"怀长期主义，聊医工科技"
不错过医工超人文章三部曲：1. 关注公众号 2. 经常点击“在看” 3. 点击公众号右上方设置“星标” 每篇文章都会按时推送不错过
| 今天的文章中，超哥为大家介绍一种基于人工智能（AI）的闭环视图引导系统，旨在简化心内超声成像（ICE）的操作。ICE 是一种在电生理学（EP）和结构性心脏病（SHD）干预中至关重要的成像技术，能够实时提供高分辨率的心脏内部图像。然而，ICE 导管的复杂操作需要高度熟练的操作者，否则可能导致不一致的成像结果。为解决这一问题，作者提出了一个AI驱动的系统，通过建模不同视角之间的相对位置和方向，引导用户操作 ICE 导管实现视图切换。系统采用了Mamba架构，依赖深度学习技术进行状态预测和实时更新，帮助用户更有效地操作 ICE 导管。实验结果表明，该系统能够显著提升ICE操作的成功率，使得经验不足的操作者也能获得更精确的成像效果。该研究为未来的AI辅助医疗成像技术铺平了道路，有望在复杂的临床环境中进一步推广应用。 |
创新器械 | 新型血管内超声IVUS重建技术 - 复杂血管环境下的机械IVUS与EM电磁传感器集成创新设计
MITK-US : 一种用于超声引导的计算机辅助干预（CAI）开源框架
本篇文章超哥为大家介绍一种用于心内超声成像（ICE）的人工智能（AI）驱动闭环视图引导系统。心内超声成像是一种常用于电生理学（EP）和结构性心脏病（SHD）干预的影像技术，能够提供心脏内部的实时高分辨率图像。ICE 具有极高的临床价值，特别是在房颤消融、经导管瓣膜修复和房间隔缺损闭合等手术中。然而，由于 ICE 导管操作复杂，现有的操作主要依赖于医生的经验，结果可能会因操作者的技能水平而异，特别是对于经验较少的医生来说，效果会出现较大的差异。
所提出的视图引导系统概述：当用户在手术过程中希望导航到临床预定义的视图时，我们的系统会通过交互设备（如用于视图选择的触控板和反馈监视器）提供连续的指导，帮助用户操作心内超声（ICE）导管，直到目标视图被实现。（ACUSON Origin 心血管超声系统和 AcuNav Lumos ICE 导管，来源：西门子医疗）
为了降低对操作经验的要求，文章提出了一种AI驱动的闭环视图引导系统，旨在帮助用户在不具备专业知识的情况下操作 ICE 成像设备。该系统通过建模不同视角之间的相对位置和方向矢量，引导用户如何操作 ICE 导管从当前视图过渡到所需的目标视图，并且在闭环系统下通过实时预测和更新操作步骤，确保无缝集成到现有的临床工作流程中。
所提出方法的概述：(a) 过程概述：医生首先将心内超声（ICE）导管定位在初始视图位置（home view），然后选择所需的目标视图。该网络提供相对状态信息，并通过逆运动学（IK）将其转换为机器人坐标。在这些信息的指导下，医生控制ICE导管，整个过程可以反复进行。(b) 迭代步骤：在手术过程中，用户可以依次移动至引导的目标状态。为了从起点到目标点追踪进度，所提出的方法作为状态估计器，基于初始视图状态持续更新当前状态。每一步可以根据需要重复，直到目标点被成功到达。
背景介绍：
ICE 是一种高度复杂的影像技术，广泛应用于电生理学和结构性心脏病的干预中，能够减少手术时间、辐射暴露并缩短住院时间。然而其操作需要经验丰富的医生来精确定位导管，否则可能会导致较差的成像效果和手术结果。复杂的操作流程也导致了较长的学习曲线。
提出的AI解决方案：
为了应对这一挑战，本篇文章提出了一种人工智能驱动的闭环视图引导系统，该系统通过建模视图之间的相对位置和方向矢量，帮助用户实时调整导管位置和方向。系统采用了一个新的Mamba架构，这种架构是一种基于状态空间模型（SSM）的架构，能够高效处理长序列数据，并通过硬件优化提高计算效率。该系统集成了一个深度学习模型，能够从2D和3D图像中提取信息，并提供相应的引导。它还可以进行连续的状态预测和更新，指导用户逐步移动导管，从而实现实时视图的切换。
(a) 构建的心脏解剖体积网格。(b) 针对缺失结构（如右心房、右心室和左心室）的重建体积网格。我们基于现有的小数据集预测了网格的中心位置。(c) 单个对象的最终数据集组成，包含了多个不同位置的图像视图，展示了不同的结构。(d) 我们的训练集。基于单个对象的单幅图像，获取了多个目标状态。这些目标状态有相同的位置，但通过将扇形方向对准目标体积中心，具有不同的方向。
系统特点
该系统无需额外的位置信息传感器，完全依赖于ICE成像数据来推断导管的位置和方向，避免了对现有临床工作流程的干扰。通过量化损失函数来评估预测边界，网络不仅能提供中位数估计值，还能提供高置信度范围内的估计边界。
所提出方法的架构：(a) 整体网络架构：中心的粉色模块为MedMamba结构。我们在网络中添加了用于将目标类别编码和图像进行特征混合的层。在网络的输出端，我们添加了多头结构，分别用于估计位置和方向。(b) SS2D结构的详细信息：图像特征被拆分成不同顺序的序列并输入到状态空间模型（SSM）中，随后输出结果被合并在一起。
数据集与实验结果：
研究使用了真实的临床数据进行训练和测试，数据包括成像信息、导管位置和方向等。模型通过真实数据进行训练，验证表明该系统在视图引导上的成功率高达89%。在定量分析中，文章展示了该系统在不同视图转换过程中的表现，使用模拟实验演示了系统的高精度和鲁棒性。通过多次测试验证，该系统在引导导管到达目标视图方面表现出色。
相邻样本结果：'视图A' 和 '视图B' 显示了相同区域的相似或邻近视图。(a) 两幅图像都展示了左心室（LV）视图。(b) 两幅图像都展示了食管（ESO）视图。(c) 两幅图像都展示了左肺静脉（LPV）视图。(d) '视图A' 显示了未定义视图，'视图B' 显示了食管（ESO）视图。(e) 两幅图像都展示了右肺静脉（RPV）视图。
未来应用与展望：
本研究为心内超声成像手术中的AI辅助操作提供了一个新的方向，未来将进一步通过在心脏跳动的模拟环境中进行验证，以确保系统在更复杂的临床场景中表现出色。随着AI技术的发展，这种闭环控制系统可能会被广泛应用于各种医疗成像领域，不仅可以显著减少学习曲线，还能提升手术的精度与效率。
状态估计结果：在从起始点到目标视图的移动过程中，针对多个中间图像，我们通过所提出的方法获取了目标状态并确定了扇形方向。左侧显示了扇形的移动及其预测位置，右侧则显示了预测的扇形方向矢量。(a) 右心室（RV）目标移动。(b) 左心耳（LAA）目标移动。(c) 右肺静脉（RPV）目标移动。(d) 左心室（LV）目标移动。
参考文献
Huh, Jaeyoung, Paul Klein, Gareth Funka-Lea, Puneet Sharma, Ankur Kapoor, and Young-Ho Kim. "AI-driven View Guidance System in Intra-cardiac Echocardiography Imaging." arXiv preprint arXiv:2409.16898 (2024).
"怀长期主义，聊医工科技"
我是超哥，超声行业17年老伙计，做过研发，搞过生产，趟过市场，开过（在开）公司；越野跑爱好者；工作狂；沟通粗暴直接；严苛完美主义者；起伏皆为过往；信奉长期主义和第一性原则；欢迎来聊来组局...
*免责声明*
本公众号注明原创的内容权利属于本服务或本服务权利人所有，未经本服务或本服务权利人授权，任何人不得擅自使用（包括但不限于复制、传播、展示、镜像、上载、下载、转载、摘编等）或许可他人使用上述知识产权的。已经本服务或本服务权利人授权使用作品的，应在授权范围内使用，并注明作者来源。否则，将依法追究其法律责任。
