基于 AI 解剖理解的内心脏超声导管姿态估计

内心脏超声（ICE）在心电生理学（EP）和结构心脏疾病（SHD）干预中发挥着至关重要的作用，提供高分辨率的实时心脏结构成像。然而，现有的导航方法依赖于电磁（EM）跟踪，该方法易受干扰并出现位置漂移，或需要依赖操作员经验进行手动调整。为克服这些限制，我们提出了一种新型解剖结构感知的姿态估计系统，该系统仅从 ICE 图像确定 ICE 导管的位置和方向，无需外部跟踪传感器。我们的方法利用基于 Vision Transformer（ViT）的深度学习模型，捕获 ICE 图像与解剖结构之间的空间关系。该模型在临床获取的 851 名受试者数据集上进行训练，包括与左心房（LA）网格归一化的位置和方向标签配对的 ICE 图像。ICE 图像被分块为 16x16 的嵌入，并通过 Transformer 网络处理，其中 [CLS] 标记通过独立的线性层独立预测位置和方向。该模型使用均方误差（MSE）损失函数进行优化，平衡位置和方向的准确性。实验结果显示，平均位置误差为 9.48 毫米，方向误差为（16.13 度、8.98 度、10.47 度），分别对应 x、y、z 轴，证明了该模型的准确性。定性评估进一步验证了预测位置与目标视图在 3D 心脏网格中的对齐。该 AI 驱动系统提高了程序效率，减少了操作员负担，并实现无跟踪器的实时 ICE 导管定位。该方法可独立运行，也可补充如 CARTO 等现有映射系统，为 ICE 指导的干预提供一种变革性的方法。