JP2024515188A - 冠動脈疾患を特定するシステム及び方法 - Google Patents

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。

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。

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。

本発明の一実施形態に係る、冠動脈疾患を特定する（本例においては、特性化する）ためのシステムの模式ブロック図である。 図１に示すシステムの冠動脈疾患分析装置の模式ブロック図である。 図２に示す冠動脈疾患分析装置の血管種子検出器の模式ブロック図である。 図２に示す冠動脈疾患分析装置の中心線追跡器の模式ブロック図である。 図２に示す冠動脈疾患分析装置の血管壁分節器の模式ブロック図である。 ＣＴＣＡスキャンを用いて撮像された心動脈の一部の例示的な断面描写図である。 図２に示す冠動脈疾患分析装置の疾患評価ユニットの狭窄評価コンポーネントの模式ブロック図である。 図２に示す冠動脈疾患分析装置の疾患評価ユニットの高リスクプラーク評価コンポーネントを示した図である。 本発明の一実施形態に係る、冠動脈疾患を特定する（本例においては、特性化する）方法を示したフロー図である。 本発明の一実施形態に係る、冠動脈疾患を特定する（本例においては、特性化する）方法を示したフロー図である。 本発明の一実施形態に係る、冠動脈疾患を特定する（本例においては、特性化する）ためのシステムの血管壁編集画面の描写図である。 本発明の一実施形態に係る、冠動脈疾患を特定する（本例においては、特性化する）ためのシステムの代替的な血管壁編集画面の描写図である。 新たな狭窄レベルの選択後の図１１に示す代替的な血管壁編集画面の描写図である。 新たな狭窄レベルの選択後のシステムにより実行される反復プロセスの図式描写図である。 血管壁を補正する方法のステップ２０２～２１４を記載するフロー図である。

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。

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。

Claims (92)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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。
9. 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。
10. 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。
11. 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。
12. 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。
13. 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。
14. 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。
15. 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。
16. 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。
17. 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。
18. 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。
19. 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。
20. 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。
21. 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。
22. 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。
23. 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。
24. 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。
25. 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。
26. 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。
27. 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。
28. 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。
29. 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。
30. 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。
31. 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。
32. 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。
33. 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。
34. 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。
35. 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。
36. 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。
37. 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。
38. 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。
39. 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。
40. 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。
41. 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。
42. 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。
43. 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。
44. 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。
45. 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。
46. 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。
47. 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。
48. 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。
49. 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。
50. 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。
51. 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。
52. 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。
53. 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。
54. 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。
55. 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。
56. 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。
57. 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。
58. 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。
59. 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。
60. 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。
61. 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。
62. 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。
63. 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。
64. 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。
65. 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。
66. 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。
67. 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。
68. 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。
69. 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。
70. 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。
71. 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。
72. 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。
73. 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。
74. 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。
75. 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。
76. 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。
77. 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。
78. 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。
79. 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。
80. 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。
81. 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。
82. 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。
83. 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。
84. 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。
85. 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。
86. 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。
87. 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。
88. 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。
89. 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。
90. 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。
91. 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。
92. 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。

Images