CN114424290B - 用于提供冠状动脉钙负荷的纵向显示的装置和方法 - Google Patents

用于提供冠状动脉钙负荷的纵向显示的装置和方法 Download PDF

Info

Publication number
CN114424290B
CN114424290B CN202080065256.4A CN202080065256A CN114424290B CN 114424290 B CN114424290 B CN 114424290B CN 202080065256 A CN202080065256 A CN 202080065256A CN 114424290 B CN114424290 B CN 114424290B
Authority
CN
China
Prior art keywords
risk
calcium
scoring
stent
frames
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202080065256.4A
Other languages
English (en)
Other versions
CN114424290A (zh
Inventor
G·P·艾米斯
A·戈皮纳特
M·霍维勒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Optical Experimental Imaging Co
Original Assignee
Optical Experimental Imaging Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Optical Experimental Imaging Co filed Critical Optical Experimental Imaging Co
Priority to CN202310817422.7A priority Critical patent/CN116884580A/zh
Publication of CN114424290A publication Critical patent/CN114424290A/zh
Application granted granted Critical
Publication of CN114424290B publication Critical patent/CN114424290B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
    • A61B5/743—Displaying an image simultaneously with additional graphical information, e.g. symbols, charts, function plots
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/38—Registration of image sequences
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10068—Endoscopic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G06T2207/30104—Vascular flow; Blood flow; Perfusion

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Fuzzy Systems (AREA)
  • Vascular Medicine (AREA)
  • Cardiology (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Endoscopes (AREA)

Abstract

本公开提供了用以接收OCT或IVUS图像数据帧以输出血管段的一个或更多个表示的系统和方法。可以使用各种窗口或库或对齐特征来拉伸和/或对齐图像数据帧。可以在图像数据帧中的每个图像数据帧中检测动脉特征，比如钙负荷。可以对动脉特征进行评分。该评分可以是支架扩张不足风险。该表示可以包括动脉特征的指示及其相应的评分。该指示可以是颜色编码的指示。

Description

用于提供冠状动脉钙负荷的纵向显示的装置和方法
相关申请的交叉引用
本申请要求于2019年8月5日提交的、题为LONGITUDINAL DISPLAY OF CORONARYARTERY CALCIUM BURDEN(冠状动脉钙负荷的纵向显示)的美国临时申请第62/883,066号的申请日的权益，该美国临时申请的公开内容在此通过参引并入本文中。
背景技术
通常，冠状动脉斑块是纤维化的、脂质的、钙化的、血栓性的或其某种组合。由于钙化斑块在支架植入术或血管成形术期间并不总是允许球囊完全扩张，因而钙化斑块对成功治疗构成特定风险，并且因此医生识别钙并对其进行适当治疗是至关重要的。通常，光学相干断层扫描(OCT)特别有助于识别每个横截面帧处的斑块组成。OCT和其他成像方式可以用于评估各种动脉特征。
冠状动脉斑块的钙化可能会防止支架完全扩张。扩张不足的支架会增加支架内再狭窄的风险和未来治疗的需要。因此，介入性心脏病专家认识到这种风险并相应地调整他们的治疗策略是至关重要的。然而，当前的标准实践和现有技术并没有为医生提供足够的工具来量化风险。血管造影和OCT有助于使钙沉积可视化，并且存在手动经验法则来估计扩张风险，但风险仍然是被量化不足且被低估的。
发明内容
本公开内容的一个方面涉及一种相对于第一回撤表示和第二回撤表示显示一个或更多个动脉特征的方法，所述方法包括由一个或更多个处理器接收第一组帧和第二组帧，由所述一个或更多个处理器检测所述第一组帧和所述第二组帧的每个帧中的动脉特征，由所述一个或更多个处理器对在所述第一组帧和所述第二组帧的每个帧中检测到的所述动脉特征进行评分，以及由所述一个或更多个处理器输出所述第一组帧和所述第二组帧的表示，其中，所述输出包括在所述第一组帧中的至少一个帧和所述第二组帧中的至少一个帧中检测到的动脉特征的评分之间的差异或者在所述第一组帧中的至少一个帧和所述第二组帧中的至少一个帧中检测到的动脉特征的变化的视觉指示。
所述第一组帧可以从第一回撤获得，并且所述第二组帧从与所述第一回撤不同的第二回撤获得。
所述方法还可以包括由所述一个或更多个处理器基于在所述第一组帧中的至少一个帧中检测到的所述动脉特征的评分和在所述第二组帧中的至少一个帧中检测到的所述动脉特征的评分将所述第一组帧中的至少一个帧与所述第二组帧中的至少一个帧对齐。输出表示可以进一步包括由所述一个或更多个处理器输出至少一个值、标记或视觉线索，并且所述至少一个值、标记或视觉线索可以包括颜色或散列。所述颜色可以是基于检测到的所述动脉特征的评分的颜色编码。检测到的所述动脉特征可以是钙负荷。对钙负荷进行评分可以基于确定的钙弧或确定的钙体积。
所述方法还可以包括由所述一个或更多个处理器基于评分的钙负荷来预测基于每帧的支架扩张。
本公开内容的另一方面涉及一种方法，所述方法包括由一个或更多个处理器接收包括血管段的图像数据的一个或更多个帧，由所述一个或更多个处理器检测所述一个或更多个帧中的每个帧中的动脉特征，由所述一个或更多个处理器对所述一个或更多个帧中的每个帧中的所述动脉特征进行评分，由所述一个或更多个处理器基于动脉特征评分来识别感兴趣的区域，并且由所述一个或更多个处理器基于所述动脉特征评分来输出所述血管段的表示，所述表示包括所述感兴趣的区域的评分的视觉指示。
检测到的所述动脉特征可以是钙负荷。所述动脉特征评分可以是扩张不足评分。扩张不足风险可以由所述一个或更多个处理器使用机器学习模型来确定。所述机器学习模型可以对多个病例的经皮冠状动脉介入治疗(“PCI”)前数据和PCI后数据进行比较。所述扩张不足风险可以是支架扩张不足风险。所述支架扩张不足风险的视觉指示可以是颜色编码指示。所述颜色编码指示可以基于所述扩张不足风险的严重性。
对所述一个或更多个帧中的每个帧中的所述动脉特征进行评分可以基于滑动窗口测量值。所述评分的视觉指示可以是与血管的所述表示的纵向轴线平行并且沿着所述感兴趣的区域延伸的条。所述条可以基于所述动脉特征评分进行颜色编码。所述动脉特征评分可以是是支架扩张不足风险。
附图说明
图1A是根据本公开的各方面的示例系统。
图1B是根据本公开的各方面的多个界面组件的示例。
图2A是现有的示例评分方法。
图2B是图2A的评分方法的示例图形表示。
图2C是图2B的评分方法的根据本公开的各方面的示例图形表示。
图3是根据本公开的各方面的示例显示。
图4是根据本公开的各方面的示例显示。
图5是根据本公开的各方面的示例系统。
图6是根据本公开的各方面的示例血管。
图7是根据本公开的各方面的多个界面组件的示例。
图8A和图8B是交叉验证结果的示例图形表示。
图9A是根据本公开的各方面的示例显示。
图9B是根据本公开的各方面的示例界面组件。
图10是根据本公开的各方面的示例显示。
图11是图示了根据本公开的各方面的输出血管的表示的方法的流程图。
具体实施方式
详细描述的一些部分是根据诸如计算机存储器内的数据位上的操作的符号表示和算法之类的方法来呈现的。这些算法描述和表示可以由计算机和软件相关领域的技术人员使用。在一个实施方式中，算法在本文中并且通常被认为是导致期望结果的自洽操作序列。在方法停止时执行的操作或本文中以其他方式描述的操作是需要物理量的物理操纵的操作。通常，尽管不是必须的，但是这些量采用能够被存储、传输、组合、转换、比较和以其他方式操纵的电或磁信号的形式。
本文中提出的算法和显示与任何特定的计算机或其他设备没有内在的关系。各种通用系统可以与根据本文中的教导的程序一起使用，或者其可以证明构造更专业的设备来执行所需的方法步骤是方便的。各种这些系统所需的结构将在下面的描述中呈现。
本公开内容的方面、实施方式、特征、和示例应当被认为在所有方面中均是说明性的，而非意在限制本公开内容，本公开内容的范围仅由权利要求限定。在不背离所要求保护的发明的精神和范围的情况下，其它实施方式、改型和用途对于本领域技术人员而言将是明显的。
在本申请中使用标题和章节并非意味着限制本发明；每个章节可以应用于本发明的任意方面、实施方式、或特征。
贯穿本申请，在成分被描述为具有、包括、或包含特定组分的情况下，或者在过程被描述为具有、包括、或包含特定过程步骤的情况下，可以设想的是，本教示的成分也基本或确实由所列组分构成，并且本教示的过程也基本或确实由所列过程步骤构成。
在本申请中，在元件或组件据称被包括在和/或选自于所列元件或组件的清单的情况下，则应当理解的是，该元件或组件可以为所列元件或组件中的任一者，并且可以选自于由两个或更多个所列元件或组件所构成的组。进一步地，应当理解的是，无论在本文中明示或是暗示，在不背离本教示的精神和范围的情况下，本文中所述的成分、设备、或方法的元件和/或特征可以按各种方式组合。
除非另有明确说明，否则术语“包括”、“包括有”、“包含”、“具有”、“具备”或“含有”的使用通常应理解为开放式和非限制性的。
除非另行具体指出，否则本文中的单数的使用包括复数(并且反之亦然)。另外，除非上下文中另行明确指出，否则单数形式的“一”、“一个”和“该”包括复数形式。此外，除非另行具体指出，否则在数量值之前使用术语“约”的情况下，本教示还包括具体数量值本身。如本文所用，术语“约”是指相对于标称值±10％的变化。本文公开的所有数值和范围都被认为在每个值之前包括“约”。
应当理解的是，各步骤的顺序或者执行特定动作的顺序并不重要，只要本教示仍然可操作即可。另外，两个或更多个步骤或动作可以同时进行。
在提供值的范围或清单的情况下，在所述值的范围或清单的上限与下限之间的每个中间值是独立设想的并且涵盖在本发明的范围内，如同每个值在本文中具体列举。此外，在给定范围的上限与下限之间且包括上限和下限的更小范围被设想并且涵盖在本发明的范围内。对示例性值或范围的列举并未放弃在给定范围的上限与下限之间且包括上限和下限的其它值或范围。
引言
系统和方法可以通过血管内成像回撤(pullback)来执行特征检测和相对成像数据集的对齐。例如，血管内成像回撤可以是OCT回撤或血管内超声(“IVUS”)回撤。可以在对应于不同动脉事件或治疗的一个或更多个时间点处获取成像数据集。可以基于成像数据集来显示动脉的一种或更多种表示。所述表示可以包括在对一个或更多个(一组或子集)图像数据帧执行钙检测之后识别钙负荷的指示。可以向用户显示一个或更多个表示。
图像处理技术和/或机器学习可以检测图像数据中的钙。可以使用对齐特征的各种窗口或库来拉伸和对齐回撤的帧。可以使用各种输入或约束来通知或优化对齐，比如：使用管腔数据帧或其他数据拉伸回撤以便使对齐最大化的灵活性、排列钙边缘的点、排列支架的点、以及排列侧分支(SB)的点。
可以对感兴趣的钙、或者其他特征或组织品质进行检测。然后可以将检测到的特征识别为集群或组。可以相对于一个或更多个随时间的回撤来显示检测到的特征的集群或组。例如，可以在治疗前、治疗后、支架植入前、支架植入后、动脉切除术前、动脉切除术后、血管成形术前、血管成形术后、优化后等进行回撤。根据一些示例，可以在支架植入术之后和/或在医生已经用各种球囊直径和压力进一步使支架膨胀之后进行回撤。可以使用在每个帧中标识的共同特征来对齐回撤。共同特征可以包括例如侧分支、支架、现有支架和使用本文中公开的技术的其他特征。
可以显示与管腔轮廓、检测到的支架、最小管腔面积的测量值、平均管腔面积、最小支架面积(“MSA”)等有关的信息。该显示还可以包括与钙负荷有关的风险水平。在一些示例中，风险水平可以是由钙负荷引起的支架扩张不足风险。可以基于确定的钙负荷来自动地估计和/或计算支架扩张不足风险。
显示可以包括血管的纵向视图。根据一些示例，显示可以突出显示血管中的钙负荷区域。钙负荷以病变开始。病变可能以脂质开始，并且可能逐渐硬化成纤维化斑块和钙化斑块的组合。随着病变钙化，病变可能会变硬并可能变得更加抵抗支架扩张。可以使用不同的钙评分技术来改进比如在哪里放置支架或在哪里进行血管成形术或动脉切除术之类的决策。
显示还可以包括血管比如冠状动脉的OCT回撤内的钙负荷的视图。可以显示各种不同的输出。例如，可以有一个或更多个水平图表。水平图表可以包括用于识别显示的颜色的符号说明(key)。然而，在一些示例中，显示可能不包括符号说明，因为显示可以是彩色显示，因此可能不需要符号说明。
图表可以绘制钙负荷，其中，x轴上为OCT回撤帧数，并且y轴上为钙负荷水平。图表可以图示在回撤期间示出的八种不同的钙化斑块。据称，只有一个钙化斑块可以是高红色“R”。标识为红色“R”的钙化斑块可以指示该钙化斑块在确定治疗前和/或治疗后计划时应当被查看。根据一些示例，标识为红色“R”的钙化斑块可以是可能对支架扩张造成问题的钙化斑块。其他标记的钙化斑块比如标记为橙色“O”的钙化斑块可以指示该钙化斑块在确定治疗前和/或治疗后计划时可能值得查看。标记为绿色“G”的钙化斑块可以是将不太可能对支架扩张造成问题的钙化斑块，并且因此在确定治疗前和/或治疗后计划时可能不值得查看。
示例系统
图1A图示了用于收集血管内数据的数据收集系统100。该系统可以包括可以用于对血管102进行成像的数据收集探头104。未示出的导丝可以用于将探头104引入到血管102中。探头104可以在收集数据时沿着血管长度被引入和拉回。随着探头104被拉回或缩回，可以收集多个扫描或OCT和/或IVUS数据集。数据集或图像数据帧可以用于识别特征，比如钙。
探头102可以经由光纤106连接至子系统108。子系统108可以包括诸如激光器之类的光源、具有样本臂和参考臂的干涉仪、各种光路、时钟发生器、光电二极管以及其他OCT和/或IVUS组件。
探头102可以连接至光学接收器110。根据一些示例，光学接收器110可以是基于平衡光电二极管的系统。光学接收器31可以配置成接收由探头102收集的光。
子系统可以包括计算装置112。计算装置可以包括一个或更多个处理器113、存储器114、指令115、数据116以及一个或更多个模块117。
一个或更多个处理器113可以是任何常规处理器，比如市售微处理器。替代性地，一个或更多个处理器可以是专用装置，比如专用集成电路(ASIC)或其他基于硬件的处理器。尽管图1B在功能上将装置110的处理器、存储器和其他元件图示为位于同一方块内，但本领域普通技术人员将理解的是，处理器、计算装置或存储器实际上可以包括可能存储在同一物理壳体内或可能不存储在同一物理壳体内的多个处理器、计算装置或存储器。类似地，存储器可以是位于与装置112的壳体不同的壳体中的硬盘驱动器或其他存储介质。因此，对处理器或计算装置的引用将被理解为包括对可能并行运行或可能不并行运行的处理器或计算装置或存储器的集合的引用。
存储器114可以存储可由处理器访问的信息，包括可以由处理器113执行的指令115，以及数据116。存储器114可以是可操作成存储可由处理器113访问的信息的存储器类型，包括非暂时性计算机可读介质、或存储可以借助于电子装置读取的数据的其他介质，比如硬盘驱动器、存储卡、只读存储器(“ROM”)、随机存取存储器(“RAM”)、光盘以及其他可写和只读存储器。本文中公开的主题可以包括前述内容的不同组合，由此指令101和数据119的不同部分存储在不同类型的介质上。
存储器114可以由处理器113根据指令115来检索、存储或修改。例如，尽管本公开不受特定数据结构的限制，但是数据115可以在计算机寄存器中、在关系数据库中存储为具有多个不同字段和记录、XML文档或平面文件的表。数据115也可以被格式化为计算机可读格式，比如但不限于二进制值、ASCII或Unicode。仅作为进一步的示例，数据115可以存储为由像素组成的位图，这些像素被存储为压缩或未压缩格式、或各种图像格式(例如，JPEG)、基于矢量的格式(例如，SVG)或用于绘制图形的计算机指令。此外，数据115可以包括足以识别相关信息的信息，比如数字、描述性文本、专有代码、指针、对存储在其他存储器(包括其他网络位置)中的数据的引用或者由计算相关数据的函数使用的信息。
指令115可以是由处理器113直接执行的任何指令集，比如机器代码，或者是由处理器113间接执行的任何指令集，比如脚本。在这方面，术语“指令”、“应用”、“步骤”和“程序”在本文中可以互换使用。指令可以以目标代码格式存储以供处理器直接处理，或者以任何其他计算装置语言存储，包括脚本或按需解释或提前编译的独立源代码模块的集合。下面更详细地说明指令的功能、方法和例程。
模块117可以包括斑块比如钙斑块检测模块、显示模块、支架检测或其他检测和显示模块。例如，计算装置112可以访问钙化检测模块以用于检测血管中的钙斑块的存在。根据一些示例，模块可以包括图像数据处理管线或其组件模块。图像处理管线可以用于将收集的OCT数据转换成二维(“2D”)和/或三维(“3D”)视图和/或血管、支架和/或检测区域的表示。
计算装置112可以包括机器学习模块。来自先前病例的图像数据可以被收集并存储在数据116中。可以分析先前病例的每一帧以确定钙负荷和对支架扩张不足的影响。分析的信息可以被存储并用作机器学习模型的输入。机器学习模型可以预测支架扩张不足风险。下面关于图5进一步描述机器学习模型。
子系统108可以包括用于向用户输出内容的显示器118。如所示出的，显示器118与计算装置112分离，然而，根据一些示例，显示器118可以是计算装置112的一部分。显示器118可以输出与在血管中检测到的一个或更多个特征相关的图像数据。例如，输出可以包括但不限于横截面扫描数据、纵向扫描、直径图、图像掩模、管腔边界、斑块大小、斑块周长、斑块位置的视觉标记、支架扩张风险的视觉标记等。显示器118可以用文本、箭头、颜色编码、突出显示、等高线或其他合适的人或机器可读标记来识别特征。
根据一些示例，显示器118可以是图形用户界面(“GUI”)。一个或更多个步骤可以自动执行或无需用户输入来导航图像、输入信息、选择和/或与输入交互等。单独或与计算装置112结合的显示器118可以允许响应于用户输入而在一种或更多种观看模式之间切换。例如，用户可能能够在显示器118上的不同侧分支之间切换，比如通过选择特定侧分支和/或通过选择与特定侧分支相关联的视图。
在一些示例中，单独或与计算装置112结合的显示器118可以包括菜单。该菜单可以允许用户显示或隐藏各种特征。可以存在多于一个的菜单。例如，可以存在用于选择要显示的血管特征的菜单。另外或替代性地，可以存在用于选择显示器的虚拟摄像机角度的菜单。
图1B图示了可以在显示118B上显示的各种界面组件。如图1B所示，显示118B可以包括四个不同的界面组件。图表10可以在单个帧中以笛卡尔坐标显示OCT图像。如所示出的，图表10可以显示与检测到的椭圆管腔边缘重叠的帧92。图表20可以以管腔为中心的笛卡尔坐标显示同一帧(帧92)的组织表征。管腔可以显示为灰色，导丝阴影可以为深灰色，介质为红色，并且钙为白色。在该示例中，帧92不包括任何检测到的可见介质。显示器可以根据显示器的类型以不同的颜色显示这些特征中的每个特征。例如，如果显示器是黑白的，则可以以灰度显示特征。在显示器是彩色显示器的示例中，可以以任何预定的或用户偏好的颜色来显示特征。图表10、20可以显示帧92中的钙的角度范围和厚度。例如，图表20可以以弧“Ca Arc 1”和“Ca Arc 2”来表示角度范围和厚度。
图表30、40可以利用x轴上的帧数和y轴上的每帧测量值来显示纵向数据。图表50可以显示管腔区域的纵向视图以及突出显示的侧分支SB。图表30、40、50可以对齐成使得图表50中的帧在视觉上低于图表30、40中的同一帧或与图表30、40中的同一帧对齐。图表50可以包括第一参考帧“RF1”、第二参考帧“RF2”和GUI参考帧的指示。可以基于机器学习模型或由用户选择参考帧。参考帧RF1、RF2、GUI可以用于计算和/或在被选择时在屏幕上示出各种其他视图。
图表30可以图示由心血管研究基金会(“CRF”)的Fujino,A.等人在“预测支架扩张不足的新的基于光学相干断层扫描的钙评分系统”(A New Optical CoherenceTomography-based Calcium Scoring System to Predict Stent Underexpansion)，(13(18)EUROINTERVENTION e2182-e2189(2018年4月6日))中开发的钙化风险评分。图表30可以通过针对每一帧识别最大的钙沉积物并以degree·mm为单位测量其总径向面积来确定。厚度(mm)可以限制为不超过1mm，因为OCT组织穿透以及一些示例中的钙检测精度在1mm之后可能会受到限制。该钙径向区域成为图表中显示的条的高度，并且可以与每帧中的支架扩张不足风险相关。图表40中由“R”、“O”和“G”标识的条的颜色可以与25帧(5mm)纵向窗口中的平均径向面积相关。图表40可以提供由相邻的重钙帧造成的累积风险的信息视图。例如，图表40可以提供示出钙负荷的附加或替代方式。图表30中使用的颜色可以对应于图表30中使用的颜色。图表30中的条可以在达到180°×0.5mm＝90degree-mm的滑动窗口径向区域时为全红色。
图2A至图2C图示了可以如何基于图表30对帧进行评分、分析和/或显示的示例。图2A引用自Fujino,A.等人的上述文章。
图2A包括血管段228和与图像数据的帧220相对应的横截面图像。可以确定帧220内的钙的最大角度222和/或最大厚度224。另外或替代性地，可以基于血管228的纵向表示来确定钙221的长度226。
可以分析每个帧。对于每个帧，可以计算以下各项中的一项或更多项：
1.如果帧中的最大钙弧大于180°，则帧评分加2分，否则帧评分加2*arc_degrees/180分；
2.如果帧中的最大钙弧具有的厚度大于0.5mm，则帧加1分，否则帧加l*thickness_mm/0.5分；
3.如果钙沉积物的长度大于5mm(约25帧)，则有沉积物的每帧加1分，否则有沉积物的每帧加l*length_mm/5分；
4.如果多帧钙沉积物获得的钙评分为4，则将针对该沉积物显示的所有区域都涂成红色。2分和3分为橙色，并且1分为绿色。
基于OCT的钙评分是基于关于图2A描述的一种或更多种计算的。例如，基于OCT的钙评分可以是零(0)分与四(4)分之间的值。评分可以基于最大钙角度、最大钙厚度和/或钙长度。在最大钙角度小于或等于180度的示例中，评分可以是零分。在最大钙角度大于180度的示例中，评分可以是两分。在最大钙厚度小于或等于0.5mm的示例中，评分可以是零分。在最大钙厚度大于0.5mm的示例中，评分可以是1分。在钙长度小于或等于5.0mm的示例中，评分可以是零分。在钙长度大于5.0mm的示例中，评分可以是1分。总评分可以基于最大钙角度、最大钙厚度和钙长度中的一者或更多者的各个评分来确定。实际测量值和/或阈值可以根据机器学习模型而改变。机器学习模型可以通过病例研究输入来确定这些因素的系数，因为它们与支架扩张有关。评估和评分可以由医师完成。然而，本文描述的系统和方法可以使评估和评分自动化。计算装置112可以使用图1B的图表比如图表30来应用评估标准并提供自动评分。
根据一些示例，可以使用滑动窗口测量值来计算钙评分。滑动窗口测量值可以包括围绕线的每个给定点的窗口或范围。重新计算每个点时，窗口可以沿线向下滑动。根据一些示例，对于每一帧，可以通过考虑钙化斑块的全长来重新计算风险评分。在一些示例中，另外或替代性地，可以基于每个特定帧中的钙厚度和/或钙角度来重新计算风险评分。滑动窗口测量值可以通过将以mm为单位的钙长度乘以以mm为单位的钙厚度并且乘以以度为单位的钙角度来计算。例如，等式可以是：
滑动窗测量值＝钙长度×钙厚度×钙角度
径向面积可以通过将钙厚度乘以钙角度来确定。径向总和可以在5mm窗口中测量。然而，5mm窗口仅仅是一个示例，因为窗口可以大于或小于5mm，并且因此并不意味着限制。
图2B图示了计算基于OCT的评分的示例的图形表示200C。CRF评分为4分的病变可能表明支架没有扩张不足。根据一些示例，CRF评分为4的病变可能不会比低评分病例更频繁地扩张不足(<80％)：(50±16％相比于53±12％)。在一些示例中，CRF评分为4的病变可能需要50％的时间进行额外优化(而在低评分情况下为13％)。
图2C图示了计算钙体积的示例的图形表示200D。钙体积和支架扩张之间可能存在负相关。例如，与具有低钙体积的病例相比，大约67％的具有高钙体积的病例(>200deg×mm2)可以具有扩张不足的支架(<80％)与48％)。根据一些示例，与24％的低钙体积病例相比，大约50％的高钙体积病例在OCT之后可能需要额外优化。
图2C和图2D可以图示出窗口化钙体积可以比CRF评分更好地估计支架扩张不足风险。
图3图示了用于显示器的示例输出。支架部署前后的OCT回撤图像可以对齐成提供将钙负荷与支架扩张相关的信息。钙负荷与支架扩张之间的相关性可以允许医生或用户评定钙负荷在支架扩张中的作用。显示器318可以包括图表330、332、334、336。图表330可以显示与经皮冠状动脉介入治疗前(“PCI”)PCI钙有关的数据或帧，图表332可以显示与PCI前管腔有关的数据或帧，图表334可以显示与PCI后管腔有关的数据或帧，并且图表336可以显示与PCI后钙有关的数据或帧。分别为图表330、332的PCI前钙和管腔视图可以邻近于用于PCI后回撤的分别为图表334、336的钙和管腔视图显示。PCI后回撤视图可以包括支架区域337。
如所示出的，显示318包括W1、W2、W3、W4。每个窗口W1、W2、W3、W4可以具有不同的目的或提供检测到的特征的不同指示。根据一些示例，可以输出窗口以供显示。在其他示例中，不输出窗口以供显示。
窗口W1可以指示具有拉伸回撤以便使对齐最大化的灵活性的血管区域。窗口W2可以指示包括用于排列钙的点的血管区域。窗口W3可以指示包括用于排列支架的点的血管区域。窗口W4可以指示包括用于排列侧分支的点的血管区域。虽然窗口在图3中示出，但这只是为了帮助说明输出，并且因此窗口可以不会为了显示而被输出。
显示可以包括血管区域的指示，在该血管区域中，预处理的程度、比如在支架植入术之前使用球囊的血管成形术可以影响钙负荷影响的降低。
该系统可以使用Needleman-Wunsch算法或Needleman-Wunsch算法的修改版本来进行评分，以尝试排列钙、预先存在的支架、侧分支和相对管腔面积。根据一些示例，候选对齐因具有以下各项中的至少一项而得分：
1.帧中的与钙相似的弧度数：min(pre,post)/max(pre,post,60°)；
2.帧中的总直径相似的侧分支：min(pre,post)/max(pre,post,0.5mm)；
3.帧中的相似的相对管腔面积：min(rla_pre,rla_post)/max(rla_pre,rla_post,0.1)，其中，rla_pre和rla_post是帧中的相对管腔面积，计算为：
rla_pre[f]＝(f处的管腔面积)/(F'处的管腔面积)
rla_post[f]＝(f处的管腔面积)/(F处的管腔面积)
其中，F是PCI后回撤中的近端参考帧，并且F'是该候选对齐中对应于F的PCI前帧。
该算法可能不匹配支架区域中的钙或管腔区域，因为支架植入的动作可能改变钙和管腔轮廓。根据一些示例，可以通过使用误差范围或其他统计校正来补偿支架植入区域中的钙或管腔区域不匹配。
图4图示了示例显示。显示418可以包括图示血管的CFR评分的图表440、图示血管的PCI前钙的图表430、图示血管的2D纵向表示的图表442、图示血管的PCI后管腔的图表434、以及图示锥形扩张的图表444。根据一些示例，当侧分支使血流转向时，可以通过基于从血管的近端到远端的自然锥度重新计算每个帧的适当参考区域来确定锥形扩张。图表430可以使用上述滑动窗口测量值。另外或替代性地，图表430可以基于在图表40中绘制的窗口化钙体积。图表430可以类似于图1B中所示的图表40。图表442可以类似于图1B中所示的图表50。图表434可以类似于图1B的图表50，但是相反，图表434可以仅显示在已经部署支架之后的血管的相同区域。
根据一些示例，显示可以指示或识别检测到的钙的区域。如支架扩张阈值图中的局部最小值所示，通过限制支架扩张量，检测到的钙的识别区域可以代表与支架扩张负相关。可以图示锥形扩张的图表444可以示出管腔轮廓的变化，如使用回撤的近端和/或远端任一端的参考帧所计算的。
虽然未在显示418的图表440、430、442、434、444上示出，但是红色区域可以指示在对血管进行支架植入时可能需要考虑的高钙负荷或增加的钙负荷。绿色区域可以指示减少的钙负荷或低钙负荷。在一些示例中，橙色区域“O”可以指示钙负荷的中间区域或使用横截面1-模式的其他视图、以及其他血管内视图和分析，在所述中间区域中，钙负荷的影响可能需要进一步分析。应当理解的是，这仅仅是一个示例，并且在其他示例中，可以使用不同的配色方案对风险进行颜色编码。
支架扩张不足
上文和本文所述的钙负荷可以用于估计支架扩张不足风险。可以使用经训练的机器学习(“ML”)模型来估计支架扩张不足风险。每个训练示例可以是来自临床试验和/或来自现场的病例。ML模型可以比较每个病例的PCI前信息和PCI后结果。ML模型估计可以用于为医生或最终用户提供扩张不足风险的定量评定。
图5图示了示例系统500，该系统500使用来自过去PCI的数据来预测未来患者的支架扩张不足风险。系统500可以包括开发环境552和导管实验室560。虽然示出为导管实验室560，但是导管实验室560可以是医生将支架插入或植入到患者体内的任何位置。例如，导管实验室可以在医院、门诊手术位置等。因此，将该位置标识为导管实验室560仅仅是一个示例而不意在进行限制。
开发中心552可以包括训练数据库5545、机器学习系统556和经训练的预测模型558A。训练数据库可以包含多个级别的PCI信息。例如，训练数据库554可以包括来自已发布临床研究的粗略统计、来自临床试验的关于个体PCI的记录和图像、以及在现场收集的关于PCI的数据。这些数据可以是输入-输出对的形式，其中，病例的输入是在准备好目标血管和部署支架之前可观察到的所有信息，并且输出是由此产生的支架扩张和其他结果(并发症、重新住院、TVR等)。输入-输出对可以是一个或更多个图像帧。根据一些示例，输入可以是在目标血管准备好之前的目标血管的多个图像，并且输出可以是在支架扩张之后的目标血管的多个图像等。输入的多个图像可以对应于输出的多个图像，使得输入的多个图像的第一帧与输出的多个图像的第一帧来自目标血管内的相同位置。
机器学习系统556可以学习或建模这些输入与输出之间的关系。例如，机器学习系统556可以检测来自多个输入和输出图像中的每一者的不同值。对于多个输入和输出图像中的每一者，这些值可以包括但不限于钙角度、最大厚度、支架扩张百分比等。这些值中的每一者都可以用于随后预测支架扩张不足风险水平。根据一些示例，机器学习系统556可以通过调节内部参数来学习该关系以使其输出预测中的误差最小化。
根据一些示例，诸如逻辑回归之类的线性模型可以调节作为置于每个预测器属性上的乘法权重的内部参数。例如，一个模型可能是：
扩张＝(W1)*(钙)+(w0)
扩张可以是要预测的支架扩张百分比。钙可以是最大窗口钙体积。“W1”和“w0”可以是算法可以调节以最适合训练数据的数值。
在一些示例中，机器学习系统可以学习任意数量的决策树，使得其内部参数可以是管理每棵树的规则。在一个示例中，机器学习系统可以确定的是，当钙体积小于0.3时，可以预测良好的扩张。
在一些示例中，当机器学习系统556调节模型参数以使预测误差最小化时，机器学习系统556可以重新运行557数据以创建附加模型。
由机器学习系统556创建的模型可以是经训练的预测模型558。经训练的预测模型558可以预测支架扩张不足风险。可以将经训练的预测模型558发送至导管实验室560。根据一些示例，可以经由网络共享经训练的预测模型558。在导管实验室560中，经训练的预测模型558可以使用和/或获取关于新目标病变562的信息，并生成支架扩张预测564以支持医师完善他们的干预策略。支架扩张预测564可以包括支架扩张不足风险。
图6图示了血管600中的可以作为目标的示例病变。病变“Y”可以是厚的偏心的钙沉积物。病变“O”可能是厚的周向钙沉积物。病变“G”可以是薄的偏心的钙沉积物。根据一些示例，在显示器上，病变“Y”可以被颜色编码为黄色，病变“O”可以被颜色编码为橙色，并且病变“G”可以被颜色编码为绿色。
根据一些示例，病变钙化可以是偏心的，其中，钙化仅在血管的一侧、或在周向上，使得钙化围绕血管的内周分布。周向钙可能对支架扩张造成最大风险，因为周向钙可能会阻止支架球囊在所有方向上扩张。并非所有的钙都会抵抗支架扩张。一些钙可能足够薄，使得支架可能会扩张通过这些钙。一些钙可能无法在血管周围形成足够大的弧，从而允许支架在一个或更多个铰接点处突破钙。一些可能更多是在脂质和/或纤维基质中具有钙沉积物的混合斑块类型。
图7图示了可以输出至显示器718的多个界面组件的示例。多个界面组件可以用于确定血管中的病变。帧710可以是具有钙化病灶的冠状动脉的单个横截面帧的OCT图像。帧720可以是帧710的组织特征，包括钙772、导丝阴影774和识别的管腔776。输出770可以是钙的表面投影。在一些示例中，每个像素的水平位置可以指示纵向帧位置。另外或替代性地，每个竖向位置可以指示围绕管腔中心的角位置。以灰度示出的像素强度可以指示该帧和弧处的钙厚度。输出758可以指示回撤上的管腔直径。标记777可以指示管腔直径估计可能具有较大误差的帧。标记778可以指示检测到的侧分支。标记779可以指示在横截面帧710、720中显示的帧。
对于要植入支架的血管区域，可以为OCT回撤的那个区域生成组织特征。帧中的像素可以被识别为钙。根据被识别为钙的像素，可以在围绕血管腔中心的每个径向角处测量钙的厚度。帧720可以包括大于0.0mm厚的360度钙。根据一些示例，帧[右上]可以包括大于0.8mm厚的45度钙和大于1.0mm厚的0度钙。帧720可以用作机器学习模型中的输入特征向量。根据一些示例，当在这些阈值处测量钙的最大连续弧时，可以使用六个厚度阈值。例如，阈值可以是0.0mm、0.2mm、0.4mm、0.6mm、0.8mm和1mm。然而，阈值可以是以毫米为单位的任何值，比如0.1、0.25等。因此，阈值0.0mm、0.2mm、0.4mm、0.6mm、0.8mm和1mm仅是六个阈值的一个示例，而不意在进行限制。
使用相对于帧720的示例阈值0.0mm、0.2mm、0.4mm、0.6mm、0.8mm和1mm，可能存在大于0.0mm厚的360度的钙，但仅45度的该钙可以大于0.8mm厚，并且0度的该钙可以大于1.0mm厚。基于六个阈值的帧720的弧的向量可以是360、360、210、180、45和0。
支架扩张可能受钙影响，但也受一种或更多种其他因素影响。例如，最大球囊直径、最大球囊压力、球囊/动脉直径比、粗血管位置包括LAD、LCX和RCA、管腔参考面积、最小管腔面积、狭窄百分比、狭窄除以最大球囊压力、最小管腔面积除以最大球囊面积、支架长度、管腔偏心率、测量为管腔边缘与帧中的第一钙像素之间的以mm为单位的组织量的钙深度等。这些因素中的一个或更多个因素可以用作机器学习模型中的输入。
图8A和图8B图示了用于机器学习模型预测支架扩张良好还是不良的交叉验证结果的示例。对于该示例，如果支架具有大于90％的扩张，则支架扩张良好，而如果支架具有小于70％的扩张，则支架扩张不良。
如图8A中所示，具有扩张支架[蓝色]的病例可以收到低风险估计，而可能发现具有不良扩张支架[红色]的病例具有较高的风险估计。
图8B涉及在不同阈值下的特异性和敏感性。机器学习算法可以预测数字比如扩张率或类别标签(比如扩张良好或扩张不良)。如所示出的，图8B可以示出当算法产生数字评分而不仅仅是标签预测时分类器的性能。分类器可以来自预测类别标签的算法。曲线上的每个点都可以代表不同决策阈值的性能。例如，在评分为0.9时，敏感性可以是0.9，并且特异性可以是0.7。
根据一些示例，风险评定或支架扩张不足风险可以作为概率显示在显示器或GUI上。例如，显示器上可以显示支架具有80％的不良扩张变化。
图9A图示了包括风险评定的示例显示。显示918可以包括血管的纵向表示984、纵向表示984内的选定帧980、以及信息显示982。纵向表示984可以包括识别选定帧980的指示或标记981。信息显示可以包括选定帧980中的钙的总角度、选定帧980中的钙的最大厚度、以及风险评定987。
风险评定987可以包括支架扩张不足风险的指示或警告。在支架扩张不足的高风险的示例中，风险评定987可以包括如所示出的警告符号或停止标志。在支架扩张不足的低风险的示例中，风险评定987可以包括绿灯或未示出的“OK”符号。风险评定987可以被颜色编码，使得支架扩张不足的高风险可以用红色写出以提醒医生，而支架扩张不足的低风险可以用绿色写出以向医生给予“OK”。虽然高风险可以与红色相关而低风险可以与绿色相关，但风险评定987可以使用任何颜色系统，包括灰度。
纵向视图984可以另外或替代性地包括风险评定986。纵向风险评定986可以示出为纵向视图之上或之下的指示，比如条。纵向风险评定986可以被颜色编码，使得一种颜色表示高风险而另一种颜色表示低风险。纵向风险评定986的颜色编码可以对应于风险评定987的颜色编码。例如，红色纵向风险评定可以是高风险并且绿色纵向风险评定可以是低风险。在一些示例中，可以存在其他颜色风险，比如橙色或黄色，这可以是中等风险或应当考虑的风险。根据一些示例，纵向视图984内的各个帧可以被颜色编码或突出显示。颜色编码和/或突出显示可以类似于用于纵向风险评定986的颜色编码。
根据一些示例，显示器918可以另外或替代性地包括直方图，例如图9B中所示的直方图988。直方图988可以图形地呈现关于类似病例的支架扩张的信息。如所示出的，直方图988图形地图示了类似病例的支架扩张百分比和病例数量。如上所述，可以基于机器学习模型来确定类似病例。
用于创建直方图的数据可以基于相似性度量。根据一些示例，相似性度量可以基于选定的机器学习模型而改变。例如，如果选择像回归这样的线性模型，则可以使用由逻辑回归的系数加权的欧几里得距离度量。另外或替代性地，如果选择决策树集合，则可以基于落入与测试病例相同的叶节点的病例来生成直方图。在任一情况下，无论选择线性模型还是决策树集合，每个直方图均可以通过针对不同球囊大小和压力显示风险估计来增强。这可以为用户提供关于是否可以通过选择球囊来减轻风险的一些想法。
图10图示了包括风险评定和预测的支架扩张的示例显示器。类似于图9中所示的显示器，显示器1018可以包括血管的纵向表示1084、纵向表示1084内的选定帧1080、信息显示1082、以及预期扩张显示1092。纵向表示1084可以包括识别选定帧1080的指示或标记1081。虽然未示出，但是显示器1018可以另外或替代性地包括上述界面组件中的一个或更多个界面组件。例如，显示器1018可以包括如图9A所示的支架扩张风险或如图9B所示的直方图。
信息显示1082可以包括关于钙负荷的信息，比如总角度和最大厚度。然而，这仅仅是一个示例。信息显示1082可以包括与任何动脉特征有关的信息，比如可见介质、脂质斑块或薄帽纤维粥样斑的存在、管腔直径和偏心率的测量值等。可见介质可以包括外部弹性层。
预期扩张显示1090可以是基于检测到的动脉特征的预测支架扩张。例如，可以基于从一次或更多次回撤获得的图像数据来确定钙负荷。预期扩张可以显示为预期扩张的百分比，比如所示的70％。另外或替代性地，箱形图1094可以包括在预期扩张显示1092中。箱形图1094可以指示可能扩张的范围。
图11示出了输出血管的表示的示例方法。以下操作不必按照下面描述的精确顺序执行。相反，可以以不同的顺序或同时处理各种操作，并且可以添加或省去操作。
例如，在框1110中，一个或更多个处理器可以接收包括血管段的图像数据的一个或更多个帧。可以在一次或更多次成像回撤期间获得帧。例如，可以在治疗前、治疗后、支架植入前、支架植入后、动脉切除术前、动脉切除术后、血管成形术前、血管成形术后、优化后等进行回撤。根据一些示例，可以在支架植入之后和/或在医生利用各种球囊直径和压力使支架进一步膨胀之后进行回撤。
在框1120中，一个或更多个处理器可以检测一个或更多个帧中的每个帧中的动脉特征。根据一些示例，动脉特征可以是钙负荷、可见介质、脂质斑块或薄帽纤维粥样斑的存在、管腔直径和偏心率的测量值等。
在框1130中，一个或更多个处理器可以对一个或更多个帧中的每个帧中的动脉特征进行评分。该评分可以是支架扩张不足风险评分。评分可以使用机器学习模型来确定。机器学习模型可以比较每个病例的PCI前信息和PCI后结果。
在框1140中，一个或更多个处理器可以基于动脉特征评分来识别感兴趣区域。在评分是支架扩张不足风险评分的示例中，感兴趣区域可以是钙负荷区域。另外或替代性地，在评分是支架扩张不足风险评分的示例中，感兴趣区域可以是存在支架扩张不足的高、中或低风险的区域。
在框1150中，一个或更多个处理器可以输出血管段的表示，包括感兴趣区域的评分的视觉指示。该表示可以是二维和/或三维表示。评分的视觉指示可以是颜色编码指示。该指示可以基于动脉特征评分进行颜色编码。例如，如果评分是支架扩张不足风险评分，则指示的颜色可以是红色、黄色或绿色。红色指示可以指示存在支架扩张不足的高风险，黄色可以指示存在中风险，并且绿色可以指示存在支架扩张不足的低风险。在一些示例中，例如当显示器不是彩色显示器时，指示可以以灰度进行颜色编码。
指示可以呈与血管的表示的纵向轴线平行的条的形状，比如为矩形。该条可以在表示中延伸了动脉特征的长度。在动脉特征是钙负荷的示例中，该条可以在表示中延伸了钙负荷的长度。基于条的颜色，医生可以很快认识到钙负荷可能会或可能不会造成支架扩张不足风险。
用户工作流程
如上所述的计算装置可以帮助最终用户导航通过病变评定、支架尺寸确定、部署和部署后评定。例如，计算装置可以输出病变形态。输出的方式可以允许最终用户能够容易地评定病变形态。根据一些示例，输出可以包括血管段的颜色编码表示。颜色编码表示中的每种颜色均可以代表严重程度。另外或替代性地，颜色编码表示中的每种颜色可以表示基于动脉特征的预测、估计或确定的支架扩张不足风险。例如，动脉特征可以是钙负荷。颜色编码的风险估计可以激励、鼓励和/或允许用户调整他们的血管准备和/或支架植入策略。例如，如果钙造成的风险较高，则用户可以看到血管的至少一部分是红色的，这表示高风险。根据一些示例，代替颜色编码或除了颜色编码之外，风险等级可以以灰度显示，如阴影线等。因此，颜色编码仅仅是一个示例而不意在进行限制。
通过快速且容易地评定由特定颜色表示的支架扩张不足的高风险，用户可以决定改变治疗计划。例如，如果钙负荷造成的风险较高并且用户看到很多红色，则用户可以选择在支架部署之前进行更积极的球囊膨胀或血管准备。在一些示例中，高风险可以向用户指示他们应当采用旋切术技术以在支架部署之前使用诸如切割球囊、评分球囊、轨道或旋转钻头、超声碎石术等技术去除或破坏钙。
根据一些示例，颜色编码表示可以允许用户放弃对特定病变的支架置入，而是专注于不同的病变，比如具有较高风险的病变。在一些示例中，用户可以基于颜色编码表示在支架部署之后执行更积极的后扩展。
基于颜色编码表示，计算装置可以提供建议的球囊尺寸和/或类型。例如，基于上述机器学习模型，计算装置可以基于类似病例预测并且因此建议球囊大小和/或类型。另外或替代性地，计算装置可以提供装置的建议用途。建议用途可以基于血管段的特定斑块形态。在一些示例中，装置的建议用途可以基于专注于每个病例基础上的装置用途的机器学习模型。

Claims (15)

1.一种方法，包括：
由一个或更多个处理器接收包括血管段的图像数据的一个或更多个帧；
由所述一个或更多个处理器检测所述一个或更多个帧中的每个帧中的动脉特征，其中所述动脉特征与扩张不足风险相关；
由所述一个或更多个处理器对所述一个或更多个帧中的每个帧中的所述动脉特征进行评分；
由所述一个或更多个处理器使用机器学习模型来确定所述扩张不足风险，其中所述机器学习模型将多个病例的经皮介入治疗前数据和经皮介入治疗后数据进行比较；
由所述一个或更多个处理器基于所述动脉特征的评分来识别感兴趣的区域；以及
由所述一个或更多个处理器基于所述动脉特征的评分来输出所述血管段的表示，所述表示包括所述感兴趣的区域的评分的视觉指示。
2.根据权利要求1所述的方法，其中，检测到的所述动脉特征是钙负荷。
3.根据权利要求1所述的方法，其中，所述扩张不足是支架扩张不足风险。
4.根据权利要求3所述的方法，其中，所述支架扩张不足风险的视觉指示是颜色编码指示。
5.根据权利要求4所述的方法，其中，所述颜色编码指示是基于所述扩张不足风险的严重性的。
6.根据权利要求1所述的方法，其中，对所述一个或更多个帧中的每个帧中的所述动脉特征进行评分是基于滑动窗口测量值的。
7.根据权利要求1所述的方法，其中，所述评分的视觉指示是与所述血管段的所述表示的纵向轴线平行的条并且沿着所述感兴趣的区域延伸。
8.根据权利要求7所述的方法，其中，所述条基于所述动脉特征的评分进行颜色编码。
9.根据权利要求8所述的方法，其中，所述动脉特征的评分是支架扩张不足风险。
10.一种装置，包括：
一个或多个处理器，所述一个或多个处理器被配置为：
接收包括血管段的图像数据的一个或更多个帧；
检测所述一个或更多个帧中的每个帧中的动脉特征，其中所述动脉特征与扩张不足风险相关；
对所述一个或更多个帧中的每个帧中的所述动脉特征进行评分；
使用机器学习模型来确定所述扩张不足风险，其中所述机器学习模型将多个病例的经皮介入治疗前数据和经皮介入治疗后数据进行比较；
基于所述动脉特征的评分来识别感兴趣的区域；以及
基于所述动脉特征的评分来输出所述血管段的表示，所述表示包括所述感兴趣的区域的评分的视觉指示。
11.根据权利要求10所述的装置，其中检测到的所述动脉特征是钙负荷或扩张不足风险。
12.根据权利要求11所述的装置，其中所述扩张不足是支架扩张不足风险。
13.根据权利要求10所述的装置，其中对所述一个或更多个帧中的每个帧中的所述动脉特征进行评分是基于滑动窗口测量值的。
14.根据权利要求10所述的装置，其中所述评分的视觉指示是与所述血管段的所述表示的纵向轴线平行的条并且沿着所述感兴趣的区域延伸。
15.一种非暂时性计算机可读介质，其存储能够由一个或更多个处理器执行的指令用以执行一方法，所述方法包括：
接收包括血管段的图像数据的一个或更多个帧；
检测所述一个或更多个帧中的每个帧中的动脉特征，其中所述动脉特征与扩张不足风险相关；
对所述一个或更多个帧中的每个帧中的所述动脉特征进行评分；
使用机器学习模型来确定所述扩张不足风险，其中所述机器学习模型将多个病例的经皮介入治疗前数据和经皮介入治疗后数据进行比较；
基于所述动脉特征的评分来识别感兴趣的区域；以及
基于所述动脉特征的评分来输出所述血管段的表示，所述表示包括所述感兴趣的区域的评分的视觉指示。
CN202080065256.4A 2019-08-05 2020-08-05 用于提供冠状动脉钙负荷的纵向显示的装置和方法 Active CN114424290B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310817422.7A CN116884580A (zh) 2019-08-05 2020-08-05 用于提供冠状动脉钙负荷的纵向显示的装置和方法

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962883066P 2019-08-05 2019-08-05
US62/883,066 2019-08-05
PCT/US2020/044995 WO2021026224A1 (en) 2019-08-05 2020-08-05 Longitudinal display of coronary artery calcium burden

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202310817422.7A Division CN116884580A (zh) 2019-08-05 2020-08-05 用于提供冠状动脉钙负荷的纵向显示的装置和方法

Publications (2)

Publication Number Publication Date
CN114424290A CN114424290A (zh) 2022-04-29
CN114424290B true CN114424290B (zh) 2023-07-25

Family

ID=72193584

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202310817422.7A Pending CN116884580A (zh) 2019-08-05 2020-08-05 用于提供冠状动脉钙负荷的纵向显示的装置和方法
CN202080065256.4A Active CN114424290B (zh) 2019-08-05 2020-08-05 用于提供冠状动脉钙负荷的纵向显示的装置和方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202310817422.7A Pending CN116884580A (zh) 2019-08-05 2020-08-05 用于提供冠状动脉钙负荷的纵向显示的装置和方法

Country Status (6)

Country Link
US (3) US11436731B2 (zh)
EP (1) EP4010874A1 (zh)
JP (1) JP2022543643A (zh)
CN (2) CN116884580A (zh)
CA (1) CA3146613A1 (zh)
WO (1) WO2021026224A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10813612B2 (en) 2019-01-25 2020-10-27 Cleerly, Inc. Systems and method of characterizing high risk plaques
US11819309B2 (en) * 2019-03-17 2023-11-21 Lightlab Imaging, Inc. Arterial imaging and assessment systems and methods and related user interface based-workflows
US20220392065A1 (en) 2020-01-07 2022-12-08 Cleerly, Inc. Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking
AU2021205821A1 (en) 2020-01-07 2022-07-21 Cleerly, Inc. Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking
US11969280B2 (en) 2020-01-07 2024-04-30 Cleerly, Inc. Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking
US20220192517A1 (en) * 2020-12-23 2022-06-23 Dyad Medical, Inc. Systems and methods for detection of plaque and vessel constriction
US20230289963A1 (en) 2022-03-10 2023-09-14 Cleerly, Inc. Systems, devices, and methods for non-invasive image-based plaque analysis and risk determination
CN115953495B (zh) * 2023-03-14 2023-08-01 北京唯迈医疗设备有限公司 基于二维造影图像的智能路径规划装置、系统和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171698A (zh) * 2018-02-12 2018-06-15 数坤（北京）网络科技有限公司 一种自动检测人体心脏冠脉钙化斑块的方法
TWM575602U (zh) * 2018-04-10 2019-03-11 臺北醫學大學 心臟血管鈣化或狹窄程度之自動報告產生系統

Family Cites Families (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7657299B2 (en) 2003-08-21 2010-02-02 Ischem Corporation Automated methods and systems for vascular plaque detection and analysis
WO2007109771A2 (en) 2006-03-22 2007-09-27 Volcano Corporation Automated lesion analysis based upon automatic plaque characterization according to a classification criterion
US8126238B2 (en) * 2006-11-22 2012-02-28 General Electric Company Method and system for automatically identifying and displaying vessel plaque views
US7907766B2 (en) 2007-01-02 2011-03-15 General Electric Company Automatic coronary artery calcium detection and labeling system
US8229201B2 (en) 2007-06-15 2012-07-24 General Electric Company Systems, methods and apparatus for plaque visualization and quantification using fuzzy and adaptive region classes
WO2009032206A1 (en) 2007-08-30 2009-03-12 Lahey Clinic Foundation, Inc. Methods for detection of vulnerable plaque with quantitative colorimetry during angioscopy
WO2010071896A2 (en) 2008-12-19 2010-06-24 Piedmont Healthcare, Inc. System and method for lesion-specific coronary artery calcium quantification
JP6181180B2 (ja) 2012-08-03 2017-08-16 ボルケーノ コーポレイション 脈管を評価するためのシステム
US9675301B2 (en) 2012-10-19 2017-06-13 Heartflow, Inc. Systems and methods for numerically evaluating vasculature
US9173591B2 (en) 2013-03-08 2015-11-03 Lightlab Imaging, Inc. Stent visualization and malapposition detection systems, devices, and methods
US9043191B2 (en) 2013-08-16 2015-05-26 Heartflow, Inc. Systems and methods for identifying personalized vascular implants from patient-specific anatomic data
US9805463B2 (en) 2013-08-27 2017-10-31 Heartflow, Inc. Systems and methods for predicting location, onset, and/or change of coronary lesions
CN103462696B (zh) 2013-09-17 2015-09-09 浙江大学 一种集成血管内光相干断层扫描(oct)影像和数字减影(dsa)影像的一体化在线实时处理仪
US9462987B2 (en) 2014-12-04 2016-10-11 Siemens Aktiengesellschaft Determining plaque deposits in blood vessels
CN106999076B (zh) 2014-12-08 2021-10-22 皇家飞利浦有限公司 脉管内损害的自动识别和分类
CN112315427A (zh) 2015-07-25 2021-02-05 光学实验室成像公司 血管内数据可视化方法
US11113812B2 (en) 2015-08-14 2021-09-07 Elucid Bioimaging Inc. Quantitative imaging for detecting vulnerable plaque
US11087459B2 (en) 2015-08-14 2021-08-10 Elucid Bioimaging Inc. Quantitative imaging for fractional flow reserve (FFR)
KR102490069B1 (ko) 2015-08-18 2023-01-19 삼성메디슨 주식회사 초음파 진단 장치 및 그 동작방법
US20170071671A1 (en) 2015-09-11 2017-03-16 Siemens Healthcare Gmbh Physiology-driven decision support for therapy planning
AU2017286744A1 (en) 2016-04-11 2018-11-01 Sensome Medical device making treatment recommendations based on sensed characteristics of a lesion
US10453191B2 (en) * 2016-04-20 2019-10-22 Case Western Reserve University Automated intravascular plaque classification
US10842589B2 (en) * 2017-03-21 2020-11-24 Canon U.S.A., Inc. Method for displaying an anatomical image of a coronary artery on a graphical user interface
US10825167B2 (en) 2017-04-28 2020-11-03 Siemens Healthcare Gmbh Rapid assessment and outcome analysis for medical patients
CN107945176B (zh) 2017-12-15 2021-05-11 西安中科微光影像技术有限公司 一种彩色ivoct成像方法
WO2019175032A1 (en) 2018-03-14 2019-09-19 Koninklijke Philips N.V. Scoring intravascular lesions and stent deployment in medical intraluminal ultrasound imaging
EP3764915A1 (en) 2018-03-15 2021-01-20 Koninklijke Philips N.V. Determination and visualization of anatomical landmarks for intraluminal lesion assessment and treatment planning
US10699407B2 (en) 2018-04-11 2020-06-30 Pie Medical Imaging B.V. Method and system for assessing vessel obstruction based on machine learning
CN109035215A (zh) 2018-04-27 2018-12-18 北京东方逸腾数码医疗设备技术有限公司 一种分叉病变中斑块负荷的分析方法
CN109036551B (zh) 2018-07-10 2021-05-11 北京心世纪医疗科技有限公司 一种冠状动脉生理学指标关系建立及应用方法、装置
US20200029932A1 (en) 2018-07-30 2020-01-30 Koninklijke Philips N.V. Systems, devices, and methods for displaying multiple intraluminal images in luminal assessment with medical imaging
WO2020025352A1 (en) 2018-07-30 2020-02-06 Koninklijke Philips N.V. Intravascular imaging procedure-specific workflow guidance and associated devices, systems, and methods
GB201906103D0 (en) 2019-05-01 2019-06-12 Cambridge Entpr Ltd Method and apparatus for analysing intracoronary images
FR3096497B1 (fr) 2019-05-23 2021-04-30 Paul Jean Francois Procédé, dispositif et support lisible par ordinateur pour classifier automatiquement une lésion coronarienne selon la classification CAD-RADS par un réseau de neurones profond
FR3096498B1 (fr) 2019-05-23 2021-04-30 Paul Jean Francois Procédé, dispositif et support lisible par ordinateur pour détecter automatiquement une sténose coronarienne hémodynamiquement significative
CN110222759B (zh) 2019-06-03 2021-03-30 中国医科大学附属第一医院 一种冠状动脉易损斑块自动识别系统
CN111265252A (zh) 2020-02-25 2020-06-12 上海市同仁医院 一种评估动脉粥样硬化斑块稳定性的方法
CN111768403A (zh) 2020-07-09 2020-10-13 成都全景恒升科技有限公司 一种基于人工智能算法的钙化斑块检测决策系统及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171698A (zh) * 2018-02-12 2018-06-15 数坤（北京）网络科技有限公司 一种自动检测人体心脏冠脉钙化斑块的方法
TWM575602U (zh) * 2018-04-10 2019-03-11 臺北醫學大學 心臟血管鈣化或狹窄程度之自動報告產生系統

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《Automatic Non-rigid Temporal Alignment of IVUS Sequences》;AYACHE N.等;《MEDICAL IMAGE COMPUTER AND COMPUTER-ASSISTED INTERVENTION-MICCAI 2012,MICCAI 2012,LECTURE NOTES IN COMPUTER SCIENCE》;20121001;第7510卷;全文 *

Also Published As

Publication number Publication date
JP2022543643A (ja) 2022-10-13
EP4010874A1 (en) 2022-06-15
CA3146613A1 (en) 2021-02-11
US20220335616A1 (en) 2022-10-20
WO2021026224A9 (en) 2021-04-29
WO2021026224A1 (en) 2021-02-11
US20240046476A1 (en) 2024-02-08
CN116884580A (zh) 2023-10-13
US20210042927A1 (en) 2021-02-11
US11436731B2 (en) 2022-09-06
CN114424290A (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
CN114424290B (zh) 用于提供冠状动脉钙负荷的纵向显示的装置和方法
US11278208B2 (en) Automated measurement system and method for coronary artery disease scoring
JP6765393B2 (ja) 血管の内腔輪郭の自動化された決定のための方法および装置
JP7023715B2 (ja) 血管内のステントストラットカバレッジを決定するためのシステムの作動方法及びステント留置された領域を検出するための血管内画像化システムのプログラム可能なプロセッサベースのコンピュータ装置
US20220284583A1 (en) Computerised tomography image processing
Zahnd et al. Quantification of fibrous cap thickness in intracoronary optical coherence tomography with a contour segmentation method based on dynamic programming
US20220277456A1 (en) Method and apparatus for analysing intracoronary images
CN111553887A (zh) 桥血管评价信息获取方法及装置
CN114176641A (zh) 超声波诊断系统
Avram et al. CathAI: fully automated interpretation of coronary angiograms using neural networks
Halkoaho et al. Quantifying the calcification of abdominal aorta and major side branches with deep learning
CN117745641A (zh) 基于颅内动脉图像的钙化斑块检测与定量分析的方法
CN116052883B (zh) 头颈部手术的受区血管数量与手术风险的av值评价方法
Ughi et al. Automated volumetric stent analysis of in-vivo intracoronary Optical Coherence Tomography three-dimensional datasets
Pazos et al. The Application of Artificial Intelligence Techniques to Automatic Angiography Analysis using PACS to establish a Score for the effect of Coronary Stenosis TIC2003-07593

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40068384

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant