射函数和/或生成映射函数的机制。这提供了用于生成映射函数的改进方法。在此背景下的变量基于输入数据(例如，电极响应数据，诸如例如电压、电流或阻抗数据)。这样的响应数据可以如本文定义的那样根据感测两个或更多个交叉电场来获得。
[0015]通常，映射函数利用定义的变量集合和相关联的参数集合。因此，映射函数的类型可以由其变量集合和/或其参数集合来定义。对于特定定义类型的映射函数，经训练的第一机器学习算法可以用于在被馈送有变量的值的集合时基于一个或多个电响应馈送来找到针对参数的值的最佳集合。
[0016]在一些示例中，可以获得例如具有针对特定参数(例如，权重或系数)的模板、空白或预定值的初始映射函数。第一机器学习算法可以定义通用映射函数的权重/系数(或其他参数)的值，以有效地调谐针对特定用例场景的通用映射函数。
[0017]所述第一机器学习算法可以特定于所述介入设备的类型和/或所述介入设备的其他性质。该实施例认识到介入设备的性质对应当如何生成映射函数具有影响，因为由映射函数预测的不同位置之间的关系将根据介入设备而不同。在特定示例中，第一机器学习算法取决于介入设备的几何性质、电性质和/或机械性质，并且特别地，取决于被安装在介入设备上的电极之间的间距。
[0018]所述方法还可以包括获得初始映射函数的步骤，并且定义所述映射函数的步骤可以包括基于所获得的一个或多个值来定义所述初始映射函数的一个或多个参数。
[0019]在一些示例中，所述初始映射函数特定于所述介入设备的类型和/或所获得的电响应。优选地，所述第一机器学习取决于所述初始映射函数。
[0020]所述方法还可以包括以下步骤：通过使用第二机器学习算法处理所获得的电响应来获得所述第一机器学习算法，以识别多个潜在的第一机器学习算法中的一个来用作所述第一机器学习算法。
[0021]因此，可以使用第二(不同的)机器学习算法来预测应该使用哪个第一机器学习算法来生成针对映射函数的参数的值(例如，通用或基本映射函数的权重/系数的值)。
[0022]该方法促进了用于选择适当的第一机器学习算法以用于生成映射函数的简单且自动化的方法。继而，这提供了用于生成针对所生成的映射函数的值的更准确的机制。
[0023]当然，可以采用用于获得第一机器学习算法的其他方法，例如，使用单个第一机器
学习算法、使用查找表(例如，将关于介入设备的信息与特定的第一机器学习算法相关)、使用用例集决策树(use
‑
set decision tree)等。
[0024]在一些示例中，获得所述第一机器学习算法的所述步骤包括：使用所述第二机器学习算法来处理所获得的电响应以识别所述介入设备的类型；并且基于所识别的所述介入设备的类型来识别哪个潜在的第一机器学习算法用作所述第一机器学习算法。
[0025]该实施例认识到，在生成针对映射函数的值时应当不同地处置不同类型的介入设备。该实施例还认识到，可以基于由介入设备生成的电响应来预测介入设备的类型(例如，由于不同介入设备之间的电响应之间的关系的差异等)。
[0026]替代方法可以是使用查找表等(例如，将电响应映射到一种类型的介入设备)。又一种方法可以是接收指示介入设备的类型的用户输入或自动传送的输入(设备标识符)，并本文档来自技高网...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种用于生成映射函数(500、635)的计算机实施的方法(600)，所述映射函数将电极(331、332、333)对对象(190、305)内的交叉电场的响应映射到多维坐标空间中的位置，所述计算机实施的方法包括：获得(610)被安装在介入设备(335)上的一个或多个电极对在所述对象内引起的所述交叉电场的电响应；使用第一机器学习算法来处理(620)所获得的电响应，以获得针对所述映射函数的相应的一个或多个参数的值；并且基于所获得的针对所述映射函数的所述相应的一个或多个参数的值来定义(630)所述映射函数。2.根据权利要求1所述的计算机实施的方法(600)，其中，所述第一机器学习算法特定于所述介入设备(335)的类型。3.根据权利要求1或2中任一项所述的计算机实施的方法(600)，其中，所述方法还包括获得初始映射函数(645)的步骤(640)，并且定义所述映射函数的步骤(630)包括基于所获得的一个或多个值来定义所述初始映射函数的一个或多个参数。4.根据权利要求3所述的计算机实施的方法(600)，其中，所述初始映射函数(645)特定于所述介入设备(335)的所述类型和/或所获得的电响应。5.根据权利要求3或4中任一项所述的计算机实施的方法(600)，其中，所述第一机器学习算法取决于所述初始映射函数(645)。6.根据权利要求1至5中任一项所述的计算机实施的方法(600)，还包括以下步骤(650)：通过使用第二机器学习算法处理所获得的电响应来获得所述第一机器学习算法，以识别多个潜在的第一机器学习算法中的一个来用作所述第一机器学习算法。7.根据权利要求6所述的计算机实施的方法(600)，其中，获得所述第一机器学习算法的所述步骤(650)包括：使用所述第二机器学习算法来处理(651)所获得的电响应以识别所述介入设备的类型；并且基于所识别的所述介入设备的类型来识别(652)哪个潜在的第一机器学习算法要用作所述第一机器学习算法。8.根据权利要求1至7中任一项所述的计算机实施的方法(600)，其中，获得电响应的所述步骤(610)包括从被安装在被定位在所述对象(190、305)内的介入设备(335)上的两个或更多个电极(331、332、333)获得所述电响应中的至少一些。9.根据权利要求1至8中任一项所述的计算机实施的方法(600)，其中，所述电响应是所述一个或多个电极在所述对象的解剖学周期的预定部分内的电响应。10.根据权利要求9所述的计算机实施的方法(600)，其中，所述第一机器学习算法取决于所述对象的所述解剖学周期的所述预定部分。11.一种识别对象(190、305)内的电极(331、332、333)在多维坐标空间中的位置的计算机实施的方法(700)，所述计算机实施的方法包括：获得(710)使用根据权利要求1至10中的一项所述的方法(600)生成的映射函数(500、635)；获得(720)电极对所述对象内的交叉电场的所述电响应；并且
通过使用所述映射函数处理所述电极的所述电响应来确定(730)所述电极在多维坐标空间中的位置。12.根据权利要求11所述的计算机实施的方法(700)，还包括：获得(750)响应于所述交叉电场内的元件的一个...
【专利技术属性】
技术研发人员：R，
申请(专利权)人：皇家飞利浦有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。