JP2024515188A - 冠動脈疾患を特定するシステム及び方法 - Google Patents
冠動脈疾患を特定するシステム及び方法 Download PDFInfo
- Publication number
- JP2024515188A JP2024515188A JP2023564041A JP2023564041A JP2024515188A JP 2024515188 A JP2024515188 A JP 2024515188A JP 2023564041 A JP2023564041 A JP 2023564041A JP 2023564041 A JP2023564041 A JP 2023564041A JP 2024515188 A JP2024515188 A JP 2024515188A
- Authority
- JP
- Japan
- Prior art keywords
- coronary artery
- data
- stenosis
- wall
- arterial
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 121
- 208000029078 coronary artery disease Diseases 0.000 title claims abstract description 74
- 210000004351 coronary vessel Anatomy 0.000 claims abstract description 156
- 230000000747 cardiac effect Effects 0.000 claims abstract description 79
- 238000010801 machine learning Methods 0.000 claims abstract description 66
- 210000001367 artery Anatomy 0.000 claims abstract description 45
- 238000002591 computed tomography Methods 0.000 claims abstract description 11
- 208000031481 Pathologic Constriction Diseases 0.000 claims description 127
- 208000037804 stenosis Diseases 0.000 claims description 126
- 230000036262 stenosis Effects 0.000 claims description 126
- 210000000709 aorta Anatomy 0.000 claims description 47
- 201000010099 disease Diseases 0.000 claims description 42
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 42
- 230000002792 vascular Effects 0.000 claims description 38
- 208000004434 Calcinosis Diseases 0.000 claims description 31
- 230000002308 calcification Effects 0.000 claims description 31
- 238000004458 analytical method Methods 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 22
- 230000011218 segmentation Effects 0.000 claims description 21
- 230000003902 lesion Effects 0.000 claims description 16
- 238000012804 iterative process Methods 0.000 claims description 12
- 238000007634 remodeling Methods 0.000 claims description 10
- 230000004048 modification Effects 0.000 claims description 9
- 238000012986 modification Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 8
- 238000003384 imaging method Methods 0.000 claims description 7
- 230000002966 stenotic effect Effects 0.000 claims description 7
- 206010057469 Vascular stenosis Diseases 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims 4
- 238000010586 diagram Methods 0.000 description 14
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000013500 data storage Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 210000004204 blood vessel Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 206010060965 Arterial stenosis Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000010968 computed tomography angiography Methods 0.000 description 2
- 239000003607 modifier Substances 0.000 description 2
- 201000001320 Atherosclerosis Diseases 0.000 description 1
- 208000037260 Atherosclerotic Plaque Diseases 0.000 description 1
- 241000201976 Polycarpon Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000003467 diminishing effect Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- 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
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/46—Arrangements for interfacing with the operator or the patient
- A61B6/461—Displaying means of special interest
- A61B6/463—Displaying means of special interest characterised by displaying multiple images or images and diagnostic data on one display
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/48—Diagnostic techniques
- A61B6/481—Diagnostic techniques involving the use of contrast agents
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/503—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the heart
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
- A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
- A61B2576/023—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the heart
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/46—Arrangements for interfacing with the operator or the patient
- A61B6/467—Arrangements for interfacing with the operator or the patient characterised by special input means
- A61B6/468—Arrangements for interfacing with the operator or the patient characterised by special input means allowing annotation or message recording
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/44—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device
- A61B8/4483—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device characterised by features of the ultrasound transducer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20156—Automatic seed setting
-
- 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
-
- 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
- G06T2207/30172—Centreline of tubular or elongated structure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Physiology (AREA)
- Vascular Medicine (AREA)
- Pulmonology (AREA)
- Cardiology (AREA)
Abstract
冠動脈疾患を特定する方法が開示される。この方法は、患者に実行された造影心臓CTスキャンを示す造影心臓CTデータを受信するステップと、機械学習を使用して造影心臓CTデータを分析することにより、患者の心動脈中の箇所に対応することが予想される造影心臓CTデータ中の複数の種子点を特定するステップと、を含む。また、この方法は、造影心臓CTデータ及び特定した種子点を使用して、患者の心動脈の横断方向画像スライスを示すデータを生成するステップと、機械学習を使用して横断方向画像スライスデータを分析することにより、患者の冠動脈の予測される内壁及び外壁をそれぞれ示す動脈内壁データ及び動脈外壁データを生成するステップと、患者の冠動脈の予測される内壁及び/又は外壁を使用して、冠動脈疾患の有無を特定するステップと、を含む。また、対応するシステムが開示される。【選択図】図2
Description
本発明は、冠動脈疾患を特定するシステム及び方法に関し、また、特定された冠動脈疾患を特性化するシステム及び方法に関する。
アテローム性動脈硬化は、アテローム性プラーク(「プラーク」)が動脈壁の内層に異常に蓄積する冠動脈の疾患である。プラークが著しく蓄積すると、動脈狭窄と称する動脈の狭窄が生じる結果、血流が減少する可能性もある。冠動脈に関連する動脈狭窄は、心臓発作及び死亡の原因となり得る。
冠動脈疾患を特定するための既知のシステムでは、動脈中心線から動脈内壁までの予測半径を決定し、これを用いて疾患を特定する。ただし、この技術には、疾患に関して提供される情報が限られる、という限界がある。
本発明の第1の態様によれば、冠動脈疾患を特定する方法であって、
患者に実行された造影心臓CTスキャンを示す造影心臓CTデータを受信するステップと、
機械学習を使用して造影心臓CTデータを分析することにより、患者の心動脈中の箇所に対応することが予想される造影心臓CTデータ中の複数の種子点を特定するステップと、
造影心臓CTデータ及び特定した種子点を使用して、患者の心動脈の横断方向画像スライスを示すデータを生成するステップと、
機械学習を使用して横断方向画像スライスデータを分析することにより、患者の冠動脈の予測される内壁及び外壁をそれぞれ示す動脈内壁データ及び動脈外壁データを生成するステップと、
患者の冠動脈の予測される内壁及び/又は外壁を使用して、冠動脈疾患の有無を特定するステップと、
を含む、方法が提供される。
患者に実行された造影心臓CTスキャンを示す造影心臓CTデータを受信するステップと、
機械学習を使用して造影心臓CTデータを分析することにより、患者の心動脈中の箇所に対応することが予想される造影心臓CTデータ中の複数の種子点を特定するステップと、
造影心臓CTデータ及び特定した種子点を使用して、患者の心動脈の横断方向画像スライスを示すデータを生成するステップと、
機械学習を使用して横断方向画像スライスデータを分析することにより、患者の冠動脈の予測される内壁及び外壁をそれぞれ示す動脈内壁データ及び動脈外壁データを生成するステップと、
患者の冠動脈の予測される内壁及び/又は外壁を使用して、冠動脈疾患の有無を特定するステップと、
を含む、方法が提供される。
一実施形態において、複数の種子点を特定するステップは、機械学習を使用して造影心臓CTデータを分析することにより、冠動脈上の箇所に対応することが予想される複数の予測種子点を特定することと、放射線濃度テストを予測種子点に適用することにより、複数の候補種子点を生成することと、を含む。放射線濃度テストは、造影心臓CTデータをフィルタリングして、規定のパラメータ範囲内の関連する放射線濃度値を有する予測種子点を通過させることを含んでいてもよい。一実施形態において、放射線濃度テストは、ハンスフィールドユニットテストであり、規定のパラメータ範囲は、100~600のハンスフィールドユニット値である。
一実施形態において、この方法は、瞬時候補種子点から、冠動脈の別の種子点への推定方向を予測して冠動脈を表すラインを特定することにより、冠動脈上の箇所に対応することが予測される種子点を決定するステップを含む。冠動脈上の箇所に対応することが予測される種子点を決定するステップは、冠動脈の別の種子点への予測される推定方向を使用して、複数の候補種子点から候補種子点を選択することを含んでいてもよい。瞬時種子点から別の種子点への推定方向を予測して冠動脈を表すラインを特定するステップは、機械学習を使用して実行されるようになっていてもよい。
一実施形態において、冠動脈を表すラインは、冠動脈の中心線を表すラインである。
一実施形態において、瞬時種子点から別の種子点への推定方向を予測するステップは、大動脈から遠隔の冠動脈の予測端の種子点又は予測端に隣り合う種子点から開始することと、遠隔端から大動脈まで種子点を連続予測することと、を含む。
一実施形態において、この方法は、例えば機械学習を使用して大動脈分節プロセスを造影心臓CTデータに実行して、造影心臓CTデータ中の上行大動脈の箇所を予測し、予測した上行大動脈の箇所及び冠動脈を表す特定したラインを使用することにより、機械学習を使用して冠動脈と大動脈との交差箇所を検出するステップを含む。この方法は、上行大動脈から4mm等の規定の距離内の位置まで延びているかに基づいて、冠動脈が大動脈につながっているかを判定するステップを含んでいてもよい。
一実施形態において、この方法は、分枝検出アルゴリズムを使用して、当初は存在可能中心線として特定されなかった一次冠動脈上の分枝を検出するステップを含む。
一実施形態において、この方法は、少なくとも1つの分類器を含み得る機械学習を使用して特定されるラベルを特定された動脈と関連付ける代表的な動脈ラインラベル付与器を含む。少なくとも1つの分類器は、当該分類器の性能を強化する適応強化(AdaBoost)アルゴリズムを含んでいてもよい。
一実施形態において、少なくとも1つの分類器は、複数の主要な冠動脈の特徴に基づいて冠動脈を分類するように構成されていてもよい。主要な冠動脈の特徴は、大動脈から遠隔の冠動脈の端部の箇所と、冠動脈に沿った複数の異なる箇所を示す方向ベクトルと、を含んでいてもよい。複数の異なる箇所は、大動脈に隣り合う近接箇所、血管の実質的に真ん中の箇所、並びに大動脈から遠隔の冠動脈の端部の箇所若しくは端部に隣り合う箇所に配設されていてもよい。
一実施形態において、この方法は、特定した冠動脈が不正確又は不完全である旨の判定がなされた場合に、放射線濃度テストに使用されるパラメータ範囲を修正するステップを含む。判定が、不十分な冠動脈が特定された旨である場合、この方法は、候補種子点の数が増えるようにパラメータ範囲を広げるステップを含んでいてもよい。
一実施形態において、横断方向画像スライスは、冠動脈と垂直に取得されたスライスである。
一実施形態において、機械学習を使用して横断方向画像スライスデータを分析することにより、動脈内壁データ及び動脈外壁データを生成するステップは、動脈内壁及び動脈外壁を含む例示的な横断方向画像スライスを示すグラウンドトゥルースデータ並びに冠動脈疾患を示す撮像アーチファクトを使用して機械学習コンポーネントをトレーニングすることを含む。
一実施形態において、グラウンドトゥルースデータは、グラウンドトゥルース冠動脈に沿った一組の複数の規定点それぞれの複数の断面画像データスライスを含み、画像スライスが、規定点の前の少なくとも1つの画像データスライス及び規定点の後の少なくとも1つの画像データスライスを含む。
一実施形態において、この方法は、判定した内壁データを使用して、管腔断面積を決定するステップと、決定した管腔断面積を使用して、狭窄を特定するステップと、を含む。
一実施形態において、この方法は、各動脈分岐の後、当該動脈分岐の後に線形漸減基準断面積を示す線形回帰ラインの動脈部へのフィッティングにより計算された基準断面積を決定するステップと、決定された断面積と線形回帰ラインに応じた基準断面積との比較に基づいて狭窄を特定するステップと、を含む。
一実施形態において、この方法は、決定された断面積と基準断面積との比較が規定の比例差を示す場合に狭窄を特定するステップを含む。
一実施形態において、冠動脈疾患の有無を特定するステップは、決定した内壁データと外壁データとの間の間隙領域を決定することと、間隙領域の特性を分析して冠動脈疾患を特性化することと、を含む。
間隙領域の特性は、間隙領域と関連付けられたボクセルの放射線濃度を含んでいてもよい。
一実施形態において、冠動脈疾患の有無を特定するステップは、低減衰プラーク及び/又は点状石灰化を含み得る高リスクプラークを特定することを含む。
この方法は、放射線濃度テストを適用して、石灰化プラークとの関連付けが予測される間隙中の候補ボクセルを特定するとともに、連結コンポーネント分析器を適用して、関連するボクセルを石灰化ボリュームとして一体的に関連付けることにより、点状石灰化を特定するステップを含んでいてもよい。点状石灰化を特定するステップは、石灰化ボリュームが3mm等の規定量未満の直径を有する場合に点状石灰化として特定されるように、サイズテストを特定される各石灰化ボリュームに適用することをさらに含んでいてもよい。
一実施形態において、冠動脈疾患の有無を特定するステップは、間隙の半径方向寸法、断面積、及び/又は容積が規定量又は正常な血管間隙よりも約10%大きいなど、正常な冠動脈と比較した場合の規定割合よりも大きいかに基づいて、ポジティブリモデリングを特定することを含む。
一実施形態において、この方法は、冠動脈疾患分析が選択された解像度バージョンで実行され得るように、受信した造影心臓CTデータの異なる解像度バージョンを格納するステップ及び/又は受信した造影心臓CTデータの低解像度への変換を容易化するステップを含み、造影心臓CTデータの解像度が、所望の精度及び分析速度に基づいて選択される。
一実施形態において、この方法は、動脈内壁データのユーザによる編集を可能にするステップを含む。
一実施形態において、この方法は、例えば動脈内壁を表す複数の制御点を表示し、制御点のうちの1つ又は複数のユーザによる移動を可能にすることにより、インターフェース画面を使用することによって表示された動脈内壁の手動修正を容易化することにより、動脈内壁データのユーザによる編集を可能にするステップを含む。
一実施形態において、この方法は、血管狭窄の選択を容易化することによって、動脈内壁データのユーザによる編集を可能にするステップと、選択された狭窄に基づいて動脈内壁データを修正するステップと、を含む。複数の選択可能な狭窄範囲が与えられていてもよい。
一実施形態において、この方法は、血管セグメント及び/又は血管内の特定の箇所の狭窄レベルの選択を容易化することによって、動脈内壁データのユーザによる編集を可能にするステップを含む。
一実施形態において、この方法は、個々の病変の狭窄レベルの選択を容易化することによって、動脈内壁データのユーザによる編集を可能にするステップを含む。
一実施形態においては、選択されたスライスの管腔面積を修正するステップと、その後、血管狭窄を再計算するステップと、を含む反復プロセスを実行することにより、選択された狭窄に基づいて、動脈内壁データを修正するステップを含む。
一実施形態において、狭窄レベルの低減が提案された場合、選択されたスライスの管腔面積を修正するステップは、スライスの管腔面積を拡大することにより、選択された狭窄レベルと関連付けられた最大レベルを超える各スライスの狭窄レベルを低減することを含む。
一実施形態において、狭窄レベルの増大が提案された場合、選択されたスライスの管腔面積を修正するステップは、最大狭窄のスライスを特定することと、スライスの管腔面積を縮小することにより、選択された狭窄レベルと関連付けられた最小レベルを上回るようにスライスの狭窄レベルを増大することと、を含む。
一実施形態において、反復プロセスは、3回の反復を含む。
一実施形態において、血管セグメントの狭窄レベルが0%と判定された場合、システムは、冠状血管中の疾患を認識するようにトレーニングされた疾患機械学習コンポーネントを血管セグメントに適用することにより、潜在的な狭窄病変を特定するように構成されていてもよい。
本発明の第2の態様によれば、冠動脈疾患を特定するためのシステムであって、
患者に実行された造影心臓CTスキャンを示す造影心臓CTデータを受信することと、
機械学習を使用して、患者に実行された造影心臓CTスキャンを示す受信造影心臓CTデータを分析することにより、患者の心動脈中の箇所に対応することが予想される造影心臓CTデータ中の複数の種子点を特定する血管種子検出器と、
造影心臓CTデータ及び特定された種子点を使用して、患者の心動脈の横断方向画像スライスを示すデータを生成し、機械学習を使用して横断方向画像スライスデータを分析することにより、患者の冠動脈の予測される内壁及び外壁をそれぞれ示す動脈内壁データ及び動脈外壁データを生成する血管壁分節器と、
患者の冠動脈の予測される内壁及び/又は外壁を使用して、冠動脈疾患の有無を特定する疾患評価ユニットと、
を備える、システムが提供される。
患者に実行された造影心臓CTスキャンを示す造影心臓CTデータを受信することと、
機械学習を使用して、患者に実行された造影心臓CTスキャンを示す受信造影心臓CTデータを分析することにより、患者の心動脈中の箇所に対応することが予想される造影心臓CTデータ中の複数の種子点を特定する血管種子検出器と、
造影心臓CTデータ及び特定された種子点を使用して、患者の心動脈の横断方向画像スライスを示すデータを生成し、機械学習を使用して横断方向画像スライスデータを分析することにより、患者の冠動脈の予測される内壁及び外壁をそれぞれ示す動脈内壁データ及び動脈外壁データを生成する血管壁分節器と、
患者の冠動脈の予測される内壁及び/又は外壁を使用して、冠動脈疾患の有無を特定する疾患評価ユニットと、
を備える、システムが提供される。
以下、添付の図面を参照して本発明を説明するが、これは一例に過ぎない。
本開示は、冠動脈疾患を特定するシステム及び方法に関し、記載例において、このシステム及び方法は、特定された冠動脈疾患(CAD)の定量化及び特性化も行う。開示のシステム及び方法は、冠動脈コンピュータトモグラフィ血管造影(CCTA)データを使用する。記載例において、このシステム及び方法は、冠動脈中心線を検出及び追跡し、冠動脈の内外壁の箇所を推定し、推定した内外壁の使用と併せて、内外壁間の特定された間隙の組成及び空間的特性を分析することにより任意の特定疾患の程度及び特性を決定することによって、冠動脈疾患の特定、定量化、及び特性化を自動的に行う。
記載のシステム及び方法は、動脈狭窄(狭窄と称する)の有無及び重症度を検出するとともに、点状石灰化、低減衰プラーク、及び血管壁のポジティブリモデリングを含む高リスクプラークを特定することによって、冠動脈疾患の初期段階を特定することができる。システムの出力は、主要な所見及び優先的なリスクを強調したレポートの形態であってもよい。
図面を参照して、図1は、冠動脈疾患を特定及び特性化するためのシステム10の模式ブロック図である。
本例において、システム10は、図1においてCCTAスキャン装置12a、12b及び関連する画像保存通信システム(PACS)14a、14bにより表される心臓コンピュータトモグラフィ血管造影(CCTA)データの複数の提供者と相互作用するように構成されている。各PACSシステム14a、14bは、CCTAスキャン装置12a、12bにより生成された医用画像データの取り込み及び格納と、本例においてはCCTAサービス提供者の遠隔に配設され、インターネット16等のワイドエリアネットワークを通じてアクセス可能な医用画像データサーバ18への医用画像データの通信と、を管理するように構成されている。本例において、医用画像データサーバ18は、医用デジタル画像・通信(DICOM)サーバであるが、CCTA画像データを受信し、受信したCCTA画像データの格納を管理するための任意好適な装置も考えられることが了解される。
DICOMサーバ18は、1つ又は複数のデータベースを含み得るデータ記憶装置20に受信したCCTA画像データを格納するように構成されている。また、本例において、システム10は、個人健康情報(PHI)アノニマイザ22を具備するが、これは、別個のコンポーネント又はDICOMサーバ18に組み込まれたコンポーネントであってもよい。PHIアノニマイザ22は、データ記憶装置20に格納される前の受信CCTA画像データ中の患者固有メタデータ(通常は、氏名、生年月日、及び一意のID番号を含む)を暗号化するように構成されている。このように、患者固有メタデータは依然として、CCTA画像データと関連付けられているものの、例えばログイン及びパスワードデータを使用することにより、許可を得た者だけがアクセス可能である。
システム10は、例えばインターフェース装置24の提供によって、許可を得た複数のユーザによる当該システム10との相互作用を可能にするように構成されている。各インターフェース装置24には、パソコン、ラップトップコンピュータ、タブレットコンピュータ、又はモバイルコンピュータ装置等の任意好適なコンピュータ装置を含み得る。
また、システム10は、データ記憶装置20と連通し、データ記憶装置20に格納されたCCTA画像データを分析して、CCTA画像データ中の冠動脈疾患を特定、定量化、及び特性化するとともに、分析を示すレポートを生成するように構成された冠動脈疾患(CAD)分析装置26を具備する。
システム10は、CAD分析が選択された解像度バージョンで実行され得るように、受信したCCTAデータの異なる解像度バージョンの格納及び/又は受信したCCTAデータの低解像度への変換の容易化を行うように構成されていてもよい。このように、ユーザは、所望の精度及び分析速度に応じて、CAD分析を修正することができる。
システム10は、インターフェース装置24を使用して、アクセスを任意好適に容易化するように構成されていてもよい。例えば、システム10は、インターフェース装置24上のウェブブラウザを通じてCAD分析装置26にアクセス可能となるように構成されていてもよく、すべて又はほとんどの処理動作がインターフェース装置24の遠隔で発生する。或いは、システム10は、例えばデータ記憶装置20に格納されたCCTAデータに対して少なくとも何らかの処理動作を実行する少なくとも1つのソフトウェアアプリケーションをインターフェース装置24に設けることによって、少なくとも何らかの処理動作がインターフェース装置24で発生するように構成されていてもよい。
一代替例においては、患者から受信されたCCTAデータがネットワークアクセス可能な場所で遠隔格納される分散システムを提供する代わりに、CCTAデータのほとんど若しくはすべての処理動作並びに/又は格納が同じ場所で発生するように、システム10の1つ又は複数の構成要素がインターフェース装置24及び/又はCT装置12a、12bと同じ場所に配設されていてもよい。
図1に示すように、本例において、データ記憶装置20に格納されたデータは、インターフェース装置24によって直接アクセスすることも可能であり、例えばインターフェース装置24のユーザが生のCCTAデータを見ることができる。
インターフェース装置24を使用することにより、ユーザは、データ記憶装置20に格納されたCCTAデータの分析の推進及び/又は分析の結果の確認を行うことができる。分析時、CAD分析装置26は、データ記憶装置20から関連するCCTAデータを抽出し、CCTAデータに対して分析プロセスを実行することにより、CCTA画像データに存在する冠動脈疾患を特定、定量化、及び特性化するとともに、関連するレポートを生成する。
CAD分析装置26を図2により詳しく示すが、これは、CAD分析装置26の機能的構成要素を示した模式ブロック図である。
CAD分析装置26は主として、冠動脈の内外壁の分節に依拠し、これにより生成された情報がスキャンにおいて用いられることにより、疾病負担が検出及び評価される。血管壁を正確に分節するため、まずは血管の代表ライン(本例においては、中心線)を特定する必要がある。これは、冠動脈の中心線上に配置される可能性の高いCTボリューム内のボクセルに対応する各中心線の複数の種子点を特定することにより実現される。このプロセスを容易化するため、造影剤の血流への注入によって、コントラストを高くする(本例においては、周囲の組織と比較して、冠動脈のハンスフィールドユニット(HU)値を高くする)。
CAD分析装置26は、本例においてはマルチスケールフィルタリング及び教師あり機械学習を使用してトレーニングデータから種子点を検出する血管種子検出器28を使用することにより、血管種子点を特定する。血管種子検出器28の機能的構成要素を図3に示す。
血管種子検出器28は、十分な数の例示的な冠動脈中心線を示すグラウンドトゥルースデータを使用してトレーニングされた血管種子機械学習コンポーネント30(本例においては、ボリューム畳み込みニューラルネットワーク(CNN))を具備する。
CTボリューム中の多くの点が血管種子点として好適な非ゼロ確率を有することが了解されるものとする。この点を考慮して、血管種子検出器28は、血管種子機械学習コンポーネント30を使用してCCTAデータのサンプルに存在する一組の予測種子点を特定した後、一組の予測種子点から、冠動脈の中心線追跡ひいては中心線の予測の基礎となる候補種子点を選択する候補種子点決定器32を具備する。候補血管種子点は、規定量を上回るハンスフィールドユニット(HU)値等の放射線濃度値を有する種子点、又は、最も高いHU値を有する規定数の種子点等、規定のHU閾値を上回る規定数の種子点等、1つ又は複数の規定制約に基づいて、一組の種子点から決定される。一例においては、100~600のHU値を有する候補血管種子点が候補種子点として選択される。
血管種子機械学習コンポーネント30は、冠動脈中心線上にあると専門家が考える点を表す基準血管種子点を使用してトレーニングされる。
CAD分析装置26は、中心線追跡器34を使用して、冠動脈中心線を追跡する。中心線追跡器34の機能的構成要素を図4に示す。
本例において、中心線追跡器34は、中心線追跡機械学習コンポーネント36を具備する。中心線追跡器34が決定された候補種子点を考慮し、中心線方向予測器38が中心線追跡機械学習コンポーネント36を使用することによって、瞬時種子点から、3次元空間中の冠動脈上の次の種子点への最も可能性の高い方向を予測する。このように、現在考慮中の冠動脈上に存在する可能性の高い血管中心線種子点が特定される。本例において、中心線追跡プロセスは、動脈中心線上の最端箇所に配置された予測種子点で開始となる。
本例において、中心線追跡機械学習コンポーネント36は、データキューブ及び候補種子点を使用して、次の中心線種子点への最も可能性の高い方向を予測し、これに基づいて、候補種子点から中心線種子点を選択するように構成されている。冠動脈中心線上に配置されたものとしてこのように特定された種子点は、種子点連結器40を使用して一体的に連結され、完全な冠動脈を規定する。
中心線追跡の重要な部分は、冠動脈と大動脈との間の交差箇所(冠状動脈口と称する)を検出することである。本システム及び本方法は、決定された中心線により規定される追跡情報と併せて、上行大動脈の箇所を示す情報を使用する大動脈交差決定器42を使用することにより、大動脈交差箇所を検出するとともに、大動脈の壁から4mm等の規定の距離内の位置まで延びているかに基づいて、冠動脈が大動脈につながっているかを判定するように構成されている。つながっている場合は、冠動脈の経路が大動脈との交点まで延び、解剖学的につながっているものと推定される。本例において、上行大動脈の箇所は、例えば上行大動脈グラウンドトゥルースデータを使用してトレーニングされた例えば畳み込みニューラルネットワーク(Unet又はVnetニューラルネットワークであってもよい)を使用する大動脈分節プロセスをCCTAデータに対して実行することにより、心臓分節器35を使用して決定される。
中心線追跡器34は、最初に4つの主冠動脈(左主冠動脈(LM)、左前下行冠動脈(LAD)、左回旋冠動脈(LCX)、及び右冠動脈(RCA))を検出するように構成されている。そして、主冠動脈の検出後、動脈分枝検出器44は、当初は存在可能中心線として特定されなかった主冠動脈上の分枝を検出する。主冠動脈は、より多くの血液ひいては造影剤を搬送するため、分枝よりも追跡が容易である。分枝は、小さくなるほど直径が小さく、搬送する血液及び造影剤が少なくなるため、その追跡がますます困難となる。分枝検出器44は、分枝検出アルゴリズムを使用する。
分枝検出器44は、血管の中心線方向と垂直なHU値を調べ、HU値が血管壁の外側で大幅に小さくなることから、HU値に基づいて冠動脈の境界を見出すことにより、血管の近似半径を推定する。中心線の両側で境界の位置が特定された場合は、血管の直径を測定することができる。
分枝は、中心線の長さに沿った血管の測定直径の変化率に基づいて検出される。例えば、血管の測定直径が中心線に沿って10%よりも大きく増大した後、元のサイズに戻った場合は、冠状血管のサイズが近位から遠位箇所に向かって自然に小さくなることに注目すると、これが検出分枝としてマークされる。冠状動脈口においては、血管の直径が約4mmである一方、遠位箇所においては通常、血管の直径が1mm未満まで小さくなる。したがって、分枝検出器44は、推定直径の変化率を調べることにより、別の冠動脈が分岐している中心線に沿った点を検出する。
また、図2に示すように、CAD分析装置26は、臨床医が血管を特定し得るように、意味論的に有意なラベルを追跡動脈中心線に付与するように構成された中心線ラベル付与器46を具備する。特定プロセスでは、本例においては教師あり分類器を含む中心線ラベル付与機械学習コンポーネント48を使用することにより、特定された構造化冠動脈樹上の冠動脈中心線をラベリングする。分類器のトレーニングには、適当なラベルが注釈されたグラウンドトゥルース中心線が使用される。多くの異なる分類プロセスが用いられるようになっていてもよく、本例において、分類器は、当該分類器の性能を強化する適応強化(AdaBoost)アルゴリズムを含む。本例において、分類プロセスで各冠動脈のラベリングに使用する主要な特徴は、大動脈から遠隔の動脈中心線の端部の箇所、並びに、3つの異なる中心線箇所((大動脈に隣り合う)近位箇所、血管の真ん中の箇所、及び動脈の遠位箇所(冠動脈から遠隔の動脈の端部の箇所若しくは端部に隣り合う箇所))における中心線の平均方向ベクトルである。
また、図2に示すように、CAD分析装置26は、例えば血管種子検出器28が生成した種子点が多過ぎたり不十分であったりすることで、中心線追跡器34が実行した分析が不正確又は不完全である場合に、血管種子検出器28を再設定することによって、中心線追跡プロセスの信頼性を向上させるように構成された異常検出器50を具備する。検出された大動脈が中心線ラベル付与器46によりラベリングされた後、特定された血管が不正確又は不完全である旨の判定がなされた場合(例えば、血管種子検出器の最初の設定ではRCA等の主冠動脈を検出できなかった場合)には、異常検出器50の種子パラメータ修正器52が血管種子検出器28と通信して、血管種子検出器28のパラメータを再設定する。本例において、種子パラメータ修正器52は、血管種子検出器28と通信して、より多くの候補血管種子点が生成されるように、血管種子検出器28が適用する制約を抑えることによって、後続の反復で血管を検出する確率を高くするようにしてもよい。一例において、これは、適用されるハンスフィールドユニット(HU)テストを100~600から50~600へと広げることにより実現され得る。生成される種子点が多過ぎる場合にも、同様の手法によって、候補血管種子点の数を抑えるようにしてもよい。
異常検出器50は、すべての冠動脈又はすべての主冠動脈(LM、LAD、LCX、RCA)等の少なくとも規定の冠動脈の部分集合を検出するための適当な一組の候補血管種子点が生成されるまで、血管種子検出器28のパラメータを修正するフィードバックループとして機能することが了解される。
冠動脈は、様々な要因で検出できない可能性がある。例えば、患者に与えられる造影剤の濃度が低下し、種子点の数が少なくなり過ぎて、適用されたHUテストに合格できなくなっている可能性もある。
上記例においては、フィードバックループが自動的に作用する。ただし、冠動脈の有効な箇所と考えられるものを示す箇所閾値パラメータ等の血管追跡パラメータ又は血管種子検出器28のパラメータの手動修正が観察結果に応じて実行され得ることが了解される。例えば、結果としてすべての主冠動脈の特定には成功していない場合、ユーザは、有効箇所パラメータ及び/又は追跡パラメータの修正によって、主冠動脈の特定がより成功する可能性を高くするようにしてもよい。このように、血管追跡プロセスは、観察結果に基づいて当該プロセスのパラメータが変更されるため、より堅牢であり、このシステムは、ダイナミックレンジの異なるCCTAデータを処理できる可能性が高くなる。
すべての所望の冠動脈が十分に追跡及びラベリングされた後は、図2に示す血管壁分節器54が追跡された中心線を使用して、冠動脈と関連付けられたCCTAデータを分析することにより、特に血管内外壁分節プロセスを実行する。
血管壁分節器54の機能的構成要素を図5に示す。血管壁分節器54は、壁分節機械学習コンポーネント56を使用することにより、石灰化及び非石灰化プラークの有無と関連付けられ、撮像アーチファクトを考慮に入れた冠動脈疾患の特定に使用され得る内外壁管腔マスクを生成する。
本例において、壁分節機械学習コンポーネント56は、十分な数の例示的な横断方向冠動脈画像スライス(本例においては、動脈中心線と垂直に交差する画像スライス)を示すグラウンドトゥルーストレーニングデータを使用してトレーニングされた教師ありボリューム畳み込みニューラルネットワーク(CNN)である。本例において、トレーニングデータには、動脈内外壁と、医療専門家により注釈された関連する撮像アーチファクトと、を含み、様々な冠状血管の程度が変動する疾患との広範な例を網羅するとともに、血管の膨張等の異常を示す様々な典型的撮像アーチファクトを含む。
本例においては、より十分なデータセットを提供するため、中心線の各規定点の前の少なくとも1つの画像データスライス及び中心線の各規定点の後の少なくとも1つの画像データスライスを含む複数の断面画像データスライスを提供することにより、血管中心線に沿った点に対して壁分節機械学習コンポーネント56がトレーニングされる。疾患は複数の断面スライスにわたって現れるため、このように複数のスライスをCNNに提供することによって、CNNは空間的コンテキストを組み込むことにより、疾患の特性をより正確に反映可能となる。ただし、中心線の各規定点に対して1つの画像データスライス等、他の実施態様も考えられることが了解される。また、意味論的分節プロセス用の付加的なコンテキストをCNNに提供するトレーニング目的で長軸画像データが用いられるようになっていてもよい。また、トレーニングデータから未知のケースへと内外壁分節プロセスが効果的に一般化されるように、データ拡張を使用可能であることが了解される。
受信CCTAデータの分析時に、血管壁分節器54は、スライス分析器58を使用して、(本例においては、決定された中心線と垂直な)CCTAデータのスライスをサンプリングする。血管壁分節器54は、壁分節機械学習コンポーネント56を使用して、取得された各画像スライス中の各ボクセルが冠動脈の内壁又は外壁の一部となる可能性があるかを予測する。そして、サンプルスライスで冠動脈の動脈内外壁の一部になるものとして特定されたボクセルは、血管の内壁又は外壁に属することで動脈内外壁分節を生成する隣接ボクセルを特定する技術を使用する連結コンポーネント分析器60を使用して一体的に連結される。
壁分節の後、CTスキャンを使用して撮像された心動脈の一部の例示的な描写を図6に示す。図6aは、冠動脈疾患63を含む動脈の一部の「長軸」図62であり、本例においては、参照を容易にするため線状に再投影している。図6b及び図6cは、冠動脈に沿った異なる箇所での図6aに示す冠動脈部の横断方向断面図66、76(「短軸」図)である。図6bは、図6aに示す第1の横断面68に沿った断面図を表す。図6cは、図6aに示す第2の横断面78に沿った断面図を表す。
図6bに示すサンプルスライスにおいては、血管壁分節器54によって内壁70及び外壁72が特定されており、第1の横断面68により示される箇所においては、図示の動脈が疾患の影響を受けておらず、血管管腔74が遮られていないように見えることが分かる。
図6cに示すサンプルスライスにおいては、血管壁分節器54によって内壁80及び外壁82が特定されており、第2の横断面78により示される箇所においては、図示の動脈が疾患63の影響を受け、血管管腔74が一部遮られているように見えることが分かる。
冠動脈壁分節の完了後、このシステムは、検出された冠動脈の血管内外壁構成を規定するのに十分なデータを有することが了解される。このデータを使用することにより、血管内外壁間の間隙領域と関連付けられたボクセルを分析することによって、疾患の有無を判定することができる。
この目的で、図2に示す通り、CAD分析装置26は、疾患評価ユニット86を具備する。疾患評価ユニット86の機能的構成要素を図7及び図8に示す。
本例において、CAD分析装置26は、血管壁中の間隙の空間的特性及びハンスフィールドユニット値に基づく発見的手法によって、「狭窄」と称する動脈構成を含む異なる種類の疾患と、石灰化、混合、又は非石灰化プラークを含む高リスクプラークの有無と、を評価するように構成されている。
図7は、疾患評価ユニット86の狭窄検出・分析コンポーネントの機能的構成要素88を示しており、図8は、疾患評価ユニット86の高リスクプラーク検出・分析コンポーネントの機能的構成要素90を示している。
狭窄機能的構成要素88は、内外壁分節データを使用して、内壁により規定される断面積を決定するように構成された管腔面積決定器92を含む。血管管腔断面積は、健康な状態を基準とした狭窄状態の決定及び特性化に用いられる。
動脈の分岐後は通常、狭窄が偽陽性となり得る比較的狭い動脈部分が存在することが了解される。これを回避するため、狭窄機能的構成要素88は、各分岐直後の動脈領域を除去する代わりに、計算された基準面積を分岐後の領域に使用する分枝後基準面積決定器96を含む。基準面積は、線形回帰分析器98を使用して、分岐後の管腔部の長さに沿ったエリアに線形回帰ラインをフィッティングすることにより計算される。このプロセスの結果として、検出された分岐点で不連続な区分的線形構造が得られる。冠動脈は心筋(心臓)を包み込むように自然に直径が小さくなるため、区分的線形構造は本質的に、健康な(狭窄していない)各血管の予想又は平均漸減面積を設定する。予想される基準面積と比較して規定される比例的な減少は、血管が正常な健康状態から収縮しており、狭窄が存在することを示す。狭窄評価コンポーネントは、正常な健康状態から膨張した動脈に関する判定も可能であることが了解される。
また、本例において、狭窄機能的構成要素88は、内外壁分節データに付加的な処理(例えば、データの平滑化演算)を実行して、疾患と関連付けられていない管腔面積の局所的な変動に起因するノイズを低減するように構成された後処理器100を含む。
臨床報告において、狭窄は通常、25~49%等の定量的な割合で評価される。狭窄カテゴリ決定器102は、狭窄分析を使用して、報告用の狭窄割合評価及びカテゴリ値を生成するように構成されている。
高リスクプラーク機能的構成要素90を図8に示す。高リスクプラーク(HRP)は、脆弱プラークとも称し、患者の冠動脈疾患の初期徴候である。疾患評価ユニット86は、動脈壁分節のルールベース分析である発見的手法を使用して、複数の形態のHRP(本例においては、低減衰プラーク、点状石灰化、及びポジティブリモデリング)を検出する。この目的のため、高リスクプラーク機能的構成要素90は、低減衰プラーク決定器104、点状石灰化決定器106、及びポジティブリモデリング決定器114を含む。
低減衰プラークは、-30~30ハンスフィールドユニットの範囲のハンスフィールドユニット(HU)値を特徴とするため、ハンスフィールドユニットの分析及び閾値設定によって直接検出され得る。
点状石灰化は、非石灰化又は混合プラークにより囲まれた比較的小さい石灰化として規定される。点状石灰化を検出するため、点状石灰化決定器106は最初に、例えば350より大きなハンスフィールドユニット(HU)値等の規定の放射線濃度尺度を使用したフィルタリングによって、動脈内外壁間の決定された疾患領域における石灰化プラークとの関連付けが予測されるボクセルを決定する。その後、連結コンポーネント分析器108によって、関連するボクセルを石灰化ボリュームとして一体的に関連付ける。点状石灰化は、直径が3mmより小さいことを特徴とするため、これらの検出にはサイズ閾値設定器110が用いられる。また、非石灰化/混合プラーク決定器112の使用による付加的な発見的手法によって、特定された点状石灰化を囲むボクセルが非石灰化又は混合プラークと整合するHU値を有するかを判定する。
ポジティブリモデリングは、血管外壁の拡張によって内外壁間の疾患を補償することを特徴とする。ポジティブリモデリング決定器114は、動脈内外壁間の間隙が規定量を超えて(例えば、正常な血管間隙の10%超えで)増加しているかを判定する内外壁間隙決定器を使用してこれを検出するように構成されている。また、ポジティブリモデリング決定器114は、間隙放射線濃度分析器118を具備しており、これは本例において、例えば間隙中のボクセルのHU値の決定により間隙中のボクセルが非石灰化プラークと整合するかを判定するように構成されている。
疾患評価ユニット86による判定は、レポート生成器120により生成されるレポートの基礎となる。
図9を参照して、これは、図1に示すシステムを使用して冠動脈疾患を特定する(本例においては、特性化する)例示的な方法を示したフロー図130である。
この方法は、ステップ132、134、及び136に示すように、データストア20からCCTAデータを抽出することと、血管種子機械学習コンポーネント30を使用して予測血管種子点を特定することと、放射線濃度フィルタを予測血管種子点に適用して候補血管種子点を特定することと、を含む。そして、ステップ138に示すように、中心線追跡機械学習コンポーネント36を使用して、大動脈から遠隔の箇所で開始し、次の種子点への方向を予測することによって、冠動脈中心線上の位置特定が予測される候補血管種子点を特定する。
そして、ステップ140及び142に示すように、CCTAデータ中の心臓領域を分節して、上行大動脈の予測箇所を決定し、大動脈分節を使用して、主冠動脈と大動脈との間の交差箇所を予測する。その後、ステップ144に示すように、分枝検出アルゴリズムを適用して、冠動脈分枝を検出する。
ステップ146に示すように、中心線ラベル付与機械学習コンポーネントを使用して、検出した冠動脈にラベリングする。
ステップ148及び150に示すように、冠動脈が十分に検出されていない場合は、血管種子検出器28が使用する放射線濃度フィルタパラメータを必要に応じて修正し、ステップ136~146に示す血管種子検出及び中心線追跡のプロセスを再度実行する。冠動脈が十分に検出されるまでこのプロセスを繰り返す。
ステップ152及び154に示すように、CCTAデータをサンプリングして、それぞれが検出中心線と交差し、冠動脈全体で横断方向に延びる画像スライスデータを生成する。また、壁分節機械学習コンポーネント56を使用して、サンプリング画像スライスに基づく内外壁管腔データを生成する。
ステップ156及び158に示すように、内壁データを使用して内壁により規定される断面積を決定するとともに、決定した面積を使用して狭窄を特定及び特性化する。また、内外壁間の決定された間隙を使用して、高リスクプラーク又はポジティブリモデリングの有無を決定して特性化する。
ステップ160及び162に示すように、内外壁データ及び内外壁間の間隙の分析を使用して、冠動脈断面の描写を表示する。また、CCTAデータ中の狭窄及び/又は高リスクプラークの有無を示すレポートを生成可能である。
システム10は、表示された血管内壁及び任意選択としての外壁並びに関連する内外壁データのユーザによる編集を可能にするように構成されていてもよい。例えば、システム10が提供する狭窄評価は正しくないと臨床医が考えるためである。一構成において、これは、好適なインターフェース画面を使用して関連する(1つ又は複数の)壁を手動修正することにより実現され得る。
例えば、図10に示すように、血管壁編集画面170が用いられるようになっていてもよい。画面170は、冠動脈の長軸断面図172と、血管の内壁70及び外壁72を示す冠動脈の横断方向断面図174と、を含む。壁選択ボタン175を使用することにより、ユーザは、内壁70又は外壁72を選択することができ、これによって、選択した壁の形状を表す制御点176が表示される。ユーザは、例えばマウスを使用して、制御点176のうちの1つ又は複数を選択して移動させることにより、選択した壁の形状を変えることができる。
血管壁編集画面170を使用して血管の内壁及び任意選択として外壁70、72を修正可能ではあるものの、表示された血管について所望の狭窄レベルが得られるまで、関連する各制御点176をユーザが手動で移動させる必要があるため、このプロセスは比較的面倒である。
代替的な血管壁編集画面178を図11に示す。この構成によれば、制御点を個々に移動させて血管壁を手動補正する代わりに、代替的な血管壁編集画面178は、表示された血管又は個々の選択病変について、ユーザによる適当な狭窄範囲182の選択を可能にする狭窄レベルドロップダウンボックス180を含む。新たな狭窄範囲182の選択に応じて、システム10は、表示された血管内壁70を修正して選択された狭窄範囲182に整合させる。
図11に示すように、表示された血管の狭窄レベルは0%と決定されるものの、ユーザは、1%~24%がその血管により適当な狭窄レベルであると考えるため、新たな狭窄レベル1%~24%を選択している。これに応答して、図12に示すように、外壁72との間の間隙が広がった新たな修正済み内壁184が表示され、狭窄レベルの増大を示している。
このように、表示された血管を修正する場合、ユーザは、表示された血管又は選択された病変の適当な狭窄範囲182を選択しさえすればよい。これに応じて、システムは、選択された狭窄範囲を満たす構成となるように、表示された血管又は病変の内壁を修正することになる。
選択された狭窄レベルを満たす表示された血管の内壁184の構成は、例えば程度が変動する疾患血管と関連付けられたグラウンドトゥルーストレーニングデータを使用することにより、任意好適に決定されるようになっていてもよい。
血管壁編集画面178は、血管セグメントに割り当てられた狭窄レベルの修正又は個々の病変に割り当てられた狭窄レベルの修正に使用され得ることが理解される。
血管セグメントに割り当てられた狭窄レベルの修正が望ましい一例において、システム10は、図13に示す反復プロセス図188及び血管壁を補正する方法のステップ202~214を記載の図14に示すフロー図200に示す方法を適用するようにしてもよい。
一例において、ユーザは、冠動脈血管セグメントの決定された狭窄レベルを現行レベル25%~49%から新たなレベル1%~24%に修正することを望む。当該血管セグメントについては、ユーザがこれが適当な狭窄レベルと考えるためである。ステップ202に示すように、ユーザは、狭窄レベルドロップダウンボックス180を使用して、新たな狭窄範囲182を選択する。
狭窄レベルの低減が提案された場合、この方法は、ステップ204に示すように、スライスをわずかに膨張させることによって、新たな狭窄カテゴリの最大レベルを超える各スライスの狭窄レベルを低減することを含む。
狭窄レベルの増大が提案された場合、この方法は、ステップ206に示すように、最大狭窄のスライスを特定することと、スライスをわずかに削ることによって、新たな狭窄カテゴリの最小レベルを上回るようにスライスの狭窄レベルを増大することと、を含む。
本例においては、狭窄レベルの低減が提案されているため、スライスと関連付けられた血管内壁をわずかに膨張させることによって、新たな狭窄範囲の最大レベルを超える各スライスの狭窄レベルを低減する。
血管スライスを図13に図式表示するが、これは、反復プロセスの初回及び後続の2巡における3つの例示的なスライス190を示している。各スライスについて、血管内壁のサイズが円194のサイズにより表され、スライスにおける狭窄のレベルが円内の割合値196により表される。図示のように、狭窄レベルの修正前には、10番目及び11番目のスライスが提案の新たな狭窄範囲内に存在するものの、12番目のスライスは30%の狭窄であり、これは提案の範囲を上回る。その結果、ステップ204に示すように、12番目のスライスにおける狭窄レベルを低減するため、管腔面積をわずかに大きくする。そして、ステップ208に示すように、修正されたスライス管腔面積を考慮に入れて、血管セグメントの狭窄を再計算する。
管腔面積は、任意好適な方法で増減可能である。例えば、管腔面積は、形態演算子を使用して内壁を膨張させることにより大きくすることができる。
或いは、血管壁分節器54は、狭窄レベルの増大を示す管腔マスクを生成するようにトレーニングされた代替的な壁分節機械学習コンポーネント56と、狭窄レベルの低減を示す管腔マスクを生成するようにトレーニングされたさらに代替的な壁分節機械学習コンポーネント56と、を含んでいてもよい。この構成によれば、デフォルトモデルとして、狭窄の増減いずれが望ましいかに応じて選択された代替的な機械学習コンポーネント又はさらに代替的な機械学習コンポーネントが使用され得る。
さらに代替的な構成においては、血管のHU値に基づく領域拡張及び/又は他の分節技術等の画像処理技術の使用によって、管腔面積を修正するようにしてもよい。
図13に示すように、反復プロセスの1巡目では、狭窄の再計算の後、管腔面積の増大によって12番目のスライスの狭窄レベルが20%に低下している。ただし、12番目のスライスでの管腔面積を大きくすることによって、狭窄再計算ステップ208では、隣り合う11番目のスライスでの狭窄レベルが30%に上昇している。スライス11の管腔面積が12番目のスライス対して相対的に小さくなっているためである。後続の反復(2巡目)では、11番目のスライスの狭窄が提案範囲を上回っているため、11番目のスライスの管腔面積をわずかに膨張させて狭窄レベルを抑えており、ステップ208に示すように、再度、修正されたスライス管腔面積を考慮に入れて、血管セグメントの狭窄を再計算する。これにより、11番目のスライスの狭窄レベルは20%に低下する。ただし、11番目のスライスの管腔面積を大きくすることによって、狭窄再計算ステップ208では、隣り合う10番目のスライスでの狭窄レベルが30%に上昇している。スライス10の管腔面積が11番目のスライス対して相対的に小さくなっているためである。同様に、12番目のスライスの狭窄レベルも高くなる。これは、12番目のスライスの管腔面積が11番目のスライス対して相対的に小さくなっているためである。
3回の反復後には、すべてのスライスの狭窄レベルが選択された提案狭窄範囲182内に収まるものと予想される。
いくつかの状況において、上記の方法では、血管又は血管セグメントに基づく狭窄範囲の修正は不可能である。例えば、血管又はセグメントの1つ又は複数の病変が90%~100%の範囲内にある状況においては、血管/セグメントの狭窄範囲がすでに利用可能な最大レベルに達しているため、血管/セグメントの狭窄範囲を広げることによって血管又はセグメントの他の病変の狭窄レベルを高くすることは不可能である。この状況において、ユーザは、1つ又は複数の病変の内壁を個別に修正するようにしてもよい。
別の状況においては、臨床医が血管又は血管セグメントの狭窄レベルの増大を望む場合もあるが、血管/セグメントは0%の狭窄とシステムにより決定されているため、増大すべき血管/セグメントのスライスを決定するのは困難である。
この状況では、血管中の疾患を認識するように特別にトレーニングされた疾患機械学習コンポーネントが用いられるようになっていてもよく、この疾患機械学習コンポーネントは、狭窄の可能性のある病変を特定するため、0%と決定された血管/セグメントに対して適用される。狭窄の可能性のある病変の特定後は、上記の方法によって、血管、血管セグメント、或いは(1つ又は複数の)個々の病変に適用可能な狭窄範囲を広げるようにしてもよい。疾患機械学習コンポーネントは、U-Netトレーニング済みニューラルネットワーク等、任意好適な機械学習コンポーネントであってもよい。
血管/セグメントが0%狭窄と決定された場合の狭窄レベルを増大させるための代替構成においては、上記の壁分節プロセスが破棄され、グラウンドトゥルース血管スライス画像及び専門家の注釈付き狭窄値でトレーニングされたU-Net等の機械学習コンポーネントを使用して、新たな壁分節プロセスが実行される。狭窄の可能性のある病変の特定後は、上記の方法によって、血管、血管セグメント、或いは(1つ又は複数の)個々の病変に適用可能な狭窄範囲を広げるようにしてもよい。
以下の特許請求の範囲及び上記本発明の説明においては、明示的な表現又は必要な暗示により文脈上別段の定めを必要とする場合を除いて、単語「備える(comprise)」又は「comprises」若しくは「comprising」等の変形は、包括的な意味、すなわち、記載の特徴の存在を特定するために使用するが、本発明の種々実施形態における他の特徴の存在又は追加を排除するものではない。
本明細書において如何なる先行技術刊行物を参照する場合であっても、このような参照は、オーストラリア又はその他任意の国において、当該刊行物が当該技術分野における一般的な知識の一部を構成するものと認めることにはならないことが理解される。
当業者に明らかと考えられる改良及び変形についても、本発明の範囲に含まれるものと考えられる。
本発明の第1の態様によれば、冠動脈疾患を特定する方法であって、
患者に実行された造影心臓CTスキャンを示す造影心臓CTデータを受信するステップと、
機械学習を使用して造影心臓CTデータを分析して複数の予測中心線種子点を特定し、かつ、瞬時中心点種子点から、冠動脈の別の中心線種子点への推定方向を予測し、冠動脈の別の中心線種子点への前記予測される推定方向を使用して、複数の予測中心線種子点から予測中心線種子点を選択することにより、機械学習を使用して造影心臓CTデータを分析することにより、患者の心動脈中の箇所に対応することが予測される造影心臓CTデータ中の複数の中心線種子点を特定するステップと、
造影心臓CTデータ及び特定した中心線種子点を使用して、患者の心動脈の横断方向画像スライスを示すデータを生成するステップと、
機械学習を使用して横断方向画像スライスデータを分析することにより、患者の冠動脈の予測される内壁及び外壁をそれぞれ示す動脈内壁データ及び動脈外壁データを生成するステップと、
患者の冠動脈の予測される内壁及び/又は外壁を使用して、冠動脈疾患の有無を特定するステップと、
を含む、方法が提供される。
患者に実行された造影心臓CTスキャンを示す造影心臓CTデータを受信するステップと、
機械学習を使用して造影心臓CTデータを分析して複数の予測中心線種子点を特定し、かつ、瞬時中心点種子点から、冠動脈の別の中心線種子点への推定方向を予測し、冠動脈の別の中心線種子点への前記予測される推定方向を使用して、複数の予測中心線種子点から予測中心線種子点を選択することにより、機械学習を使用して造影心臓CTデータを分析することにより、患者の心動脈中の箇所に対応することが予測される造影心臓CTデータ中の複数の中心線種子点を特定するステップと、
造影心臓CTデータ及び特定した中心線種子点を使用して、患者の心動脈の横断方向画像スライスを示すデータを生成するステップと、
機械学習を使用して横断方向画像スライスデータを分析することにより、患者の冠動脈の予測される内壁及び外壁をそれぞれ示す動脈内壁データ及び動脈外壁データを生成するステップと、
患者の冠動脈の予測される内壁及び/又は外壁を使用して、冠動脈疾患の有無を特定するステップと、
を含む、方法が提供される。
一実施形態において、複数の予測中心線種子点を特定するステップは、規定のパラメータ範囲内の関連する放射線濃度値を有する予測中心線種子点を通過させるように放射線濃度テストを適用することを含む。
一実施形態において、放射線濃度テストは、ハンスフィールドユニットテストであり、規定のパラメータ範囲は、100~600のハンスフィールドユニット値である。
一実施形態において、別の中心線種子点への推定方向を予測するステップは、予測中心線種子点及びデータキューブを使用して実行される。
一実施形態において、瞬時中心線種子点から別の中心線種子点への推定方向を予測するステップは、大動脈から遠隔の冠動脈の予測端の中心線種子点又は予測端に隣り合う中心線種子点から開始することと、遠隔端から大動脈まで中心線種子点を連続予測することと、を含む。
本発明の第2の態様によれば、冠動脈疾患を特定するためのシステムであって、
患者に実行された造影心臓CTスキャンを示す造影心臓CTデータを受信することと、
機械学習を使用して造影心臓CTデータを分析して複数の予測中心線種子点を特定し、かつ、瞬時中心点種子点から、冠動脈の別の中心線種子点への推定方向を予測し、冠動脈の別の中心線種子点への予測される推定方向を使用して、複数の予測中心線種子点から予測中心線種子点を選択することにより、機械学習を使用して、患者に実行された造影心臓CTスキャンを示す受信造影心臓CTデータを分析することにより、患者の心動脈中の箇所に対応することが予測される造影心臓CTデータ中の複数の中心線種子点を特定する血管種子検出器と、
造影心臓CTデータ及び特定された中心線種子点を使用して、患者の心動脈の横断方向画像スライスを示すデータを生成し、機械学習を使用して横断方向画像スライスデータを分析することにより、患者の冠動脈の予測される内壁及び外壁をそれぞれ示す動脈内壁データ及び動脈外壁データを生成する血管壁分節器と、
患者の冠動脈の予測される内壁及び/又は外壁を使用して、冠動脈疾患の有無を特定する疾患評価ユニットと、
を備える、システムが提供される。
患者に実行された造影心臓CTスキャンを示す造影心臓CTデータを受信することと、
機械学習を使用して造影心臓CTデータを分析して複数の予測中心線種子点を特定し、かつ、瞬時中心点種子点から、冠動脈の別の中心線種子点への推定方向を予測し、冠動脈の別の中心線種子点への予測される推定方向を使用して、複数の予測中心線種子点から予測中心線種子点を選択することにより、機械学習を使用して、患者に実行された造影心臓CTスキャンを示す受信造影心臓CTデータを分析することにより、患者の心動脈中の箇所に対応することが予測される造影心臓CTデータ中の複数の中心線種子点を特定する血管種子検出器と、
造影心臓CTデータ及び特定された中心線種子点を使用して、患者の心動脈の横断方向画像スライスを示すデータを生成し、機械学習を使用して横断方向画像スライスデータを分析することにより、患者の冠動脈の予測される内壁及び外壁をそれぞれ示す動脈内壁データ及び動脈外壁データを生成する血管壁分節器と、
患者の冠動脈の予測される内壁及び/又は外壁を使用して、冠動脈疾患の有無を特定する疾患評価ユニットと、
を備える、システムが提供される。
Claims (92)
- 冠動脈疾患を特定する方法であって、
患者に実行された造影心臓CTスキャンを示す造影心臓CTデータを受信するステップと、
機械学習を使用して前記造影心臓CTデータを分析して、前記患者の心動脈中の箇所に対応することが予想される前記造影心臓CTデータ中の複数の種子点を特定するステップと、
前記造影心臓CTデータ及び前記特定した種子点を使用して、前記患者の前記心動脈の横断方向画像スライスを示すデータを生成するステップと、
機械学習を使用して前記横断方向画像スライスデータを分析して、前記患者の前記冠動脈の予測される内壁及び外壁をそれぞれ示す動脈内壁データ及び動脈外壁データを生成するステップと、
前記患者の前記冠動脈の前記予測される内壁及び/又は外壁を使用して、冠動脈疾患の有無を特定するステップと、
を含む、方法。 - 複数の種子点を特定する前記ステップが、機械学習を使用して前記造影心臓CTデータを分析して、冠動脈上の箇所に対応することが予想される複数の予測種子点を特定することと、放射線濃度テストを前記予測種子点に適用することにより、複数の候補種子点を生成することと、を含む、請求項1に記載の方法。
- 前記放射線濃度テストが、前記造影心臓CTデータをフィルタリングして、規定のパラメータ範囲内の関連する放射線濃度値を有する予測種子点を通過させることを含む、請求項2に記載の方法。
- 前記放射線濃度テストが、ハンスフィールドユニットテストであり、前記規定のパラメータ範囲が、100~600のハンスフィールドユニット値である、請求項3に記載の方法。
- 瞬時種子点から、冠動脈の別の種子点への推定方向を予測して前記冠動脈を表すラインを特定することにより、前記冠動脈上の箇所に対応することが予測される種子点を決定するステップを含む、請求項1~4のいずれか一項に記載の方法。
- 冠動脈上の箇所に対応することが予測される種子点を決定する前記ステップが、前記冠動脈の別の種子点への前記予測される推定方向を使用して、前記複数の候補種子点から候補種子点を選択することを含む、請求項2に従属する場合の請求項5に記載の方法。
- 別の種子点への推定方向を予測する前記ステップが、機械学習を使用して実行される、請求項5又は6に記載の方法。
- 前記冠動脈を表す前記ラインが、前記冠動脈の中心線を表すラインである、請求項5~7のいずれか一項に記載の方法。
- 瞬時種子点から、別の種子点への推定方向を予測する前記ステップが、大動脈から遠隔の冠動脈の予測端の種子点又は前記予測端に隣り合う種子点から開始することと、前記遠隔端から大動脈まで種子点を連続予測することと、を含む、請求項5~8のいずれか一項に記載の方法。
- 機械学習を使用して、冠動脈と大動脈との交差箇所を検出するステップを含む、請求項1~9のいずれか一項に記載の方法。
- 機械学習を使用して、冠動脈と大動脈との交差箇所を検出する前記ステップが、機械学習を使用して大動脈分節プロセスを前記造影心臓CTデータに実行して、前記造影心臓CTデータ中の上行大動脈の箇所を予測することと、前記予測した上行大動脈の箇所及び前記冠動脈を表す前記特定したラインを使用することと、を含む、請求項10に記載の方法。
- 前記上行大動脈から4mm等の規定の距離内の位置まで延びているかに基づいて、冠動脈が大動脈につながっているかを判定するステップを含む、請求項11に記載の方法。
- 分枝検出アルゴリズムを使用して、当初は存在可能血管を表すラインに対応するものとして特定されなかった一次冠動脈上の分枝を検出するステップを含む、請求項5~9のいずれか一項に記載の方法。
- 機械学習を使用して特定されるラベルを特定された動脈と関連付ける代表的な動脈ラインラベル付与器を含む、請求項1~13のいずれか一項に記載の方法。
- 前記ラベルが、少なくとも1つの分類器を使用して特定される、請求項14に記載の方法。
- 前記少なくとも1つの分類器が、前記分類器の性能を強化する適応強化(AdaBoost)アルゴリズムを含む、請求項15に記載の方法。
- 前記少なくとも1つの分類器が、複数の主要な冠動脈の特徴に基づいて冠動脈を分類するように構成されている、請求項15又は16に記載の方法。
- 主要な冠動脈の特徴が、大動脈から遠隔の前記冠動脈の端部の箇所と、前記冠動脈に沿った複数の異なる箇所を示す方向ベクトルと、を含む、請求項17に記載の方法。
- 前記複数の異なる箇所が、大動脈に隣り合う近接箇所、血管の実質的に真ん中の箇所、並びに大動脈から遠隔の前記冠動脈の端部の箇所若しくは前記端部に隣り合う箇所に配設されている、請求項18に記載の方法。
- 前記特定した冠動脈が不正確又は不完全である旨の判定がなされた場合に、前記放射線濃度テストに使用される前記パラメータ範囲を修正するステップを含む、請求項3に従属する場合の請求項1~19のいずれか一項に記載の方法。
- 前記判定が、不十分な冠動脈が特定された旨である場合、前記方法が、候補種子点の数が増えるように前記パラメータ範囲を広げるステップを含む、請求項20に記載の方法。
- 前記横断方向画像スライスが、前記冠動脈と垂直に取得されたスライスである、請求項1~21のいずれか一項に記載の方法。
- 機械学習を使用して前記横断方向画像スライスデータを分析して、動脈内壁データ及び動脈外壁データを生成する前記ステップが、動脈内壁及び動脈外壁を含む例示的な横断方向画像スライスを示すグラウンドトゥルースデータ並びに冠動脈疾患を示す撮像アーチファクトを使用して前記機械学習コンポーネントをトレーニングすることを含む、請求項1~22のいずれか一項に記載の方法。
- 前記グラウンドトゥルースデータが、グラウンドトゥルース冠動脈に沿った一組の複数の規定点それぞれの複数の断面画像データスライスを含み、前記画像スライスが、前記規定点の前の少なくとも1つの画像データスライス及び前記規定点の後の少なくとも1つの画像データスライスを含む、請求項23に記載の方法。
- 前記判定した内壁データを使用して、管腔断面積を決定するステップと、前記決定した管腔断面積を使用して、狭窄を特定するステップと、を含む、請求項1~24のいずれか一項に記載の方法。
- 各動脈分岐の後、前記動脈分岐の後に線形漸減基準断面積を示す線形回帰ラインの動脈部へのフィッティングにより計算された基準断面積を決定するステップと、決定された断面積と前記線形回帰ラインに応じた基準断面積との比較に基づいて狭窄を特定するステップと、を含む、請求項25に記載の方法。
- 前記決定された断面積と前記基準断面積との前記比較が規定の比例差を示す場合に狭窄を特定するステップを含む、請求項26に記載の方法。
- 冠動脈疾患の有無を特定する前記ステップが、前記決定した内壁データと外壁データとの間の間隙領域を決定することと、前記間隙領域の特性を分析して前記冠動脈疾患を特性化することと、を含む、請求項1~27のいずれか一項に記載の方法。
- 前記間隙領域の前記特性が、前記間隙領域と関連付けられたボクセルの放射線濃度を含む、請求項28に記載の方法。
- 冠動脈疾患の有無を特定する前記ステップが、高リスクプラークを特定することを含む、請求項1~29のいずれか一項に記載の方法。
- 前記高リスクプラークが、点状石灰化を含み、前記方法が、放射線濃度テストを適用して、石灰化プラークとの関連付けが予測される前記間隙中の候補ボクセルを特定するとともに、連結コンポーネント分析器を適用して、関連するボクセルを石灰化ボリュームとして一体的に関連付けることにより、点状石灰化を特定するステップを含む、請求項1~30のいずれか一項に記載の方法。
- 点状石灰化を特定する前記ステップが、石灰化ボリュームが3mm等の規定量未満の直径を有する場合に点状石灰化として特定されるように、サイズテストを特定される各石灰化ボリュームに適用することをさらに含み得る、請求項31に記載の方法。
- 冠動脈疾患の有無を特定する前記ステップが、前記間隙の半径方向寸法、断面積、及び/又は容積が規定量又は正常な冠動脈と比較した場合の規定割合よりも大きいかに基づいて、ポジティブリモデリングを特定することを含む、請求項1~32のいずれか一項に記載の方法。
- 正常な冠動脈と比較した場合の前記割合が、正常な血管間隙よりも約10%大きい、請求項33に記載の方法。
- 冠動脈疾患分析が選択された解像度バージョンで実行され得るように、受信した造影心臓CTデータの異なる解像度バージョンを格納するステップ及び/又は受信した造影心臓CTデータの低解像度への変換を容易化するステップを含み、前記造影心臓CTデータの解像度が、所望の精度及び分析速度に基づいて選択される、請求項1~34のいずれか一項に記載の方法。
- 前記動脈内壁データのユーザによる編集を可能にするステップを含む、請求項1~35のいずれか一項に記載の方法。
- インターフェース画面を使用することによって表示された動脈内壁の手動修正を容易化することにより、前記動脈内壁データのユーザによる編集を可能にするステップを含む、請求項36に記載の方法。
- インターフェース画面を使用することによって表示された動脈内壁の手動修正を容易化する前記ステップが、前記動脈内壁を表す複数の制御点を表示することと、前記制御点のうちの1つ又は複数のユーザによる移動を可能にすることと、を含む、請求項37に記載の方法。
- 血管狭窄の選択を容易化することによって、前記動脈内壁データのユーザによる編集を可能にするステップであり、システムが、前記選択された狭窄に基づいて前記動脈内壁データを修正する、ステップを含む、請求項36~38のいずれか一項に記載の方法。
- 複数の選択可能な狭窄範囲を提供するステップを含む、請求項39に記載の方法。
- 血管セグメント及び/又は前記血管内の特定の箇所の狭窄レベルの選択を容易化することによって、前記動脈内壁データのユーザによる編集を可能にするステップを含む、請求項39又は40に記載の方法。
- 選択されたスライスの管腔面積を修正するステップと、その後、血管狭窄を再計算するステップと、を含む反復プロセスを実行することにより、前記選択された狭窄に基づいて、前記動脈内壁データを修正するステップを含む、請求項39~41のいずれか一項に記載の方法。
- 前記狭窄レベルの低減が提案された場合、選択されたスライスの管腔面積を修正する前記ステップが、前記スライスの管腔面積を拡大することにより、前記選択された狭窄レベルと関連付けられた最大レベルを超える各スライスの前記狭窄レベルを低減することを含む、請求項42に記載の方法。
- 前記狭窄レベルの増大が提案された場合、選択されたスライスの管腔面積を修正する前記ステップが、最大狭窄のスライスを特定することと、前記スライスの管腔面積を縮小することにより、前記選択された狭窄レベルと関連付けられた最小レベルを上回るように前記スライスの前記狭窄レベルを増大することと、を含む、請求項42又は43に記載の方法。
- 前記反復プロセスが、3回の反復を含む、請求項43又は44に記載の方法。
- 血管セグメントの前記狭窄レベルが0%と判定された場合、システムが、前記反復プロセスの実行に先立って、冠状血管中の疾患を認識するようにトレーニングされた疾患機械学習コンポーネントを前記血管セグメントに適用することにより、潜在的な狭窄病変を特定するように構成されている、請求項42~45のいずれか一項に記載の方法。
- 冠動脈疾患を特定するためのシステムであって、
患者に実行された造影心臓CTスキャンを示す造影心臓CTデータを受信することと、
機械学習を使用して、患者に実行された造影心臓CTスキャンを示す受信造影心臓CTデータを分析して、前記患者の心動脈中の箇所に対応することが予想される前記造影心臓CTデータ中の複数の種子点を特定する血管種子検出器と、
前記造影心臓CTデータ及び前記特定された種子点を使用して、前記患者の前記心動脈の横断方向画像スライスを示すデータを生成し、機械学習を使用して前記横断方向画像スライスデータを分析して、前記患者の前記冠動脈の予測される内壁及び外壁をそれぞれ示す動脈内壁データ及び動脈外壁データを生成する血管壁分節器と、
前記患者の前記冠動脈の前記予測される内壁及び/又は外壁を使用して、冠動脈疾患の有無を特定する疾患評価ユニットと、
を備える、システム。 - 前記血管種子検出器が、機械学習を使用して前記造影心臓CTデータを分析して、冠動脈上の箇所に対応することが予想される複数の予測種子点を特定するとともに、放射線濃度テストを前記予測種子点に適用して、複数の候補種子点を生成するように構成されている、請求項47に記載のシステム。
- 前記放射線濃度テストが、前記造影心臓CTデータをフィルタリングして、規定のパラメータ範囲内の関連する放射線濃度値を有する予測種子点を通過させることを含む、請求項48に記載のシステム。
- 前記放射線濃度テストが、ハンスフィールドユニットテストであり、前記規定のパラメータ範囲が、100~600のハンスフィールドユニット値である、請求項49に記載のシステム。
- 瞬時種子点から、冠動脈の別の種子点への推定方向を予測して前記冠動脈を表すラインを特定することにより、前記冠動脈上の箇所に対応することが予測される種子点を決定するように構成された血管追跡器を備える、請求項46~49のいずれか一項に記載のシステム。
- 前記血管追跡器が、冠動脈の別の種子点への前記予測される推定方向を使用して、前記複数の候補種子点から候補種子点を選択することにより、前記冠動脈上の箇所に対応することが予測される種子点を決定するように構成されている、請求項48に従属する場合の請求項51に記載のシステム。
- 機械学習を使用して別の種子点への推定方向を予測することを含む、請求項51又は52に記載のシステム。
- 前記冠動脈を表す前記ラインが、前記冠動脈の中心線を表すラインである、請求項51~53のいずれか一項に記載のシステム。
- 大動脈から遠隔の冠動脈の予測端の種子点又は前記予測端に隣り合う種子点から開始し、前記遠隔端から大動脈まで種子点を連続予測することによって、瞬時種子点から別の種子点への推定方向を予測することを含む、請求項51~54のいずれか一項に記載のシステム。
- 前記血管追跡器が、機械学習を使用して、冠動脈と大動脈との交差箇所を検出するように構成されている、請求項47~55のいずれか一項に記載のシステム。
- 前記血管追跡器が、機械学習を使用して、大動脈分節プロセスを前記造影心臓CTデータに実行して、前記造影心臓CTデータ中の上行大動脈の箇所を予測し、前記予測した上行大動脈の箇所及び前記冠動脈を表す前記特定されたラインを使用することにより、機械学習を使用して冠動脈と大動脈との交差箇所を検出するように構成されている、請求項56に記載のシステム。
- 前記血管追跡器が、前記上行大動脈から4mm等の規定の距離内の位置まで延びているかに基づいて、冠動脈が大動脈につながっているかを判定するように構成されている、請求項57に記載のシステム。
- 前記血管追跡器が、分枝検出アルゴリズムを使用して、当初は存在可能血管を表すラインに対応するものとして特定されなかった一次冠動脈上の分枝を検出するように構成されている、請求項51~55のいずれか一項に記載のシステム。
- 機械学習を使用して特定されるラベルを特定された動脈と関連付ける代表的な動脈ラインラベル付与器を備える、請求項47~59のいずれか一項に記載のシステム。
- 前記ラベルが、少なくとも1つの分類器を使用して特定される、請求項60に記載のシステム。
- 前記少なくとも1つの分類器が、前記分類器の性能を強化する適応強化(AdaBoost)アルゴリズムを含む、請求項61に記載のシステム。
- 前記少なくとも1つの分類器が、複数の主要な冠動脈の特徴に基づいて冠動脈を分類するように構成されている、請求項61又は62に記載のシステム。
- 主要な冠動脈の特徴が、大動脈から遠隔の前記冠動脈の端部の箇所と、前記冠動脈に沿った複数の異なる箇所を示す方向ベクトルと、を含む、請求項63に記載のシステム。
- 前記複数の異なる箇所が、大動脈に隣り合う近接箇所、血管の実質的に真ん中の箇所、並びに大動脈から遠隔の前記冠動脈の端部の箇所若しくは前記端部に隣り合う箇所に配設されている、請求項64に記載のシステム。
- 前記血管種子検出器が、前記特定された冠動脈が不正確又は不完全である旨の判定がなされた場合に、前記放射線濃度テストに使用される前記パラメータ範囲を修正するように構成されている、請求項48に従属する場合の請求項47~65のいずれか一項に記載のシステム。
- 前記判定が、不十分な冠動脈が特定された旨である場合、前記血管種子検出器が、候補種子点の数が増えるように前記パラメータ範囲を広げる、請求項66に記載のシステム。
- 前記横断方向画像スライスが、前記冠動脈と垂直に取得されたスライスである、請求項47~67のいずれか一項に記載のシステム。
- 前記血管壁分節器が、動脈内壁及び動脈外壁を含む例示的な横断方向画像スライスを示すグラウンドトゥルースデータ並びに冠動脈疾患を示す撮像アーチファクトを使用して前記機械学習コンポーネントをトレーニングすることにより、機械学習を使用して前記横断方向画像スライスデータを分析することにより動脈内壁データ及び動脈外壁データを生成するように構成されている、請求項47~68のいずれか一項に記載のシステム。
- 前記グラウンドトゥルースデータが、グラウンドトゥルース冠動脈に沿った一組の複数の規定点それぞれの複数の断面画像データスライスを含み、前記画像スライスが、前記規定点の前の少なくとも1つの画像データスライス及び前記規定点の後の少なくとも1つの画像データスライスを含む、請求項69に記載のシステム。
- 前記疾患評価ユニットが、前記判定された内壁データを使用して管腔断面積を決定するとともに、前記決定した管腔断面積を使用して狭窄を特定するように構成されている、請求項47~70のいずれか一項に記載のシステム。
- 前記疾患評価ユニットが、各動脈分岐の後、前記動脈分岐の後に線形漸減基準断面積を示す線形回帰ラインの動脈部へのフィッティングにより計算された基準断面積を決定し、決定された断面積と前記線形回帰ラインに応じた基準断面積との比較に基づいて狭窄を特定するように構成されている、請求項71に記載のシステム。
- 前記決定された断面積と前記基準断面積との前記比較が規定の比例差を示す場合に狭窄を特定することを含む、請求項72に記載のシステム。
- 前記疾患評価ユニットが、前記決定された内壁データと外壁データとの間の間隙領域を決定し、前記間隙領域の特性を分析して冠動脈疾患を特性化することにより、前記冠動脈疾患の有無を特定するように構成されている、請求項47~73のいずれか一項に記載のシステム。
- 前記間隙領域の前記特性が、前記間隙領域と関連付けられたボクセルの放射線濃度を含む、請求項74に記載のシステム。
- 前記疾患評価ユニットが、高リスクプラークを特定することにより、冠動脈疾患の有無を特定するように構成されている、請求項47~75のいずれか一項に記載のシステム。
- 前記高リスクプラークが、点状石灰化を含み、前記疾患評価ユニットが、放射線濃度テストを適用して、石灰化プラークとの関連付けが予測される前記間隙中の候補ボクセルを特定するとともに、連結コンポーネント分析器を適用して、関連するボクセルを石灰化ボリュームとして一体的に関連付けることにより、点状石灰化を特定するように構成されている、請求項47~76のいずれか一項に記載のシステム。
- 前記疾患評価ユニットが、石灰化ボリュームが3mm等の規定量未満の直径を有する場合に点状石灰化として特定されるように、サイズテストを特定される各石灰化ボリュームに適用するように構成されている、請求項77に記載のシステム。
- 前記疾患評価ユニットが、前記間隙の半径方向寸法、断面積、及び/又は容積が規定量又は正常な冠動脈と比較した場合の規定割合よりも大きいかに基づいて、ポジティブリモデリングを特定することにより、冠動脈疾患の有無を特定するように構成されている、請求項47~78のいずれか一項に記載のシステム。
- 正常な冠動脈と比較した場合の前記割合が、正常な血管間隙よりも約10%大きい、請求項79に記載のシステム。
- 前記システムが、冠動脈疾患分析が選択された解像度バージョンで実行され得るように、受信された造影心臓CTデータの異なる解像度バージョンを格納すること及び/又は受信された造影心臓CTデータデータの低解像度への変換を容易化することを行うように構成され、前記造影心臓CTデータが、所望の精度及び分析速度に基づいて選択される、請求項47~80のいずれか一項に記載のシステム。
- 前記システムが、前記動脈内壁データのユーザによる編集を可能にするように構成されている、請求項47~81のいずれか一項に記載のシステム。
- 前記システムが、インターフェース画面を使用することによって表示された動脈内壁の手動修正を容易化することにより、前記動脈内壁データのユーザによる編集を可能にするように構成されている、請求項82に記載のシステム。
- 前記システムが、前記動脈内壁を表す複数の制御点を表示し、前記制御点のうちの1つ又は複数のユーザによる移動を可能にすることによって表示された動脈内壁の手動修正を容易化するように構成されている、請求項83に記載のシステム。
- 前記システムが、血管狭窄の選択を容易化することによって、前記動脈内壁データのユーザによる編集を可能にするように構成され、前記システムが、前記選択された狭窄に基づいて前記動脈内壁データを修正する、請求項82~84のいずれか一項に記載のシステム。
- 前記システムが、複数の選択可能な狭窄範囲を提供する、請求項85に記載のシステム。
- 前記システムが、血管セグメント及び/又は前記血管内の特定の箇所の狭窄レベルの選択を容易化することによって、前記動脈内壁データのユーザによる編集を可能にするように構成されている、請求項85又は86に記載のシステム。
- 前記システムが、選択されたスライスの管腔面積を修正するステップと、その後、血管狭窄を再計算するステップと、を含む反復プロセスを実行することにより、前記選択された狭窄に基づいて、前記動脈内壁データを修正するように構成されている、請求項85~87のいずれか一項に記載のシステム。
- 前記狭窄レベルの低減が提案された場合、前記システムが、各スライスの管腔面積を拡大することにより、前記選択された狭窄レベルと関連付けられた最大レベルを超える前記スライスの前記狭窄レベルを低減することによって、選択されたスライスの管腔面積を修正するように構成されている、請求項88に記載のシステム。
- 前記狭窄レベルの増大が提案された場合、前記システムが、最大狭窄のスライスを特定し、前記スライスの管腔面積を縮小することによって前記選択された狭窄レベルと関連付けられた最小レベルを上回るように前記スライスの前記狭窄レベルを増大することにより、選択されたスライスの管腔面積を修正するように構成されている、請求項88又は89に記載のシステム。
- 前記反復プロセスが、3回の反復を含む、請求項89又は90に記載のシステム。
- 血管セグメントの前記狭窄レベルが0%と判定された場合、前記システムが、前記反復プロセスの実行に先立って、冠状血管中の疾患を認識するようにトレーニングされた疾患機械学習コンポーネントを前記血管セグメントに適用することにより、潜在的な狭窄病変を特定するように構成されている、請求項88~91のいずれか一項に記載のシステム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
AU2021901188 | 2021-04-21 | ||
AU2021901188A AU2021901188A0 (en) | 2021-04-21 | A system for and method of identifying coronary artery disease | |
PCT/AU2022/050365 WO2022221921A1 (en) | 2021-04-21 | 2022-04-21 | A system for and method of identifying coronary artery disease |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2024515188A true JP2024515188A (ja) | 2024-04-05 |
Family
ID=83723474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023564041A Pending JP2024515188A (ja) | 2021-04-21 | 2022-04-21 | 冠動脈疾患を特定するシステム及び方法 |
Country Status (7)
Country | Link |
---|---|
EP (1) | EP4312776A1 (ja) |
JP (1) | JP2024515188A (ja) |
KR (1) | KR20230171476A (ja) |
CN (1) | CN117320628A (ja) |
AU (2) | AU2021221667A1 (ja) |
CA (1) | CA3216263A1 (ja) |
WO (1) | WO2022221921A1 (ja) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012083350A1 (en) * | 2010-12-24 | 2012-06-28 | Otton James Maxwell | Coronary calcium measurement |
US11094058B2 (en) * | 2015-08-14 | 2021-08-17 | Elucid Bioimaging Inc. | Systems and method for computer-aided phenotyping (CAP) using radiologic images |
EP3497669B1 (en) * | 2016-08-10 | 2021-02-17 | Agfa HealthCare | Method for automatically detecting systemic arteries in arbitrary field-of-view computed tomography angiography (cta). |
US10699407B2 (en) * | 2018-04-11 | 2020-06-30 | Pie Medical Imaging B.V. | Method and system for assessing vessel obstruction based on machine learning |
-
2021
- 2021-08-25 AU AU2021221667A patent/AU2021221667A1/en active Pending
-
2022
- 2022-04-21 EP EP22790611.2A patent/EP4312776A1/en active Pending
- 2022-04-21 KR KR1020237039939A patent/KR20230171476A/ko unknown
- 2022-04-21 AU AU2022262833A patent/AU2022262833A1/en active Pending
- 2022-04-21 JP JP2023564041A patent/JP2024515188A/ja active Pending
- 2022-04-21 CN CN202280030259.3A patent/CN117320628A/zh active Pending
- 2022-04-21 WO PCT/AU2022/050365 patent/WO2022221921A1/en active Application Filing
- 2022-04-21 CA CA3216263A patent/CA3216263A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
AU2021221667A1 (en) | 2022-11-10 |
WO2022221921A1 (en) | 2022-10-27 |
KR20230171476A (ko) | 2023-12-20 |
CN117320628A (zh) | 2023-12-29 |
AU2022262833A1 (en) | 2023-10-26 |
EP4312776A1 (en) | 2024-02-07 |
CA3216263A1 (en) | 2022-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11816836B2 (en) | Method and system for assessing vessel obstruction based on machine learning | |
US10460204B2 (en) | Method and system for improved hemodynamic computation in coronary arteries | |
US10115039B2 (en) | Method and system for machine learning based classification of vascular branches | |
JP2023509514A (ja) | 医用画像分析、診断、重症度分類、意思決定、および/または疾患追跡のためのシステム、方法、およびデバイス | |
US7940977B2 (en) | Method and system for automatic analysis of blood vessel structures to identify calcium or soft plaque pathologies | |
CN108348206B (zh) | 用于无创血流储备分数(ffr)的侧支流建模 | |
US20080101674A1 (en) | Method and system for automatic analysis of blood vessel structures and pathologies | |
US20220215541A1 (en) | Method, device and computer-readable medium for automatically classifying coronary lesion according to cad-rads classification by a deep neural network | |
CN113241183B (zh) | 治疗方案预测方法及装置 | |
US20230394654A1 (en) | Method and system for assessing functionally significant vessel obstruction based on machine learning | |
JP7426824B2 (ja) | 非侵襲的イメージングベースのffrのインタラクションモニタリング | |
AU2022316594A1 (en) | A coronary artery disease analysis system | |
EP3606433B1 (en) | Standardized coronary artery disease metric | |
JP2024515188A (ja) | 冠動脈疾患を特定するシステム及び方法 | |
US20240130702A1 (en) | System for and method of identifying coronary artery disease | |
Salahuddin et al. | Multi-resolution 3d convolutional neural networks for automatic coronary centerline extraction in cardiac CT angiography scans | |
AU2021221669A1 (en) | A coronary artery disease analysis tool | |
CN117836805A (zh) | 冠状动脉疾病分析系统 | |
Sedghi Gamechi | Automatic Quantification of the Aorta and Pulmonary Artery in Chest CT: methods and validation in lung screening |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A529 | Written submission of copy of amendment under article 34 pct |
Free format text: JAPANESE INTERMEDIATE CODE: A529 Effective date: 20231214 |