CN110546646A - 用于基于机器学习来评估血管阻塞的方法和系统 - Google Patents

Abstract

提供了一种用于评估一个或多个冠状动脉中的功能上显著的狭窄的存在的方法和系统，所述显著的狭窄还被称为血管阻塞的严重性。方法和系统可以实现预测阶段，所述预测阶段包括：将对比增强体积图像数据集合中的至少一部分分割成对应于目标器官的壁区的数据段，以及分析所述数据段以提取指示依据目标器官的壁区的灌注经历的量的特征。系统和方法可以获得从所灌注器官的训练集合中导出的特征灌注分类（FPC）模型，基于提取的特征并基于FPC模型对数据段进行分类，以及基于特征的分类来提供指示血管阻塞的严重性的预测作为输出。

Description

用于基于机器学习来评估血管阻塞的方法和系统

（一个或多个）相关申请的交叉引用

本申请要求于2017年3月24日提交的美国临时申请No.62/476382（代理人案号No.PIE-018PROV）的优先权，所述申请通过引用以其整体并入本文中。

技术领域

本申请一般涉及评估血管阻塞的严重性的方法和系统，以及形成特征灌注分类（FPC）模型的方法和系统，其结合评估血管阻塞的严重性来对训练特征进行分类。

背景技术

冠状动脉疾病（CAD）是世界范围内死亡的主要原因之一。CAD一般指的是涉及狭小或堵塞的血管的情况，其可导致向到狭窄的远端节（section）的减少的或缺少的血液供应，从而导致对心肌的减少的氧气供应，从而导致例如局部缺血和胸痛（绞痛）。在CAD的预防和治疗中的非常重要的方面是这种狭小的或堵塞的血管的功能评估。

目前，X射线血管造影术是借助于微创手术（也称为经皮冠状动脉介入（PCI））在狭窄（狭小）冠状动脉的治疗期间使用的成像模态。在PCI期间，（介入性）心脏病专家在导管上将缩小的球囊或其它设备从腹股沟股动脉或桡动脉向上通过血管馈送直到它们到达动脉中的堵塞的部位。X射线成像被用于引导导管螺纹。PCI通常涉及使球囊膨胀以打开动脉，其中目的在于恢复无阻碍的血流。支架（stent）或台架可放置在堵塞的部位以保持动脉打开。

X射线血管造影术也是用于冠状动脉的解剖评估和冠状动脉疾病的诊断的标准成像技术。尽管借助于定量冠状动脉分析工具（QCA）已改进了病变严重性的评估中的客观性、再现性和准确性，但是作为在具有冠状动脉疾病的患者中最重要的预兆因子的动脉粥样硬化病变的生理重要性不能通过X射线血管造影术来领会。

对于中间冠状动脉病变（定义为30-70%的内腔（luminal）变窄），例如，如果狭窄是针对患者的风险并且如果期望采取行动的话，它并不始终明显。对狭窄的严重性的过高估计可能导致某一治疗，所述治疗在后知中认识到将并非是必要的，并且因此将患者暴露于不必要的风险。然而，过低估计狭窄的严重性可能会引起风险，因为患者被留在未治疗的状态，而狭窄实际上是严重的并且实质上阻碍了向心肌的流动。尤其对于这些情况，期望具有附加的功能评估以帮助做出良好的决策。

流量储备分数（FFR）在过去的10-15年内越来越多地被使用为标识和有效地对准最可能受益于经皮冠状动脉介入（PCI）的冠状动脉病变的方法。FFR是用于测量跨冠状动脉狭窄的压力差以确定狭窄阻碍氧输送到心脏肌肉的可能性的技术。该技术涉及在冠状动脉内部经皮插入压力传导线并测量在病变之后（到其远端）和在病变之前（邻近于其）的压力。这最好在充血状态下完成，因为在最大充血的情况下，流向心肌的血流与心肌灌注压力成比例。FFR因此提供了如在Pijls等人“Measurement of Fractional Flow Reserve toAccess the Functional Severity of Coronary-Artery Stenoses”N Engl J Med 1996，334：1703-1708中所描述的冠状动脉病变的功能严重性的定量评估。

尽管欧洲心脏病学协会（ESC）和美国心脏病学会/美国心脏协会（ACC/AHA）指南推荐在具有中间冠状动脉狭窄（30-70%）的患者中使用FFR，但是单独的X-射线冠状动脉血管造影的视觉评估（无论是否由QCA支持）仍然用于超过90%的手术中以选择用于经皮冠状动脉介入的患者（Kleiman等人的“Bringing it all together： integration ofphysiology with anatomy during cardiac catheterization”J Am Coll Cardiol.2011；58：1219-1221）。

然而，FFR具有一些缺点。该技术与仅可使用一次的压力线的附加成本相关联。此外，测量FFR需要具有相关联成本和手术时间的有创（invasive）导管插入术。此外，为了引起（最大）充血，需要附加的药物输注（腺苷或罂粟碱），这对于患者是额外负担。

冠状动脉计算断层扫描（CT）血管造影术（CCTA）是用于冠状动脉的解剖评估的无创成像模态，但不评估冠状动脉病变的功能意义。由于CCTA的显著高的负预测值及其无创本质，CCTA的主要强度是其排除CAD的优良能力。尽管CCTA可以可靠地排除显著的冠状动脉疾病的存在，但是在CCTA上看见的许多高级狭窄不是流动限制性的。对于假阳性结果的这一可能性已经引起对CCTA的广泛使用可能导致临床上不必要的冠状动脉血管再造过程的担忧。CCTA的特异性的这种缺乏是CCTA在确定CAD的血液动力学意义时的主要限制之一（Meijboom等人的“Comprehensive assessment of coronary artery stenoses：computedtomography coronary angiography versus conventional coronary angiography andcorrelation with fractional ow reserve in patients with stable angina”美国心脏病学会期刊 52（8）（2008）636-643）。结果，CCTA可能导致对患者的不必要介入，这可能对患者施加增加的风险，并且可能导致不必要的健康护理成本。

Taylor等人的“Computational Fluid Dynamics Applied to Cardiac ComputedTomography for Noninvasive Quantification of Fractional Flow Reserve”美国心脏病学会期刊，Vol. 61， No. 22， 2013和US 8，315，812描述了用于量化来自CCTA的FFR的无创方法，我们将其称为FFRCT。这种技术使用在冠状动脉树的半自动分割之后应用于CCTA的计算流体动力学（CFD），其包括覆盖在其中左冠状动脉以及右冠状动脉两者发散的区的升主动脉的一部分。在利用Navier-Stokes方程使血液被建模为不可压缩牛顿流体并且利用并行超级计算机上的有限元方法受制于适当的初始和边界条件而被求解的情况下，仿真了冠状动脉的三维（3D）血流和压力。FFRCT是针对不具有腺苷输注的腺苷引起充血的条件而被建模的。这个过程在计算上是复杂且耗时的，并且可能需要若干小时。

除了如上所述的长计算时间之外，通过FFRCT对冠状动脉狭窄的生理评估还存在有若干限制。

首先，FFRCT是通过腺苷中介的充血的计算仿真而不是通过腺苷的实质施用而被计算的。

其次，FFRCT的值不仅受狭窄严重性所影响，而且受生存的或留伤痕（scarred）的心肌的存在所影响（De Caterina等人的“Limitations of noninvasive measurement offractional flow reserve from coronary computed tomography angiography”美国心脏病学会期刊，vol.59，no.15，pp.1408-1410，2012）。心肌微脉管系统的状态指示心脏的特定部分是否可被认为是健康的。例如，心肌局部缺血的存在指示心脏的特定部分未被供应有足够的血液的指示，其例如由于（较早的）梗塞（图1）。这对微脉管阻力具有影响，并且应当在模型计算中相应地进行调整。

第三，与患有微脉管疾病的患者中无创测量的FFR值相比，计算出的FFRCT值可能是较低的，因为腺苷引起充血的建模可能过高估计血管舒张的程度（Taylor等人的“Computational fluid dynamics applied to cardiac computed tomography fornoninvasive quantification of fractional flow reserve：scientific basis”美国心脏病学会期刊，vol.61，no.22，pp. 2233-2241，2013）。

第四，脉管重新塑造（remodeling）和侧支流动不被考虑并且在CCTA上甚至不可见，因此假定不存在将冠状动脉血管床馈送到病变远端的侧支动脉。侧支流动是其中侧支血管通过绕过狭窄病变（图2）向心肌提供血液的血管的适应。其效果在于，即使在非常严重的狭窄（例如，完全的闭塞）的情况下，到狭窄的远端节也接收到血流。因此，在实践中，狭窄的效果不一定严重，并且并非始终需要血管再造。当存在侧支流动时，这对计算也有影响，并且也应当被补偿。然而，由于它们的小尺寸，这些侧支血管在CCTA上通常是不可见的，并且需要进一步的步骤来确定侧支流动的存在。

第五，因为FFRCT需要准确的解剖模型，CCTA上的许多伪影可能影响FFRCT计算，诸如由大动脉钙化和支架引起的浮散伪影。另外，运动、较低SNR和误配准可能损害其准确度。因此，具有良好图像质量的CCTA数据对于FFRCT解释的准确性是必要的。

为了保持对可行级别的计算需求，可以在计算中使用缩小模型。具体地，冠状动脉树的节可以由一维网络或零维（集总）模型来表示。由Kim等人的“Patient-specificmodeling of blood flow and pressure in human coronary arteries”Annals ofBiomedical Engineering 38，3195-3209，2010采用了这种多尺度方法，以在基线条件下计算冠状动脉血管中的生理上实际的压力和流动波形。

Nickisch等人的“Learning patient-specific lumped models forinteractive coronary blood flow simulations”， International Conference onMedical Image Computing and Computer-Assisted Intervention，Springer，2015，pp.433-441呈现了基于使用参数患者特异性集总模型的血流仿真来从CCTA扫描中估计冠状动脉树中的FFR的技术。该技术被设计成进一步降低计算需求。在前述出版物中，作者使用液压系统模拟来对具有电路解释的冠状动脉树进行建模，其中体积流速按照电压被建模为冠状动脉中的电流和压力。该技术实现了高准确度和实时反馈，但是它强烈地依赖冠状动脉树的分割和其中心线的确定。此外，该方法需要进一步的临床验证，因为其仅在CCTA扫描的小集合上进行验证。

WO2015/058044中介绍了减少由CFD所需的计算时间的不同方法。在该工作中，公开了一种借助于机器学习系统评估FFR的方法，所述机器学习系统是基于从解剖三维冠状动脉几何结构提取的特征。通过使用来自合成生成的3D狭窄几何形状的几何提取特征和对应于通过使用CFD计算的合成生成的3D狭窄的FFR值来训练机器学习。在学习阶段之后，系统基于例如借助于图像分割方法从CCTA中提取的未看见解剖三维冠状动脉几何结构的相同特征的提取来预测FFR。

在US2014/0073977中公开了借助于机器学习算法对从三维血管几何结构提取的几何特征进行FFR的评估的类似方法。在该方法中，通过从患者图像数据中提取的3D冠状动脉树几何形状以及通过CFD计算的对应于患者几何形状的FFR值来执行机器学习。

所有的上述方法严重依赖于从患者的图像数据中提取的解剖血管几何形状。这涉及对冠状动脉中的FFR的评估、冠状动脉树的分割。对分割准确度的要求是高的，尤其是对于狭窄段。考虑到轻度冠状动脉阻塞具有1.5-2.5mm之间的平均直径并且CCTA的空间分辨率在0.25mm各向同性的范围内，借助于分割获得准确的3D形态是非常具有挑战性的任务。这除了由钙化的冠状动脉粥样硬化病变引起的成像伪影之外还有或如之前讨论的其它成像伪影。

已经开发了不依赖于与血流建模相结合的解剖冠状动脉血管几何形状的评估冠状动脉病变的功能意义的方法。例如，George等人在“Adenosine stress 64-and 256-rowdetector computed tomography angiography and perfusion imaging a pilot studyevaluating the transmural extent of perfusion abnormalities to predictatherosclerosis causing myocardial ischemia”Circulation： CardiovascularImaging2（3）（2009）174-182中展示的是，通过施用腺苷而在静止和药理学引起的压力下成像的心肌区的比较揭示了具有灌注缺陷的区域，其是由血流动力学显著狭窄所直接引起的。尽管该方法是有前途的，因为它将CCTA的解剖信息与功能分析融合，但是它需要附加的CT扫描，这不可避免地导致了更高的辐射剂量和更长的检查时间以及对药理学压力药剂的注射的需要。

因此，存在对一种基于仅从单个CCTA数据集合提取的信息来标识具有一个或多个冠状动脉中的功能显著狭窄的患者的患者特定方法，其具有低计算复杂度需求并且其考虑到心肌微脉管系统和侧支流动的状态而不依赖于冠状动脉系统的详细形态。

发明内容

CCTA的至少一个目的是借助于注射外因对比药剂（通常经由在肘前静脉中的静脉内注射以在成像期间增强心脏和/或冠状动脉解剖构造）来标识心脏和冠状动脉解剖构造。根据如由Abbara等人在“SCCT guidelines for the performance and acquisition ofcoronary computed tomographic angiography：A report of the Society ofCardiovascular Computed Tomography Guidelines Committee Endorsed by the NorthAmerican Society for Cardiovascular Imaging （NASCI）”J Cardiovasc ComputTomogr. 2016 十一月-十二月；10（6）：435-449中描述的针对CCTA的性能和获取的心血管学会计算的断层摄影指导，对比介质注射以这样的方法来定时：使得冠状动脉系统包含足够的对比介质以清楚地区分冠状动脉内腔与周围软组织。这能够实现对内腔狭小以及具有最佳图像质量和因此准确度的冠状动脉狭窄的医师评估。为了确保适当的冠状动脉不透明度，前述指导描述了一旦预定义的阈值衰减值已经达到于预定义的解剖结构（这最经常涉及降主动脉）内，或者通过在升主动脉中增强是首先可见的之后等待某个延迟时间，CCTA图像获取就典型地开始。发明人此外认识到，由于上述方法，CCTA的获取在心室心肌中提供对比增强，因为一旦注入的对比介质存在于冠状动脉中，它就将被输送到的冠状动脉的连续更小衍生（generation），从其中它横穿到冠状动脉微脉管系统中，这将导致心肌的（细微的）增强。

功能上显著的冠状动脉狭窄导致心室心肌中的局部缺血。由于CCTA的上述获取性质，在CCTA图像获取的时间处，在心肌的局部缺血部分和正常之间的心肌纹理特性存在差异。

因此，本申请的目的是基于使用心肌的特征的机器学习来执行患者分类。

在本文中的实施例中，描述了呈现新颖方式以基于从单个CCTA数据集合提取的信息来自动标识具有至少一个冠状动脉中的功能上显著狭窄的患者的方法和系统。当可以使用多于一个CCTA数据集合时，仅需要单个数据集合。该方法首先使用例如在手动注释的数据上训练的多尺度CNN来分割心肌。此后，为了表征左心室心肌，可导出心肌特性。这可以通过特征工程或通过例如卷积自动编码器或其组合来进行。

一旦已提取了心肌的特性，可基于这些特性将患者分类为具有功能上显著狭窄的患者或不具有功能上显著狭窄的患者。这可以用任何分类器（监督的或无监督的）来进行。在优选实施例中，根据作为当前参考标准的无创确定的FFR测量结果，用支持向量机（SVM）分类器将患者分类为具有冠状动脉中的一个或多个中的功能上显著狭窄的患者和不具有其的患者。

根据本文中的方面，提供了一种用于评估在一个或多个冠状动脉中功能上显著狭窄（其还被称为血管阻塞的严重性）的存在的方法。所述方法评估患者是否遭受显著的冠状动脉阻塞，而不区分哪个特定障碍对特定功能显著的冠状动脉阻塞负责。所述方法可以实现预测阶段，所述预测阶段包括：获得对于目标器官的对比增强体积图像数据集合；将所述体积图像数据集合中的至少一部分分割成对应于所述目标器官的壁区的数据段；分析所述数据段以提取指示依据所述目标器官的壁区的灌注经历的量的特征；获得从所灌注器官的训练集合中导出的特征灌注分类（FPC）模型；基于所述提取的特征并且基于所述FPC模型对所述数据段进行分类；以及基于所述特征的所述分类来提供指示血管阻塞的严重性的预测作为输出。

根据本文中的方面，FPC模型可以表示训练特征与参考流体动力学参数之间的关系，所述参考流体动力学参数指示用于所灌注器官的所述训练集合的对应壁区的血管灌注的基线量。

根据本文中的方面，所述参考流体动力学参数可以表示有创流量储备分数测量结果。

根据本文中的方面，所述特征可以是纹理和/或形态特征。

根据本文中的方面，可使用卷积自动编码器、高斯滤波器、透壁灌注比率、Haralick特征、心肌厚度或目标器官的形状来确定特征。

根据本文中的方面，器官可以是所述心肌和所述血管冠状所述动脉。

根据本文中的方面，分类操作可以利用辅助信息来执行分类。辅助信息可以包括以下参数中的一个或多个：冠状动脉树解剖构造、患者的人口统计信息、冠状动脉钙化、冠状动脉斑块、光谱多能量或光子计数、ECG参数、心脏生物标记、心脏周围或心脏内的脂肪组织、心肌的形状等。

根据本文中的方面，分析操作可以包括针对数据段中的每个提取特征向量，所述特征向量包括从对应数据段中测量或提取的多个因子，其中多个因子描述或表征了对应壁区的本质。

根据本文中的方面，FPC模型可以从对比增强体积图像数据集合的数据库和从对比增强体积图像数据集合中提取的相关联训练特征向量中来获得，其中训练特征向量包括已知标签。分类操作可以利用基于已知标签所训练的机器学习算法，其中机器学习算法基于特征对数据段进行分类。

根据本文中的方面，是输出的指示可以指示相对于训练血管阻塞的血管阻塞的严重性。

根据本文中的方面，方法进一步包括实现训练阶段以形成所述FPC模型，所述FPC模型将用于来自所述训练集合的所述器官的对比增强体积图像数据集合的所灌注器官的所述训练集合的训练特征和与灌注所述器官的一个或多个血管相关的参考流体动力学参数进行分类。所述训练阶段可以包括：在所述训练集合中提供所述器官中的每个的对比增强体积图像数据集合；分割所述训练集合的所述器官；分析所述数据段以提取指示依据所述训练集合的所述器官的壁区的灌注经历的量的训练特征；以及将所述训练集合的所述器官的所述训练特征相对于参考流体动力学参数进行分类，所述参考流体动力学参数指示用于所灌注器官的所述训练集合的对应区的血管灌注的基线量，以形成所述FPC模型。

根据本文中的方面，方法可进一步包括在训练阶段中和/或预测阶段中执行分类操作之前对提取的特征或训练特征进行聚类。

根据本文中的方面，分析可提取包括一系列因子的特征向量，其中所述因子中的每个具有表示在多个聚类上感兴趣的特性中的变化的量的值。

根据本文中的方面，提供了一种用于形成特征灌注分类（FPC）模型的方法，方法结合评估血管阻塞的严重性来对训练特征进行分类。方法可以包括：a）获得对于训练所灌注器官的对比增强体积图像数据集合；b）将所述体积图像数据集合中的至少一部分分割成对应于所述所灌注目标器官的壁区的数据段；c）分析所述数据段以提取指示依据所述训练所灌注器官的壁区的灌注经历的量的训练特征；d）将所述训练所灌注器官的所述训练特征相对于参考流体动力学参数进行分类，所述参考流体动力学参数指示用于所述训练所灌注器官的对应区的血管灌注的基线量，以形成所述FPC模型。

根据本文中的方面，提供了一种用于评估血管阻塞的严重性的系统，其包括：存储器，所述存储器配置成存储用于目标器官的对比增强体积图像数据集合；一个或多个处理器，所述一个或多个处理器当执行存储在所述存储器中的程序指令时配置成：a）将所述体积图像数据集合中的至少一部分分割成对应于所述目标器官的壁区的数据段；b）分析所述数据段以提取指示依据所述目标器官的壁区的灌注经历的量的特征；c）获得从所灌注器官的训练集合中导出的特征灌注分类（FPC）模型；d）基于所述提取的特征并且基于所述FPC模型对所述数据段进行分类；以及e）基于所述特征的所述分类来提供指示血管阻塞的严重性的预测作为输出。

根据本文中的方面，FPC模型可以表示训练特征与参考流体动力学参数之间的关系，所述参考流体动力学参数指示用于所灌注器官的所述训练集合的对应区的血管灌注的基线量。

根据本文中的方面，所述参考流体动力学参数可以表示有创流量储备分数测量结果。

根据本文中的方面，一个或多个处理器可配置成通过利用辅助信息以执行分类来执行分类操作。辅助信息可以包括以下参数中的一个或多个：冠状动脉树解剖构造、患者的人口统计信息、冠状动脉钙化、冠状动脉斑块、光谱多能量或光子计数、ECG参数、心脏生物标记、心脏周围或心脏内的脂肪组织、心肌的形状等。

根据本文中的方面，一个或多个处理器可配置成通过针对数据段中的每个提取包括从对应数据段中测量或提取的多个因子的特征向量来执行分析操作，其中多个因子描述或表征了所述对应区的本质。

根据本文中的方面，一个或多个处理器可配置成提取包括一系列因子的特征向量，其中因子中的每个具有表示在多个聚类上感兴趣的特性中的变化的量的值。

根据本文中的方面，一个或多个处理器可配置成提取包括一系列因子的特征向量，其中因子中的每个表示在心肌的多个段上感兴趣的特性的强度。

根据本文中的方面，一个或多个处理器可配置成提取包括一系列因子的特征向量，其中该系列中的因子的子集表示段内的强度，并且其中该系列中的因子的另一子集表示指示心肌体积、最小心肌厚度和/或最大心肌厚度的值。

附图说明

从以下对附图中图示的非限制性实施例的描述中，本申请的特性和从其中导出的优点将变得更加显而易见。

图1示出了由于动脉的狭窄而引起的局部缺血的示例。

图2示出了跨病变的侧支流动的示例。

图3示出了图示了根据本发明的实施例的用于确定一个或多个冠状动脉中的功能显著狭窄的存在的基于机器学习的方法的流程图。

图4示出了示例性CT系统的功能框图。

图5示出了左心室心肌分割的最终结果的示例。

图6示出了如由训练阶段执行的特征灌注分类模型的生成的流程图。

图7示出了如在学习CAE期间使用的卷积自动编码器（CAE）的架构的示例。

图8示出了重构的小块的六个示例。每行包含2对小块，每对包含原始输入小块（右）和重构的输出小块（左）。

图9示出了LV心肌聚类的示例。不同的灰度值表示不同的聚类。

图10示出了冠状动脉解剖构造的示例。

图11a示出了冠状动脉钙评分（scoring）的示例。白色箭头标识CTTA数据集合内的冠状动脉钙。

图11b示出了CCTA数据集合内的冠状动脉钙评分的检测的示例。白色箭头指向被标识为冠状动脉钙的区。

图12示出了正常ECG和具有升高的ST段的ECG的示例。

图13示出了扩张性心肌病的示例。

图14示出了特征空间的示例，其中训练数据被表示为点，被映射以使得分离类别的数据被划分为尽可能宽的畅通间隙。

图15示出了用于预测阶段的本申请的实施例的流程图。

图16示出了如在预测阶段期间使用的卷积自动编码器（CAE）的架构的示例。

图17示出了对未看见的数据进行分类的分类器的图示。在该视觉表示内，输入是从未看见的图像和输出的两个类中计算出的特征向量。

图18示出了CT系统的示例的高级框图。

具体实施方式

如贯穿所使用的，术语“未看见”是指“非训练”项目。例如，未看见的图像不是训练图像，未看见的特征不是训练特征。相反，未看见的特征、图像、几何形状和其它未看见的项目指的是在操作的预测阶段期间被分析的感兴趣的患者或对象的方面。

本申请涉及用于机器学习以基于对比增强体积图像数据集合来评估目标器官的一个或多个血管阻塞的血液动力学功能严重性的方法和系统。在优选实施例中，目标器官表示心肌和血管冠状动脉。功能上显著狭窄是血管的血液动力学上显著阻塞，并且相对于冠状动脉，其定义了（一个或多个）冠状动脉阻塞阻碍到心脏肌肉的氧输送并引起心绞痛症状的可能性。流量储备分数是用于对功能上显著的（一个或多个）冠状动脉阻塞的评估的血液动力学指标。除了流量储备分数之外，还可以使用其它血液动力学指数来评估功能上显著的（一个或多个）冠状动脉阻塞，诸如冠状动脉流量储备、瞬时无波比率、充血心肌灌注、微循环阻力的指标和沿冠状动脉的压降。

本申请的实施例利用机器学习来确定来自CCTA数据集合的一个或多个冠状动脉中的功能显著狭窄的存在。机器学习是计算机科学的子领域，其“给予计算机在不被显式地编程的情况下学习的能力”。从人工智能中的模式识别和计算学习理论的研究中演化，机器学习探索了可以从数据学习并对数据进行预测的算法的研究和构造-这些算法通过从样本输入中构建模型来通过做出数据驱动的预测或决策来克服遵循严格的静态程序指令。在计算任务的范围中采用机器学习，其中设计和编程显式算法是不可行的。

给定具有已知类标签的图像的数据集合，机器学习系统可以预测新图像的类标签。对任何这样的系统存在有至少两个部分。机器学习的第一部分是特征提取（提取器），其作为用于创建给定图像的特征向量的算法。特征向量包括从（一个或多个）图像数据集合中测量或提取的一系列因子（例如，多个数字），其描述或表征了图像的对应壁区的本质。这些特征然后被系统的第二部分（分类器）使用，以对从未看见的图像中提取的未看见的特征向量进行分类。给定图像和提取的特征向量的（大的）数据库，其标签是已知的并且被预先用来训练机器学习算法，从而基于以与具有（已知的）标签的图像（训练图像）中相同的方式提取的特征来对未看见的图像进行分类是可能的。

图3示出了图示根据本申请的实施例的操作的流程图。操作采用能够获取并处理器官（或其部分）或感兴趣的其它对象的CCTA数据集合的成像系统。

图4是示例性CT系统的功能框图，所述系统包括CT成像装置112，其在来自用户界面模块116的命令下进行操作并且将向数据处理模块114提供数据。

CT成像装置112捕获感兴趣的器官的CT扫描。CT成像装置112典型地包括安装在可旋转构台（gantry）中的X射线源和多检测器。提供构台以用于在围绕患者的扫描期间以连续的速度旋转X射线源和检测器，所述患者被支撑在X射线源和检测器之间的台上。

数据处理模块114可以由个人计算机、工作站或其它计算机处理系统来实现。数据处理模块114处理由CT成像装置112捕获的CT扫描以生成如本文中所述的数据。用户接口模块116与用户交互并且与数据处理模块114通信。用户接口模块116可以包括不同种类的输入和输出设备，诸如用于视觉输出的显示屏、用于触摸输入的触摸屏、鼠标指针或者用于输入的其它指针设备、用于语音输入的麦克风、用于音频输出的扬声器、用于输入的键盘和/或小键盘等。数据处理模块114和用户接口模块116协作以执行本文中描述的过程的操作。

数据处理模块114包括一个或多个存储器118和一个或多个处理器120。存储器118格外存储有对于目标器官的对比增强体积数据集合、数据段、从数据段的分析中提取的特征、一个或多个FPC模型、对于数据段的分类以及指示血管阻塞的严重性的预测。存储器118还可以存储有针对训练所灌注器官的一个或多个对比增强体积数据集合、对应于所灌注目标器官的壁区的数据段、从训练数据段的分析中提取的训练特征、对于训练特征的分类、一个或多个FPC模型和已知标签。存储器118还存储有引导一个或多个处理器120执行本文中描述的过程的操作的软件代码。例如，存储器118可以包括光盘或其它形式的持久性存储器，诸如USB驱动或网络服务器。软件代码可直接加载到数据处理模块114的存储器中以用于执行本文中所描述的操作。

根据本文中的方面，成像系统先前已经获取并存储有感兴趣的对象的至少一个CCTA数据集合。能够提供CT扫描的任何成像设备都可以用于此目的。根据本文中的方面，数据处理模块114的一个或多个处理器120实现用于评估血管阻塞的严重性的方法，该方法实现预测阶段，其包括：获得对于目标器官的对比增强体积图像数据集合；将体积图像数据集合中的至少一部分分割成对应于目标器官的壁区的数据段；分析该数据段以提取指示依据目标器官的壁区的灌注经历的量的特征；获得从所灌注器官的训练集合中导出的特征灌注分类（FPC）模型；基于所提取的特征并且基于FPC模型对数据段进行分类；以及基于特征的分类来提供指示血管阻塞的严重性的预测以作为输出。

存储器118可存储一个或多个FPC模型122及参考流体动力学参数124。FPC模型122包括训练特征与参考流体动力学参数124之间的关系，其指示针对所灌注器官的训练集合的对应壁区的血管灌注的基线量。例如，该关系可以是“存在功能上显著狭窄”或“不存在显著狭窄”。在两个类的情况下。可选地，其它关系的非限制性示例包括“不存在功能上显著狭窄”、“轻度功能上显著狭窄”或“存在严重的功能上显著狭窄”。参考流体动力学参数124可以包括有创流量储备分数测量结果。存储器118存储从数据段中提取的特征126。特征126纹理和/或形态特征是描述对应壁区的纹理或形态。

例如，处理器120可以使用卷积自动编码器、高斯滤波器、透壁灌注比率、Haralick特征、心肌厚度或目标器官的形状来确定特征。处理器120可以利用辅助信息来执行分类操作。例如，辅助信息可以包括以下参数中的一个或多个：冠状动脉树解剖构造、患者的人口统计信息、冠状动脉钙化、冠状动脉斑块、光谱多能量或光子计数、ECG参数、心脏生物标记、心脏周围或心脏内的脂肪组织、心肌的形状等。

处理器120通过针对数据段中的每个提取特征向量来执行分析操作，所述特征向量包括从对应数据段测量或提取的多个因子，其中多个因子描述或表征了对应壁区的本质。处理器120从对比增强体积图像数据集合的数据库和从对比增强体积图像数据集合中提取的相关联训练特征向量中获得FPC模型，训练特征向量包括已知标签，其中分类操作利用基于已知标签训练的机器学习算法，机器学习算法基于特征对数据段进行分类。

处理器120实现训练阶段以形成FPC模型，其从训练集合的器官的对比增强体积图像数据集合和与灌注器官的一个或多个血管相关的参考流体动力学参数中对针对所灌注器官的训练集合的训练特征进行分类，所述训练阶段包括：提供训练集合中的器官中的每个的对比增强体积图像数据集合；对训练集合的器官进行分割；分析数据段以提取指示依据训练集合的器官的壁区的灌注经历的量的训练特征；以及相对于指示用于所灌注器官的训练集合的对应区的血管灌注的基线量的参考流体动力学参数对训练集合的器官的训练特征进行分类，以形成FPC模型。

处理器120对在训练阶段中和/或预测阶段中执行分类操作之前提取的特征或训练特征进行聚类。根据本文中的方面，处理器120提取包括一系列因子的特征向量作为特征，其中因子中的每个具有一值，该值表示在多个聚类上感兴趣的特性中的变化的量。

根据本文中的方面，处理器120形成特征灌注分类（FPC）模型，其结合评估血管阻塞的严重性对训练特征进行分类，所述方法包括：a）获得对于训练所灌注器官的对比增强体积图像数据集合；b）将体积图像数据集合的至少一部分分割成对应于所灌注目标器官的壁区的数据段；c）分析数据段以提取指示依据训练所灌注器官的壁区的灌注经历的量的训练特征；d）相对于指示用于训练所灌注器官的对应区的血管灌注的基线量的参考流体动力学参数对训练所灌注器官的训练特征进行分类，以形成FPC模型。

根据本文中的方面，处理器120通过执行存储在存储器中的程序指令来评估血管阻塞的严重性，以：a）将体积图像数据集合的至少一部分分割成对应于目标器官的壁区的数据段；b）分析数据段以提取指示依据目标器官的壁区的灌注经历的量的特征；c）获得从所灌注器官的训练集合中导出的特征灌注分类（FPC）模型；d）基于提取的特征并且基于FPC模型对数据段进行分类；以及e）基于特征的分类来提供指示血管阻塞的严重性的预测作为输出。

根据本文中的方面，处理器120配置成通过针对数据段中的每个提取特征向量来执行分析操作，所述特征向量包括从对应数据段测量或提取的多个因子，其中多个因子描述或表征了对应区的本质。根据本文中的方面，处理器120配置成提取包括一系列因子的特征向量作为特征，其中因子中的每个具有一值，该值表示在多个聚类上感兴趣的特征中的变化的量。根据本文中的方面，处理器120配置成提取包括一系列因子的特征向量作为特征，其中因子中的每个表示在心肌的多个段上感兴趣的特性的强度。根据本文中的方面，处理器120配置成提取包括一系列因子的特征向量作为特征，其中该系列中的因子的子集表示段内的强度，并且其中该系列中的因子的另一个子集表示指示心肌体积、最小心肌厚度和/或最大心肌厚度的值。

图3的操作还可以通过被实施在计算机产品（例如，光盘或诸如USB驱动器或网络服务器的其它形式的持久性存储器）中的软件代码来执行。软件代码可以直接加载到数据处理系统的存储器中，以用于执行图3的操作。

在该示例中，假定成像系统已经获取并存储有感兴趣的对象的至少一个CCTA数据集合。能够提供CT扫描的任何成像设备都可以用于此目的。

本申请在基于CCTA数据集合的心肌分析中特别有利，并且其将主要参考该领域（特别是对于患者分类）来公开。

现在参考图3公开本申请的实施例。显然，其中所描绘的步骤可以以任何逻辑序列来执行，并且可以部分被省略。

如在图3的步骤301中描述的，获得了对比增强CCTA数据集合。该CCTA数据集合可以从数字存储数据库中获得，所述数字存储数据库诸如图片存档和通信系统（PACS）或VNA（供应商中立档案）、本地数字存储数据库、云数据库，或者直接从CT成像模态中获取。在CCTA成像过程中，对比药剂被引起（induce）到患者中。此外，CCTA成像可以是ECG触发的。

为了标识具有功能上显著的狭窄的患者，左心室（LV）和/或右心室（RV）心肌壁需要在CCTA数据集合中被分割，如图3的步骤302中所描绘的。这可以由用户手动地或者由（半）自动分割来进行。由Zreik等人的“Automatic segmentation of the left ventriclein cardiac ct angiography using convolution neural networks”2016 IEEE 13^thInternational Symposium on Biomedical Imaging（ISBI），2016，pp 40-43给出了LV心肌的自动分割的一个示例。Zreik等人公开了一种方法，在其中使用在手动注释的数据上训练的卷积神经网络（CNN）来自动分割心肌。在该步骤的结束时，存在有心肌的分割。这种心肌分割的示例在图5中被示出，其示出了在轴向、矢状和冠状动脉CCTA图像切片中的所分割的LV心肌。

功能上显著的冠状动脉狭窄导致心肌中的局部缺血，其影响CCTA数据集合中的心肌壁的纹理特性。因此，通过描述心肌，可捕获改变的局部缺血。图3的步骤303，从CCTA数据集合中计算了表征心肌的特征。为了学习表征心肌的特征，利用了机器学习。图3的步骤304，获得了机器学习的特征灌注分类模型。该模型是在训练阶段期间生成的。在训练阶段中，学习了特征与参考标准之间的关系。参考值可以表示诸如FFR之类的流体动力学参数。在图3的步骤303中提取的特征被设计成识别与功能上显著的（一个或多个）冠状动脉阻塞相关的心肌内的（隐藏）图案，诸如纹理图案。直接来自心肌的提取特征的这种设计覆盖了用于评估在现有技术中未考虑到的（一个或多个）血液动力学显著病变的两个重要元素。首先，自动地考虑到了通过绕过阻塞（图2）向心肌提供血流的侧支动脉。第二，自动考虑到了诸如局部缺血的存在（图1）的心肌微脉管系统疾病。

图3的步骤305通过基于图3的步骤304内的所学习特征灌注模型对未看见的CCTA数据集合（预测阶段）进行分类来评估未看见的CCTA数据集合的（一个或多个）冠状动脉血管阻塞的严重性。输出（图3的步骤306）是指示存在功能显著冠状动脉阻塞的可能性的预测。

图6图示了用于实现如通过图3的步骤304所描述的特征灌注分类模型的框架。图6图示了系统的训练阶段。在图6的步骤601中，获得了参考标准以作为用于训练特征灌注分类模型。参考标准是包含多个患者的数据的数据库。针对每个专利，该数据库内的每个集合包含a）具有归属项的对比增强CT数据集合（步骤602）b）有创地测量的流量储备分数参考值（步骤603）。在训练阶段期间提取的特征也被称为训练特征。

图6的步骤604分割心肌壁并且与图3的步骤302相同。图6内的框303表示图3的步骤303（特征的定义）并且将参考图6更详细地解释。

在图6的步骤605内，从CCTA数据集合中提取表征心肌的特征。即使心肌是对比增强的，这些改变仍然大多是微妙的，并且-如果在较小的灌注缺陷的情况下不是不可能的-则手动标记受局部缺血影响的心肌体素将会极具挑战性。在优选实施例中，心肌以无监督方式由特征来表征，经由编码提取，所述编码如由卷积自动编码器（CAE）所确定。可替换地，描述心肌纹理（例如高斯滤波器、Haralick纹理特征）和/或形态（例如不但有心肌厚度、心肌体积、心室体积而且有心脏本身的形状）的任何其它工程特性可用作特征。被设计成量化心肌的感知纹理的这种可替换工程特征方法的示例是通过计算Haralick纹理特征，其使用类似灰色色调的空间关系（Robert M. Haralick等人的“Textural Features for ImageClassification”IEEE Transactions on Systems，Man，and Cybernetics，1973，SMC-3（6）： 610-621）来捕获纹理的数值特征。这种替换工程特征方法的另一个示例是透壁灌注比率，其定义心肌的心内膜层与心外膜层之间的灌注（或Hounsfield值）的比率（Arbab-Zadeh等人的“Adenosine stress 64-and 256-row detector computed tomographyangiography and perfusion imaging：a pilot study evaluating the transmuralextent of perfusion abnormalities to predict atherosclerosis causingmyocardial ischemia”Circ Cardiovasc Imaging. 2009 5月；2（3）：174-82）。可以选择这些特征的任何组合。如果特征是局部的（例如，按体素、超体素或以相同方式定义的体素聚类），则需要维度缩减以表示患者心肌而不是其体素，例如通过聚类并使用聚类上的更高阶统计作为特征。

在优选实施例中，心肌以无监督的方式由特征来表征，经由编码提取，如由CAE（Goodfellow等人的“Deep Learning（Adaptive Computation and Machine Learningseries）”2016年11月18日，ISBN 10：0262035618）所确定。CAE将来自输入图像的所有数据压缩到小矢量，从其中它必须包含足够的信息以由解码器重构输入图像。通过这种方式，自动编码器被强制学习关于被压缩的图像的特征。典型的CAE包含两个主要部分：编码器和解码器。CAE通过卷积运算和最大池化将数据压缩（编码）到较低维度的表示，并且随后通过去卷积运算和去池化来扩展（解码）压缩形式以重构输入数据。

在该实施例中使用的CAE架构在图7中示出。图7中呈现的CAE架构应当被认为是示例，并且可以部署其它CAE架构。编码器（711）例如包括一个卷积和一个最大池化层、压缩输入以及提供编码的一个全连接层。解码器（709）包括一个全连接层以及提供重构输入的一个去池化和一个去卷积层。非线性被应用于每一层的输出以使得CAE能够处置更复杂的数据。例如，指数线性单元（ELU）（Clevert等人在International Conference on LearningRepresentations，2016中的“Fast and accurate deep network learning byexponential linear units（ELUs）”）可以用作除了未应用非线性的输出层之外的所有层中的非线性激活函数。

如图7所呈现，详细CAE架构具有以下设计：CAE的输入的尺寸被设置为48x48体素小块。CAE包括一个5x5的具有16个核的卷积层（702）和一个2x2的最大池化层（703），随后是一个具有512个单元的全连接层的编码层（704图7，表示编码的数量，N）。生成的编码用作解码器部件的输入，其包括一个具有10816个单元的全连接层（705）、一个2x2去池化层（706），随后是一个具有单个5x5的核的去卷积层（707）。可以使用其它参数，例如不同的核尺寸、编码层的数量以及其它CAE架构和激活函数。此外，CAE的输入尺寸也可以是不同的，以及使用3D输入小块（体积）或甚至4D输入小块例如来支持多相CCTA数据集合。输入小块甚至可以是更高维的输入小块，例如n维以支持多能量CCTA数据集合。CAE的学习以无监督的方式来执行，使得提取的特征（在CAE的情况下的编码）描述和表征了CCTA数据集合内的心肌。CAE的这种无监督学习是通过在参考标准（601）内使用CCTA数据集合（602）来执行的。作为步骤604的结果，从每个CCTA数据集合中小块在分割的心肌内在随机选择的心肌体素周围被提取。

在训练期间，CAE将输入图像（701）压缩（编码）成数字的小矢量（编码710），并且随后扩展（解码）所压缩形式（输出708）以重构输入图像。通过以迭代方式比较重构的输出图像（708）和输入图像（701），CAE被训练为将它们之间的差最小化。输入图像（图7的701编码器的输入）和重构的输出图像（图7的706解码器的输出）之间的差可以通过均方误差来确定，并且通过例如如由Y. Nesterov等人的“Gradient methods for minimizingcomposite objective function”Tech. rep.，UCL（2007）描述的具有Nesterov动量的随机梯度下降（SGD）而被迭代地最小化。在每次迭代中，卷积滤波器（702和703）被调整和更新。当均方误差在预定值内时，该迭代过程停止。该过程的结果确保了从包含足够信息以重构该输入图像的输入图像（701）中产生抽象特征（编码）。图8图示了例如48x48的输入小块（图7的701）和使用训练的CAE重构的对应的重构小块（图7的708）的六组不同的对。

一旦CAE被训练，则移除解码器部件（图7的709），并且全连接层（图7的710）变成用于生成对于未看见的小块的编码的输出层。

由于预期了功能上显著的狭窄对心肌血液灌注具有局部影响，并且因此对低灌注（hypoperfused）区的对比增强的纹理特性具有局部影响，所以LV心肌被划分成多个空间连接的聚类，如在图6的步骤606中描述的。例如，基于心肌体素的空间位置，使用快速K均值算法（“Web-scale k-means clustering，” Proceedings of the 19^th internationalconference on World wide web，ACM，2010，pp 1177-1178）来实现聚类。图9示出了结果是这种聚类方法。在单个聚类内，编码的大偏差可能指示其不均匀性，以及由此指示异常心肌组织的存在。因此，计算了聚类内的所有体素上的编码中的每个的标准偏差（STD）。此后，为了描述整个LV心肌而不是其聚类，将所有聚类上的每个编码的标准偏差的最大值用作描述每个患者的LV心肌的特征。此外，可以计算和使用更高阶的统计参数，诸如偏度、峰度或更高的矩。除了使用STD来减少聚类内的所有体素上的编码的高维度之外，可以执行压缩局部编码的替换方式。例如，借助于受限的玻尔兹曼机（例如，由Bengio等人的“RepresentationLearning：A Review and New Perspectives，”IEEE Trans. Pattern Anal. Mach.Intell. 35（8），2013，1798-1828呈现的那样）或深度置信网络（例如，由Lee等人的“Convolutional deep belief networks for scalable unsupervised learning ofhierarchical representations”Proceedings of the 26th Annual InternationalConference on Machine Learning，2009，pp.609-616教导的那样）。属于非定向图形模型的这些生成性方法可用于通过更压缩的但仍描述性的表示来表示一组体素编码。

聚类可以使用任何聚类方法来执行。聚类的另一个示例借助于美国心脏协会17-段心脏模型（Cerqueira等人的“Standardized myocardial segmentation andnomenclature for tomographic imaging of the heart. A statement for healthcareprofessionals from the Cardiac Imaging Committee of the Council on ClinicalCardiology of the American Heart Association” Circulation 2002一月29日；105：539-542）。聚类还可以基于患者特定13-地域模型来执行，如由Cerci等人的“AligningCoronary Anatomy and Mycoardial Perfusion Territories：An Algorithm for theCORE320 Multicenter Study”Circ Cardiovasc Imaging. 2012，5：587-595教导的那样。最后，基于所提取的特征，患者被分类为具有功能上显著的冠状动脉狭窄的患者或不具有功能上显著的冠状动脉狭窄的患者。

关于聚类，可以可选地使用冠状动脉树解剖构造来改进对特征的聚类。如在图10中可以看见的，心肌的不同部分由冠状动脉树的不同节对向（subtend）。当执行对特征的聚类时，可以发生某些聚类包含从冠状动脉树的左侧（即，左前降动脉或旋动脉（circumflexcoronary））接收其血液供应的体素，以及从冠状动脉树的右侧（即，后降动脉）接收其血液供应的体素。例如，当狭窄仅存在于冠状动脉树的后降动脉中时，这将影响由冠状动脉树的该节对向的LV心肌中的体素的特征。为了避免聚类内的信息的失真，可以添加关于冠状动脉树的信息以引导聚类。可以例如限制聚类的尺寸以避免由多于一个主冠状动脉（例如左冠状动脉、旋动脉和右冠状动脉）供应的地域。用于标识患者特定的血液供应地域的这样的方法可以涉及心肌的分割，例如通过前面讨论的方法，以及如例如通过Metz等人的“Coronary centerline extraction from CT coronary angiographic images using aminimum cost path approach，”Med Phys. 2009 12月；36（12）：5568-79的冠状动脉树中心线的分割。基于患者特定分割的心肌和患者特定分割的冠状动脉树，可以例如通过如由Zakkaroff等人的“Patient-specific coronary blood supply territories forquantitative perfusion analysis，” Computer Methods in Biomechanics andBiomedical Engineering：Imaging&Visualization 2016所描述的方法或者通过如由Termeer等人的“Patient-Specific Mappings between Myocardial and CoronaryAnatomy，” Scientific Visualization：Advanced Concepts，2010，page196-209所教导的方法来计算患者特定的血液供应地域。可以利用各种分割和聚类方法。

在图6的步骤608内，定义了特征向量。例如，特征向量可以包括一系列因子，其中因子中的每个具有与感兴趣的特性相关的值。例如，因子可以表示在多个聚类上感兴趣的特性中的变化的量。因子可以对应于分离的编码。例如，当使用50或更多的编码时，特征向量可以包括一系列50或更多的因子。作为一个示例，感兴趣的特性可以表示由涉及心肌的解剖和/或功能方面的诊断成像模态所获取的体素或另一特性的灰度。因子可以表示在分割期间定义的所有聚类或聚类的子集上感兴趣的特性（例如，灰度）中的偏差（例如，最大或最小标准偏差）。以下给出了特征向量的示例，其中特征向量包括用于N个编码的一系列变化因子，并且其中变化因子对应于如之前所描述的由每个聚类内的CAE产生的编码的最大标准偏差：

在特征向量的以上示例中，通过首先计算单个聚类中的所有体素上的单个编码i的标准偏差来获得“用于编码i的所有聚类上的最大STD”，其中i=l，…N；以及随后确定编码i在所有聚类上的所有标准偏差的最大值，如先前所描述的那样。

作为另一示例，因子可表示在心肌的多个段上感兴趣的特性的强度。例如，当利用由AHA所定义的17段模型时，特征向量可以包括一系列17个因子。更具体地，因子可以表示在分割期间定义的所有段或段的子集上感兴趣的特性（例如，灰度）的平均强度。基于与AHA17段模型组合的特征工程高斯运算子的特征向量的示例由下式给出：

在以上示例中，G_强度由具有特定核尺寸（例如3个体素）的2D或3D高斯运算子来计算。特征向量的以上示例两者均基于在其中执行维度减小的局部特征。附加地或可替换地，特征向量可并入全局特征，例如心肌体积和心肌厚度。例如，特征向量可以包括具有不同类型的一系列因子。例如，该系列中的因子的子集可表示段内的平均强度，而该系列中的因子的另一个子集表示指示心肌体积、最小心肌厚度和最大心肌厚度的值。以下示例示出了具有不同类型的因子的特征向量：

在CCTA数据集合包括心动循环内的多个阶段的情况下，通过针对每个阶段分离地执行由图6的604、605和606所描述的步骤，可以将从每个阶段提取的心肌特征添加到特征向量。在CCTA数据集合由多能量CCTA数据集合组成的情况下可以应用相同的方法。在时域中将多阶段CCTA数据集合重新采样到固定量的心动循环可能是有益的。通过该方法，可以解决不同的多阶段CCTA数据集合之间的时间分辨率中的变化。可替换地，代替（通过执行由图6的604、605和606所描述的步骤）分离地添加每个阶段（或能量水平），可以部署不同的深度学习网络架构，其中多个阶段（或能量水平）被直接并入。

除了如上述的提取的特征（编码和段）之外，还可以使用由图6的步骤607表示的附加信息来构建特征向量。例如，诸如患者的体重、身高、性别等的人口统计学信息可以作为用于特征矢量的特征由附加来用作针对患者分类的附加信息。

冠状动脉钙化的存在和量（参见图11a）是心血管事件的强力且独立的预测符，其可以在CCTA中被标识和量化，如由Wolterink等人的“Automatic Coronary ArteryCalcium Scoring in Cardiac CT Angiography Using Paired Convolutional NeuralNetworks，”Medical Image Analysis，2016所教导的那样。图11b示出了通过使用如由Wolterink等人所描述的方法在CCTA数据集合内检测到的冠状动脉钙的示例。特征矢量可以按冠状动脉（左前降动脉、右冠状动脉和旋动脉）或总冠状动脉树利用关于冠状动脉钙的存在和程度的信息来扩展。可以并入表征冠状动脉或其它钙化（例如在主动脉、心脏瓣膜、心包中）的附加信息。

冠状动脉事件也与总斑块负荷相关联，其包括不一定钙化的冠状动脉斑块。在检测钙化斑块之外，CCTA在表征存在的斑块的类型（非钙化和混合）方面具有前途。斑块的总量可以通过（半）自动化方法来确定，该方法检测内部和外部冠状动脉血管壁，如例如由Dey等人的“Automated 3-dimensional quantification of noncalcified and calcifiedcoronary plaque from coronary CT angiography，”Cardiovasc Comput Tomogr：2009，3（6）：372-382所教导的。在内部和外部血管壁之间的面积被计数为斑块。特征向量可随着斑块负荷而扩展，如通过按血管的长度对血管内的斑块的体积进行归一化而计算的那样。附加信息的另一示例是协议信息。如前所述，在描绘心脏和冠状动脉之前向患者施用对比材料。一旦通过目测或通过对预定义的解剖结构中的对比介质密度的确定，对比介质密度超越预定义的阈值，就开始成像。例如，用于开始CCTA获取的阈值、用于评估阈值的解剖结构、CT扫描仪的类型、执行CCTA获取的心动循环内的时刻（触发时间）和或者在获取期间向患者施用的对比介质可用作特征向量内的附加信息。

附加地，如果存在，从各种形式的双能量、光谱、多能量或光子计数CT扫描中的任一项中获得的信息可用作用于分类的附加特征。在CT中，取决于材料的质量密度，具有不同成分的材料可由CT图像上的相同像素值所表示。因此，不同组织类型和对比药剂的分化和分类可能是具有挑战性的。在双能量扫描中，用不同的x射线光谱获取两个CT数据集合，从而允许多种材料的分化。不仅存在解剖信息而且还存在与组织成分有关的信息。因此，可以获得关于内腔和任何局部缺血组织的更好的见解。关于从各种形式的双能量、光谱、多能量或光子计数CT扫描中的任一种中提取的组织成分的信息（例如，对比材料或局部缺血组织的存在）可用作附加特征。

在冠状动脉疾病的情况下，心肌内的血流分布和在风险中的区域的位置和程度是取决于壁内微脉管（脉管冠）的分布和形态。心外膜冠状动脉（右冠状动脉、左冠状动脉）通过心肌微脉管系统将血流分布到心脏肌肉的不同区。心肌可从心外膜到心内膜被分成三个层；心外膜下层（subepicardial）、中心肌和心内膜下层（subendocarial）。与如由van denWijngaard JP等人的“Model prediction of subendocardial perfusion of thecoronary circulation in the presence of an epicardial coronary arterystenosis，”Med Biol Eng Comput 2008，46：421-432所教导的其它层相比，心内膜下层更易受到局部缺血和梗塞。可选地，该知识可以被集成在特征向量计算中。例如，聚类（606）可以用空间层位置进行加权，或者可以将心肌层预测模型添加到特征向量。这样的心肌层预测模型可以基于例如由van Horssen等人的“Perfusion territories subtended bypenetrating coronary arteries increase in size and decrease in number towardthe subendocardium，”Am J Physiol Heart Circ Physiol 2014，306：H496-H504所教导的生理实验来预生成。

当心电图（ECG）可从患者获得时，其特性可用作附加信息。ECG是心脏肌肉中的电活动的表示。ECG记录使心脏肌肉细胞收缩的电刺激。该刺激从一个肌肉细胞行进到另一个。心脏传导系统确保这是在右序列（即，心房然后心室）中进行的。典型地，ECG包括四个段：P波、QRS复合波、T波和U波。P波表示心房去极化，QRS复合波表示心室去极化，T波表示心室重新极化，并且U波表示乳突肌重新极化。心脏的结构及其周围（包括血液成分）中的改变使这四个段的模式改变。例如，如在图12中可以看见的，心脏病发作或心肌梗塞在ECG中通过ST段的升高而可见。这是由于心肌的一节由于心脏病发作而局部缺血的事实而导致的。而且也是例如胸痛（心绞痛），并且心脏块具有在ECG上可识别的局部缺血标记。当将12导联ECG转化成例如如由Engels等人的“The synthesized vectorcardiogram resembles themeasured vectorcardiogram in patients with dyssynchronous heart failure，”JElectrocardiol；48（4）：586-592教导的向量心电图时，可以在三个主要方向上评估作为向量的电活动。这允许电参数的更准确且更健壮的提取（Edenbrandt等人的“Vectorcardiogram synthesized from a 12-lead ECG：Superiority of the inverseDower matrix，”Journal of Electrocardiology，1988年12月，21（4）：361-7）。例如，利用合成的向量心电图评估的心肌梗塞和右心室肥大优于对应的12导联ECG准则。从合成向量心电图中提取的参数例如是QRS回路周长、QRS向量差、QRS复合波下的面积、（X，Y，Z）导联上的ST段和T波；ST-T向量幅度差、T波向量幅度差和QRS复合波和T波之间的空间角。

可用作附加信息的其它重要特征是心脏生物标记。当从患者中采集血液时，可以检查血液中的心脏生物标记的水平。这些标记包括酶、激素和蛋白质。心脏生物标记在患者的心脏已经受到由于局部缺血（例如由于心脏病发作）引起的严重压力之后显露在患者的血液中。生物标记的水平可用于确定心脏病发作的尺度以及心脏病发作的影响有多严重。心脏生物标记例如是心脏肌钙蛋白和肌酸激酶。

此外，关于心脏周围或心脏内部的脂类（脂肪组织）的存在的信息可以用作附加信息。该信息可以例如使用MR或CT数据来获得。直接围绕心脏存在的脂肪（心包脂肪）可以预测狭小的动脉。与在其它区域中存储脂肪的人相比，在心脏周围和胸部中的胸骨下的区域（其位于接近于心脏）中具有脂肪的人可能面临更高的心脏病的风险。这是由于脂肪组织释放可加速动脉粥样硬化的发展的炎性化学物质的事实。

可使用的另一特征是心肌的形状。例如，扩张性心肌病（DCM）的存在。DCM是在其中心脏变得扩大并且不能有效地泵送血液的状况。DCM可归因于通过在心肌中沉积纤维组织（例如，在先前心肌梗塞或其它疾病之后）来代替正常心肌。在图13中可以看见DCM的示例。关于心肌的形状和/或心脏腔室的形状的信息可通过首要成分分析（PCA）来获得。PCA是一种维度缩减方法，其可用于将大的变量集合缩减到仍然包含大集合中的大部分信息的小集合，这是将大量（可能）相关变量转变成被称为首要成分的（较小）量的未校正变量的数学过程。第一首要成分尽可能多地考虑到数据中的可变性，并且每个随后的成分尽可能多地考虑到剩余的可变性，并且每个随后的成分转而具有在其正交于先前成分的约束下可能的最高方差。由PCA计算心室形状参数的示例由Medrano-Gracia等人的“Left ventricularshape variation in asymptomatic populations：the Multi-Ethnic Study ofAtherosclerosis，”J Cardiovasc Magn Reson. 2014年7月30；16：56所提供。在该工作中，Medrano-Garcia和同事寻求建立在所检查群（cohort）中存在的左心室形状和功能的最重要成分。对于当前应用，参考标准（601）数据库可用于借助于PCA来定义LV、RV和/或心房的首要成分。为此，期望的心脏结构需要被分割（仅一次）以用于数据集合，所述数据集合被用来定义用于该心脏结构的首要成分。对于该方法，可以使用如由图3的步骤302所描述的方法，或任何其它方法。接下来，可以计算从所检查的CCTA数据集合中提取的首要成分的变化，并将其作为特征添加到特征向量。可替换地，图3的步骤302内的分割可通过在其中并入PCA的活动形状模型分割算法或在其中并入PCA的任何其它分割算法来执行。通过使用这样的算法，所检查的CCTA数据集合的首要成分在该分割方法内被自动定义，如例如由vanAssen等人的“3D Active Shape Model Matching for Left Ventricle Segmentation incardiac CT，”Phytochemistry 2003年一月，5032或由D.Fritz等人的“Segmentation ofthe left and right cardiac ventricle using a combined bitemporal statisticalmodel，”Proceedings of SPIE-The International Society for Optical Engineering，2006三月，6141，DOI10.1117/12.652991教导的那样。基于PCA的另一特征可以是如由Wang等人的“Principal component analysis used to derive patient-specific load-freegeometry and estimate myocardial stiffness in the heart，” 5th InternationalConference on Computational and Mathematical Biomedical Engineering-CMBE2017所教导的心肌组织刚度。可使用的另一特征是心肌应变。心肌应变是一种用于测量心肌的区或整体变形的方法，并可用在对损害心肌功能的状况的评估中，其包括局部缺血心脏病、高血压心脏病、扩张性心肌病、肥厚心肌病、心肌炎和渗透性心肌病、心脏同步不正常（dyssynchrony）。在外显临床疾病或甚至心室射血分数的轻度亚临床异常之前，应变异常在大部分设置中发展，并且具有预兆意义，预先的或治疗的疾病中的应变异常的严重性和进展也是这样。可例如通过如由Wong等人的“Myocardial strain estimation from CT：towards computer-aided diagnosis on infarction identification，”SPIE MedicalImaging conference，2015年3月，DOI 10.1117/12.2081464教导的方法来将心肌应变添加到特征向量。

可以使用的其它特征是心脏舒张末期LV血液体积、心脏收缩末期LV血液体积、射血分数、心输出量、升主动脉的直径、二尖瓣主动脉瓣的存在、心脏瓣膜机能不全（僧帽瓣、主动脉、三尖瓣和/或肺）和/或冠状动脉树支配；左主导、右主导、平衡或小的右/左主导。

除了关于LV心肌的所有特征之外，还可考虑到关于RV心肌的相同信息以用于分类。

考虑如之前描述的每个聚类内的最大标准偏差并且考虑到附加特征中的一些，特征向量的示例（图6的步骤608）由以下给出：

所提取的特征和从存在的附加信息中获得的特征可以用于将患者分类为具有或不具有功能上显著的狭窄。

在图6的步骤609，借助于监督分类器学习特征灌注分类模型。可以使用若干监督分类器，例如支持向量机（SVM）分类器。SVM是可以用于分类和回归目的两者的监督机器学习分类器。SVM是基于找到将数据集合最佳地划分为预定义类（142，图14）的超平面（141，图14）的想法。作为简单的示例，对于仅具有两个特征的分类任务在图14中被图示。在SVM的训练期间，通过最大化决策边界周围的裕度同时最小化裕度内的训练样本的数量来找到最佳地分离两个类的样本的超平面（图14）。裕度（143，图14）由位于裕度上的支持向量（144，图14）即训练样本所确定。直观地，通过具有到任何类的最近的训练数据点的最大距离的超平面来实现良好的分离。换句话说，超平面与来自任一集合的最近的支持向量之间的距离被称为裕度。SVM的目标是找到具有超平面和训练集合内的任何点（支持向量）之间的最大可能裕度的超平面。

其它种类的分类器可以包括神经网络、贝叶斯分类器、树集合体（ensemble）（例如，随机森林）（Kotsiantis等人的“Supervised Machine Learning：A Review ofClassification Techniques，”Informatica 31，2007， 249-268）。

为了能够使用监督（SVM）分类器，必须存在可以用作参考标准的参考数据。参考标准是来自多个患者的数据库（步骤601）。该数据库内的每个集合包含a）具有归属项的对比增强CT数据集合（步骤602）b）参考值（步骤603）。

在优选实施例中，表示流体动力学参数的参考值（603）是作为在X射线血管造影术期间执行的属于对比增强CT数据集合（602）的有创流量储备分数（FFR）测量结果。例如，FFR用冠状动脉压力引导线在由静脉内腺苷引起的最大充血下进行测量。在X射线血管造影术期间，FFR线尽可能远地放置在目标血管中，并且FFR借助于在目标血管的远端部分中的手动或自动回拉来评估。最后，在引导导管的水平处取回FFR线，以实现1.00的FFR值，以便评估所执行的测量结果的质量。当由于重复测量结果或多个狭窄而有多个FFR测量结果可用时，将最小值作为参考的标准。参考值（603）可以是将患者特定CCTA数据集合与该患者的心肌局部缺血链接的任何参数。例如，参考值（603）可以是测量的冠状动脉流量储备或微循环阻力的指数，其提供目标冠状动脉地域中的最小可实现的微循环阻力的测量结果，从而实现微脉管完整性的定量评估。对于参考值（603）的不同参数的其它示例是在CCTA数据集合的获取之后的预定义时间量内的主要不利心脏事件（MACE）的发生，或者在患者在CCTA数据集合或心脏应力测试的结果、心肌磁共振成像（MRI）灌注、SPECT、PET、CT灌注或超声的结果的获取之后的预定义时间量内经受血管再造的情况。

使用对应于所使用的CCTA数据集合（602）的参考值（603）的数据库的情况下，每个参考值（603）被标记为属于两个类中的一个，例如“存在功能上显著的狭窄”（有创FFR＜例如0.8）或“不存在显著的狭窄”（有创FFR＞0.8）（已知标签），SVM分类器学习分离不同的类。首先，每个训练样本（例如CCTA数据集合）被表示为n维特征空间中的点，其中n是计算出的特征的数量（例如，特征向量中的特征的数量，图6的步骤608的结果）。对于数据库中的所有扩孔（reaming）CCTA情况（602），这样的特征向量被计算。所有训练样本（例如，数据库中的CCTA情况）用于训练所选取的分类器。在训练阶段中，SVM分类器找到在类之间做出最佳分离的超平面，即，通过找到分离具有最大裕度的两个类的超平面，如图14中所图示的。

SVM在本质上是两类的分类器。然而，可以通过例如执行多个2类的分类（例如，所选取类相对于所有剩余类，或每对类之间-一个相对于另一个）来执行多类的分类，即在多个类中的分类。因此，特征灌注分类模型可以被训练以识别多个类，例如“不存在功能上显著的狭窄”、“存在轻度功能上显著的狭窄”或“存在严重功能上显著的狭窄”或基于参考值（图6的步骤603）选取的任何类别。当参考值（图6，603）是有创FFR测量结果时，可使用例如以下有创FFR阈值来实现上述分类：

·有创FFR＞0.9，“不存在功能上显著的狭窄”

·有创FFR在0.7和0，8之间“存在轻度功能上显著的狭窄”

·有创FFR＜0.7，“存在严重功能上显著的狭窄”

一旦系统被训练，新的未看见的CCTA数据集合就被分类到作为在训练阶段期间定义的类，这通过图15的流程图进一步来解释。

图15图示了用于实现预测阶段的框架，以对未看见的CCTA数据集合内的（一个或多个）血管阻塞的严重性进行分类；以确定来自CCTA数据集合的一个或多个冠状动脉中的功能显著狭窄的呈现。未看见的CCTA数据集合由图15的框151来表示。

在框152中，根据如先前由图3的框302所描述的方法中的一个发生心肌分割。

在图15的框303内，对特征的计算发生，并且与先前针对图6的框303所描述的相同。图15的框153描述特征提取并且与由图6的步骤605所描述的方法相同。在优选实施例中，如由图6的框303执行的学习阶段期间的特征提取借助于CAE来执行。在预测阶段内，CAE的架构略有不同。如之前在块605中描述的并且参考图6，在CAE被训练之后，解码器部分可以被移除，并且全连接层变成用于生成针对未看见的小块的编码的输出层。在图16中呈现了如在预测阶段中使用的这种CAE架构的示例。该图示出了用于针对如由图7所呈现的示例的预测阶段的CAE架构。图15内的步骤154描述了聚类并且与图6的步骤606中描述的方法相同。框155描述了附加信息并且与图6的步骤607中描述的方法相同。接下来，在步骤156内通过与如先前由图6的框608描述的学习期间执行的方法相同的方法来生成特征向量。在学习阶段中使用附加信息的情况下，在预测阶段期间在步骤175内执行相同的方法。

图15的步骤157表示如通过图6的步骤609所描述的学习阶段期间学习的特征灌注分类模型。

最后，在步骤158中，分类器将新的未看见的CCTA数据集合分配到如在训练阶段期间定义的类中。该分类器是与图6中的框609中使用的分类器相同的分类器。在预测阶段内，未看见的CCTA数据集合由图15的步骤158映射在n维特征空间中，并且其在该特征空间中相对于超平面的位置确定其类标签。该分类导致对一个或多个冠状动脉阻塞阻碍到心脏肌肉的氧输送的严重性的评估，并且由图15的步骤159来表示。图17示出了分类器的视觉表示。表示未看见的图像的特征向量的图15的步骤156的结果是分类器的输入（171）。图17的标签172表示如在图6的步骤609所描述的学习阶段期间所学习的特征灌注分类模型（图15，156）。图17的标签173表示在学习两个类的情况下的分类器的输出（图16，159）；正，意味着存在一个或多个功能上显著的冠状动脉病变，而负，意味着不存在功能上显著的冠状动脉病变。

在通过如在图6的步骤608内描述的方法处理多阶段CCTA数据集合或多能量CCTA数据集合的情况下，可以利用来自每个阶段或能量水平的特征来扩展特征向量。在这种情况下，可以针对这些集合中的每个学习多个特征灌注模型（其例如可以是单阶段CCTA数据集合、多阶段CCTA数据集合、多能量CCTA数据集合）。这意味着在训练阶段（图6）期间以及在预测阶段（图15）期间，需要选择该特定CCTA数据集合的特征灌注模型。这可以例如通过检查通过DICOM文件格式的“报头”获得的信息来进行。而且，多个特征灌注模型可取决于如在图6的步骤607中描述的附加信息的量（例如，形状参数、ECG参数等）来生成，这意味着在并非所有附加特征都可用的情况下，可以从多个模型中选择正确的特征灌注模型。

本公开主要描述了作为是冠状动脉的心肌和血管的感兴趣的器官。本领域技术人员将领会，该教导可以同样地扩展到其它器官。例如，感兴趣的器官可以是由肾脏动脉灌注的肾，或如由颅内动脉灌注的大脑（大脑的部分）。此外，本公开涉及CCTA数据集合（以若干形式）。本领域技术人员将领会，该教导可以同样地扩展到其它成像模态，例如旋转血管造影术、MRI、SPECT、PET、超声、X射线等。

本公开的实施例可以在独立系统上使用或者直接包括在例如计算机断层扫描（CT）系统中。图18图示了计算机断层扫描（CT）系统的高级框图的示例。在该框图中，该实施例被包括为本实施例可以如何在这样的系统中集成的示例。

系统的部分（如由各种功能块所定义的）可以用专用硬件、模拟和/或数字电路和/或对存储在存储器中的程序指令进行操作的一个或多个处理器来实现。

计算机断层摄影的最常见形式是X射线CT，但是存在许多其它类型的CT，诸如双能量、光谱、多能量或光子计数CT。另外，正电子发射断层摄影（PET）和单光子发射计算断层摄影（SPECT）或与任何先前形式的CT组合。

图18的CT系统描述了X射线CT系统。在X射线CT系统中，X射线系统在构台中围绕患者移动并获得图像。通过使用数字处理，三维图像由围绕单个旋转轴线采集的大系列二维血管造影图像所构成。

对于典型的X射线CT系统120，操作者将患者1200定位在患者台1201上并且使用操作控制台1202为扫描提供输入。操作控制台1202典型地包括计算机、键盘/脚踏板/触摸屏以及一个或多个监视器。

操作控制计算机1203使用操作者控制台输入来指挥构台1204旋转，但是还向患者台1201和X射线系统1205发送指令以执行扫描。

使用在操作者控制台1202中选择的所选择扫描协议，操作控制计算机1203向构台1204、患者台1201和X射线系统1205发送一系列命令。构台1204然后在整个扫描期间到达并维持恒定的旋转速度。患者台1201到达期望的开始位置并且在整个扫描过程期间维持恒定的速度。

X射线系统1205包括X射线管1206，所述X射线管1206具有生成X射线光束1208的高压生成器1207。

高压生成器1207控制X射线管1206并向X射线管1206输送功率。高压生成器1207跨X射线管1206的阴极和旋转阳极之间的真空间隙两端施加高压。

由于施加到X射线管1206的电压，从X射线管1206的阴极到阳极发生电子转移，导致X射线光子生成效应，也被称为轫致辐射。生成的光子形成指向图像检测器1209的X射线光束1208。

X射线光束1208包括具有能量谱的光子，其范围达到由尤其被提交给X射线管1206的电压和电流所确定的最大值。

X射线光束1208然后穿过位于移动台1201上的患者1200。X射线光束1208的X射线光子以变化的角度穿透患者的组织。患者1200中的不同结构吸收辐射的不同部分，从而调制光束强度。

从患者1200出射的经调制的X射线光束1208由被定位成与X射线管相对的图像检测器1209所检测。

该图像检测器1209可以是间接或直接检测系统。

在间接检测系统的情况下，图像检测器1209包括将X射线出射光束1208转换成放大的可见光图像的真空管（X射线图像增强器）。然后将该放大的可见光图像传输到可见光图像接受器，诸如用于图像显示和记录的数字摄像机。这产生了数字图像信号。

在直接检测系统的情况下，图像检测器1209包括扁平面板检测器。扁平面板检测器将X射线出射光束1208直接转换成数字图像信号。

将由图像检测器1209产生的数字图像信号传递到图像生成器1210以供处理。典型地，图像生成系统包含高速计算机和数字信号处理芯片。在将所获取的数据发送到显示设备1202以供操作者查看并将其发送到数据存储设备1211以供存档之前，对所述所获取的数据进行预处理和增强。

在构台中，X射线系统以患者1200和移动台1201位于X射线管1206和图像检测器1209之间的方式被定位。

在相比增强的CT扫描中，对比药剂的注射必须与扫描同步。对比注射器1212由操作控制计算机1203控制。

对于FFR测量，存在FFR引导线1213，由注射器1214还将腺苷注射到患者体内以引起最大充血的状态。

本申请的实施例通过如下的图18的X射线CT系统120来实现。临床医生或其它用户通过使用操作者控制台1202选择扫描协议来获取患者1200的CT扫描。患者1200位于可调节台1201上，所述可调节台1201在由操作控制计算机1203控制的整个扫描期间以连续速度移动。构台1204在整个扫描期间维持恒定的旋转速度。

然后使用如上所述的高压生成器1207、X射线管1206、图像检测器1209和数字图像生成器1210生成多个二维X射线图像。然后将该图像存储在硬盘驱动1211上。使用这些X射线图像的情况下，由图像生成器1210构建三维图像。

通用处理单元1215使用三维图像来执行如上所述的分类。

本文中已经描述和图示了用于基于仅从单个CCTA图像提取的信息来自动标识具有功能上显著狭窄的患者的方法和装置的若干实施例。

虽然已经描述了本申请的特定实施例，但是并不旨在将本申请限制于此，因为本申请旨在范围上与本领域将允许的范围一样宽，并且说明书同样被理解。

例如，可以使用多阶段CCTA数据集合，可以基于所公开的方法来评估相对于灌注的肾的肾脏动脉的功能评估，数据处理操作可以在存储在数字存储器中的图像上被离线执行，所述数字存储器诸如在医学成像领域中通常使用的DICOM（医疗中的数字成像和通信中）格式中的PACS或VNA。因此，本领域技术人员将领会，在不脱离如所要求保护的本申请的精神和范围的情况下，可以对所提供的申请做出仍有其它修改。

本文中描述的实施例可以包括如上所讨论的多种数据存储和其它存储器和存储介质。这些可以驻留在多种位置中，诸如在一个或多个计算机本地（和/或驻留在其中）或者跨网络远离于任何或所有计算机的存储介质上。在特定的实施例的集合中，信息可以驻留在对本领域技术人员熟悉的存储区域网络（“SAN”）中。

类似地，用于执行归因于计算机、服务器或其它网络设备的功能的任何必要文件可视情况而定在本地和/或远程上被存储。

在系统包括计算机化设备的情况下，每个这样的设备可以包括可以经由总线电耦合的硬件元件，所述元件包括例如至少一个中央处理单元（“CPU”或“处理器”）、至少一个输入设备（例如，鼠标、键盘、控制器、触摸屏或小键盘）和至少一个输出设备（例如，显示设备、打印机或扬声器）。这样的系统还可以包括一个或多个存储设备，诸如磁盘驱动、光学存储设备和固态存储设备，诸如随机存取存储器（“RAM”）或只读存储器（“ROM”），以及可移动介质设备、存储卡、闪存卡等。

这样的设备还可以包括如上所述的计算机可读存储介质读取器、通信设备（例如，调制解调器、网卡（无线或有线）、红外通信设备等）和工作存储器。

计算机可读存储介质读取器可以与计算机可读存储介质连接或配置成接收计算机可读存储介质，所述计算机可读存储介质表示远程、本地、固定和/或可移动存储设备以及用于临时和/或更永久地包含、存储、传输和检索计算机可读信息的存储介质。系统和各种设备典型地还将包括位于至少一个工作存储器设备内的多个软件应用、模块、服务或其它元件，其包括操作系统和应用程序，诸如客户端应用或网络浏览器。

应当领会的是，替换实施例可以具有与上述实施例不同的许多变化。例如，还可使用定制硬件和/或可在硬件、软件（包括便携式软件，诸如小应用程序）或两者中实现的特定元件。

此外，可以采用到诸如网络输入/输出设备之类的其它计算设备的连接。

各种实施例可以进一步包括在计算机可读介质上接收、发送或存储根据前面的描述实现的指令和/或数据。用于包含代码或代码的部分的存储介质和计算机可读介质可包括本领域中已知或使用的任何适当介质，包括存储介质和通信介质，诸如但不限于用于存储和/或传输诸如计算机可读指令、数据结构、程序模块或其它数据的信息的以任何方法或技术实现的易失性和非易失性、可移动和不可移动介质，其包括RAM、ROM、电可擦除可编程只读存储器（“EEPROM”）、闪速存储器或其它存储技术、紧致盘只读存储器（“CD-ROM”）、数字多功能盘（DVD）或其它光学存储设备、磁带盒、磁带、磁盘存储设备或其它磁性存储设备或可用于存储所期望的信息且可由系统设备访问的任何其它介质。基于本文中提供的公开和教导，本领域的普通技术人员将领会实现各种实施例的其它方式和/或方法。

因此，说明书和附图被认为是说明性的而不是限制性的意义。然而，将显而易见的是，在不脱离如在权利要求中阐述的本申请的更广泛的精神和范围的情况下，可以对其做出各种修改和改变。

其它变型处于本公开的精神内。因此，虽然所公开的技术易受各种修改和替换构造的影响，但是其某些图示的实施例在附图中示出并且在上面被详细地描述。然而，应当理解的是，不存在将本申请限制为特定形式或所公开的形式的意图，而是相反，意图在于要覆盖落在如在所附权利要求中限定的本申请的精神和范围内的所有修改、替换构造和等同物。

在描述所公开的实施例的上下文中（尤其是在以下权利要求的上下文中），对术语“一个”、“一”和“所述”和类似的指示物的使用应当被解释为覆盖单数和复数两者，除非在本文中另有指示或与上下文明显矛盾。除非另有说明，术语“包括”、“具有”、“包含”和“含有”是要被解释为开放式术语（即，意味着“包括但不限于”）。术语“连接”在未经修改且指代物理连接时，要被解释为部分或全部包含于、附接到或接合在一起，即使存在中间的某物的话。

本文中值的范围的记载仅旨在用作单独指代落在该范围内的每个分离的值的简略方法，除非在本文中另有指示，并且每个分离的值被并入到说明书中，就如同其在本文中被单独记载一样。除非另有说明或与上下文矛盾，否则术语“集合”（例如，“项目的集合”）或“子集”的使用要被解释为包括一个或多个成员的非空集。

此外，除非上下文另有说明或与上下文矛盾，否则对应集合的术语“子集”不一定表示对应集合的真子集，而是子集和对应集合可以相等。

本文中描述的过程的操作可以以任何合适的次序来执行，除非在本文中另有指示或与上下文明显矛盾。本文中描述的过程（或其变型和/或组合）可以在用可执行指令配置的一个或多个计算机系统的控制下被执行，并且可以通过硬件或其组合被实现为在一个或多个处理器上共同执行的代码（例如，可执行指令、一个或多个计算机程序或一个或多个应用）。代码可以例如以包括由一个或多个处理器可执行的多个指令的计算机程序的形式被存储在计算机可读存储介质上。计算机可读存储介质可以是非暂时性的。

本文中描述了本公开的优选实施例，其包括对发明人已知的用于执行本申请的最佳模式。在阅读前面的描述后，那些优选实施例的变型对于本领域中的普通技术人员来说变得显而易见。发明人期望本领域技术人员视情况而定地采用这些变型，并且发明人意图以不同于本文中具体描述的方式来实践本公开的实施例。

因此，如由适用法律所允许的，本公开的范围包括所附于此的权利要求中所记载的主题的所有修改和等同物。此外，除非在本文中另有指示或与上下文明显矛盾，否则在其所有可能变型中的上述元件的任何组合被本公开的范围涵盖。

本文中列举的所有参考文献（包括出版物、专利申请和专利）通过引用特此并入，其程度如同每个参考文献被单独地且具体地指示为通过引用被并入本文中并且在本文中以其整体被阐述一样。

Claims (15)

1.一种用于评估血管阻塞的严重性的方法，包括：

a）获得对于目标器官的对比增强体积图像数据集合；

b）将所述体积图像数据集合中的至少一部分分割成对应于所述目标器官的壁区的数据段；

c）分析所述数据段以提取指示依据所述目标器官的壁区的灌注经历的量的特征；

d）获得从所灌注器官的训练集合中导出的特征灌注分类（FPC）模型；

e）基于所述提取的特征并且基于所述FPC模型对所述数据段进行分类；以及

f）基于所述特征的所述分类来提供指示血管阻塞的严重性的预测作为输出。

2.根据权利要求1所述的方法，其中：

所述FPC模型包括训练特征与参考流体动力学参数之间的关系，所述参考流体动力学参数指示用于所灌注器官的所述训练集合的对应壁区的血管灌注的基线量；以及

所述参考流体动力学参数优选地包括有创流量储备分数测量结果。

3.根据任何前述权利要求所述的方法，其中：

所述特征是纹理和/或形态特征和/或

所述特征使用卷积自动编码器、高斯滤波器、透壁灌注比率、Haralick特征、心肌厚度或所述目标器官的形状来确定；和/或

所述器官是所述心肌和所述血管所述冠状动脉；和/或

以无监督的方式将所述心肌压缩成多个编码，其中所述编码被分析为数据段以在c）中提取特征以用于在e）中的分类；和/或

是输出的所述指示，其指示所述血管阻塞相对于训练血管阻塞的严重性。

4.根据任何前述权利要求所述的方法，其中：

e）的所述分类利用从以下参数中的一个或多个中选择的辅助信息：冠状动脉树解剖构造、所述患者的人口统计信息、冠状动脉钙化、冠状动脉斑块、光谱多能量或光子计数、ECG参数、心脏生物标记、所述心脏周围或所述心脏内的脂肪组织、心肌的形状等。

5.根据任何前述权利要求所述的方法，其中：

c）的所述分析包括针对所述数据段中的每个提取特征向量，所述特征向量包括从所述对应数据段中测量或提取的多个因子，其中所述多个因子描述或表征了所述对应壁区的本质。

6.根据任何前述权利要求所述的方法，其中：

从对比增强体积图像数据集合的数据库以及从所述对比增强体积图像数据集合中提取的相关联训练特征向量中获得所述FPC模型，所述训练特征向量包括已知标签；以及

e）的所述分类利用基于所述已知标签训练的机器学习算法，所述机器学习算法基于所述特征对所述数据段进行分类。

7.根据任何前述权利要求所述的方法，还包括：

实现训练阶段以形成所述FPC模型，所述FPC模型将用于来自所述训练集合的所述器官的对比增强体积图像数据集合的所灌注器官的所述训练集合的训练特征和与灌注所述器官的一个或多个血管相关的参考流体动力学参数进行分类，所述训练阶段包括：

i）在所述训练集合中提供所述器官中的每个的对比增强体积图像数据集合；

ii）分割所述训练集合的所述器官；

iii）分析所述数据段以提取指示依据所述训练集合的所述器官的壁区的灌注经历的量的训练特征；以及

iv）将所述训练集合的所述器官的所述训练特征相对于参考流体动力学参数进行分类，所述参考流体动力学参数指示用于所灌注器官的所述训练集合的对应区的血管灌注的基线量，以形成所述FPC模型。

8.根据权利要求1或7所述的方法，其中：

在执行e）的所述分类之前，（c）的所述分析对提取的特征进行聚类；和/或

在执行iv）的所述分类之前，iii）的所述分析对提取的训练特征进行聚类。

9.根据任何前述权利要求所述的方法，其中：

c）的所述分析提取包括一系列因子的特征向量，其中所述因子中的每个具有表示在多个聚类上感兴趣的特性中的变化的量的值；和/或

c）的所述分析提取包括一系列因子的特征向量，其中所述因子中的每个表示在所述左心室心肌的多个段上感兴趣的特性的强度；和/或

c）的所述分析提取包括一系列因子的特征向量，其中所述系列中的所述因子的子集表示段内的强度，并且其中所述系列中的所述因子的另一子集表示指示心肌体积、最小心肌厚度和/或最大心肌厚度的值。

10.一种形成特征灌注分类（FPC）模型的方法，所述特征灌注分类（FPC）模型结合评估血管阻塞的严重性对训练特征进行分类，所述方法包括：

a）获得对于训练所灌注器官的对比增强体积图像数据集合；

b）将所述体积图像数据集合中的至少一部分分割成对应于所述训练所灌注器官的壁区的数据段；

c）分析所述数据段以提取指示依据所述训练所灌注器官的壁区的灌注经历的量的训练特征；

d）将所述训练所灌注器官的所述训练特征相对于参考流体动力学参数进行分类，所述参考流体动力学参数指示用于所述训练所灌注器官的对应区的血管灌注的基线量，以形成所述FPC模型。

11.根据权利要求10所述的方法，其中：

c）的所述分析在执行d）的所述分类之前对提取的训练特征进行聚类。

12.一种用于评估血管阻塞的严重性的系统，包括：

存储器，所述存储器配置成存储用于目标器官的对比增强体积图像数据集合；

一个或多个处理器，所述一个或多个处理器当执行存储在所述存储器中的程序指令时配置成：

a）将所述体积图像数据集合中的至少一部分分割成对应于所述目标器官的壁区的数据段；

b）分析所述数据段以提取指示依据所述目标器官的壁区的灌注经历的量的特征；

c）获得从所灌注器官的训练集合中导出的特征灌注分类（FPC）模型；

d）基于所述提取的特征并且基于所述FPC模型对所述数据段进行分类；以及

e）基于所述特征的所述分类来提供指示血管阻塞的严重性的预测作为输出。

13.根据权利要求12所述的系统，其中：

所述FPC模型包括训练特征与参考流体动力学参数之间的关系，所述参考流体动力学参数指示用于所灌注器官的所述训练集合的对应区的血管灌注的基线量；以及

所述参考流体动力学参数优选地包括有创流量储备分数测量结果。

14.根据权利要求12-13中任一项所述的系统，其中：

所述特征使用卷积自动编码器、高斯滤波器、透壁灌注比率、Haralick特征、心肌厚度或所述目标器官的形状来确定；和/或

所述器官是所述心肌和所述血管所述冠状动脉；和/或

以无监督的方式将所述心肌压缩成多个编码，其中所述编码被分析为数据段以提取c）中的特征来用于e）中的分类；和/或

所述一个或多个处理器配置成利用辅助信息来执行d）的所述分类，其中所述辅助信息是从以下参数中的一个或多个中选择的：冠状动脉树解剖构造、所述患者的人口统计信息、冠状动脉钙化、冠状动脉斑块、光谱多能量或光子计数、ECG参数、心脏生物标记、所述心脏周围或所述心脏内的脂肪组织、心肌的形状等。

15.根据权利要求12-14中任一项所述的系统，其中：

所述一个或多个处理器配置成通过针对所述数据段中的每个提取特征向量来执行b）的所述分析，所述特征向量包括从所述对应数据段中测量或提取的多个因子，其中所述多个因子描述或表征了所述对应区的本质；和/或

所述一个或多个处理器配置成通过提取包括一系列因子的特征向量来执行b）的所述分析，其中所述因子中的每个具有表示在多个聚类上感兴趣的特性中的变化的量的值；和/或

所述一个或多个处理器配置成通过提取包括一系列因子的特征向量来执行b）的所述分析，其中所述因子中的每个表示在所述左心室心肌的多个段上感兴趣的特性的强度；和/或

所述一个或多个处理器配置成通过提取包括一系列因子的特征向量来执行b）的所述分析，其中所述系列中的所述因子的子集表示段内的强度，并且其中所述系列中的所述因子的另一子集表示指示心肌体积、最小心肌厚度和/或最大心肌厚度的值。