JP7149286B2 - 機械学習に基づいて血管閉塞を評価する方法およびシステム - Google Patents
機械学習に基づいて血管閉塞を評価する方法およびシステム Download PDFInfo
- Publication number
- JP7149286B2 JP7149286B2 JP2019552010A JP2019552010A JP7149286B2 JP 7149286 B2 JP7149286 B2 JP 7149286B2 JP 2019552010 A JP2019552010 A JP 2019552010A JP 2019552010 A JP2019552010 A JP 2019552010A JP 7149286 B2 JP7149286 B2 JP 7149286B2
- Authority
- JP
- Japan
- Prior art keywords
- training
- features
- target organ
- perfusion
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/50—Clinical applications
- A61B6/507—Clinical applications involving determination of haemodynamic parameters, e.g. perfusion CT
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
- G06V20/653—Three-dimensional objects by matching three-dimensional models, e.g. conformal mapping of Riemann surfaces
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
-
- 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
Description
CCTAの少なくとも1つの目的は、撮像中に心臓および/または冠動脈の解剖学的構造を増強するために、通常、前肘静脈への静脈内注射により外因性造影剤を注入することにより、心臓および冠動脈の解剖学的構造を識別することである。非特許文献10によると、造影剤注入のタイミングは、冠動脈システムが、冠動脈内腔と周囲の軟部組織を明確に区別するのに十分な造影剤を含むように、調整される。これにより、医師が、最適な画質と精度で、冠動脈狭窄と内腔狭窄を評価することが可能になる。前述のガイドラインは、適切な冠動脈の不透明化を確保するために、CCTA画像の取得は、通常、事前定義の解剖学的構造(ほとんどの場合、これは下行大動脈である)内で事前定義のしきい値減衰値に達すると、または増強後の特定の遅延時間が、上行大動脈内で最初に見えるまでを待って、開始される、と記載している。本発明者等は、さらに、上記の方法により、CCTAの取得が、心室心筋内のコントラストを増強させることを認識した。何故ならば、注入された造影剤は、一旦冠動脈に存在すると、より小さな世代の冠動脈にも配送され、それはそこから冠動脈の微小血管系を通過し、これにより、心筋の(微妙な)増強がもたらされるであろうからである。
・侵襲的FFR>0.9、「機能的に有意な狭窄は存在しない」
・侵襲的FFR0.7~0.8、軽度の機能的に有意な狭窄が存在する」
・侵襲性FFR<0.7、「重度の機能的に有意な狭窄が存在する」
本出願は、米国仮出願の優先権を主張する。 2017年3月24日に出願された米国特許出願第62/476,382号(代理人整理番号PIE-018PROV)の優先権を主張する。
Claims (15)
- 血管閉塞の重症度を評価する方法であって、
a)標的臓器のコントラスト増強ボリュ-ム画像デ-タセットを取得するステップ、
b)前記ボリュ-ム画像デ-タセットの少なくとも一部を、前記標的臓器の壁領域に対応するデ-タセグメントにセグメント化するステップ、
c)前記標的臓器の壁領域による灌流経験の量を示す特徴を抽出するために、前記デ-タセグメントを分析するステップ、
d)灌流させた前記標的臓器のトレ-ニングセットから導出された特徴-灌流分類(FPC)モデルを取得するステップであって、前記FPCモデルが、トレ-ニング特徴と、灌流させた前記標的臓器の前記トレ-ニングセットの対応する壁領域の血管灌流のベ-スライン量を示す参照流体力学パラメ-タとの関係を含むステップ、
e)前記抽出された特徴および前記FPCモデルに基づいて前記デ-タセグメントを分類するステップ、および
f)前記特徴の分類に基づいて、血管閉塞の重症度を示す予測を出力として提供するステップ
を備える方法。 - 前記参照流体力学パラメ-タが、侵襲的冠血流予備量比測定値、微小循環抵抗の指標、瞬間無波比測定値、冠血流予備能測定値、患者が、コントラストが増強された画像のデ-タセットの取得後から事前に定義された時間内で血行再建を受けた場合に、コントラストが増強された画像のデ-タセットの取得後から事前に定義された時間内における主要な有害心イベント(MACE)の発生、または心臓ストレステストの結果、を備える、請求項1に記載の方法。
- 前記特徴が、テクスチャおよび/または形態上の特徴であり、および/または
前記特徴が、畳み込みオ-トエンコ-ダ、ガウスフィルタ、経壁灌流比、ハラリック特徴、心筋の厚さ、または前記標的臓器の形状を使用して、決定されていて、および/または
前記標的臓器が前記心筋であり、かつ前記血管が冠状動脈であり、および/または
前記心筋が、教師なしの方法でいくつかのエンコ-ドに圧縮され、前記エンコ-ドが、ステップe)の分類のためにステップc)の特徴を抽出するデ-タセグメントとして分析され、および/または
出力される表示が、トレ-ニング血管閉塞に対する前記血管閉塞の重症度を示す、
請求項1または2に記載の方法。 - ステップe)の前記分類が、以下のパラメ-タ:冠動脈ツリ-の解剖学、患者の人口統計情報、冠動脈石灰化、冠動脈プラ-ク、スペクトラル多重エネルギまたは光子計数、ECGパラメ-タ、心臓バイオマ-カ、心臓の周囲または心臓内の脂肪組織、心筋の形状、等の1つ以上から選択される二次情報を利用する、
請求項1-3の何れか1項に記載の方法。 - ステップc)の分析が、各デ-タセグメントについて、対応するデ-タセグメントから測定または抽出された複数の因子を備える特徴ベクトルを抽出することを含み、前記複数の因子が、前記対応する壁領域の性質を記述するまたは特性付ける、
請求項1-4の何れか1項に記載の方法。 - 前記FPCモデルが、前記コントラスト増強ボリュ-ム画像デ-タセットのデ-タベ-スと、前記コントラスト増強ボリュ-ム画像デ-タセットから抽出された関連するトレ-ニング特徴ベクトルとから取得され、前記トレ-ニング特徴ベクトルが既知のラベルを含み、そして
ステップe)の分類が、前記既知のラベルに基づいてトレ-ニングされた機械学習アルゴリズムを利用し、前記機械学習アルゴリズムが、前記特徴に基づいて前記デ-タセグメントを分類する、
請求項1-5の何れか1項に記載の方法。 - 前記トレ-ニングセットの前記標的臓器の前記コントラスト増強ボリュ-ム画像デ-タセットと前記標的臓器に灌流する血管に関連する前記参照流体力学パラメ-タとから、灌流させた前記標的臓器の前記トレ-ニングセットのトレ-ニング特徴を分類する前記FPCモデルを形成するトレ-ニングフェ-ズを実装するステップを、さらに、備え、
前記トレ-ニングフェ-ズが、
i)前記トレ-ニングセット内に各前記標的臓器の前記コントラスト増強ボリュ-ム画像デ-タセットを提供するステップ、
ii)前記トレ-ニングセットの前記標的臓器をセグメント化するステップ、
iii)前記トレ-ニングセットの前記標的臓器の壁領域による灌流経験の量を示すトレ-ニング特徴を抽出するために、前記デ-タセグメントを分析するステップ、および
iv)前記FPCモデルを形成するために、灌流させた前記標的臓器の前記トレ-ニングセットの対応する領域の血管灌流のベ-スライン量を示す前記参照流体力学パラメ-タに対するトレ-ニングセットの灌流させた前記標的臓器のトレ-ニング特徴を分類するステップ
を備える、
請求項1-6の何れか1項に記載の方法。 - ステップc)の前記分析が、ステップe)の前記分類を実行する前に、抽出された特徴をクラスタ化する、および/または
ステップiii)の前記分析が、ステップiv)の前記分類を実行する前に、抽出されたトレ-ニング特徴をクラスタ化する、
請求項1または7に記載の方法。 - ステップc)の前記分析が、因子のシリ-ズを備える特徴ベクトルを抽出し、各前記因子が、複数のクラスタにわたる対象の特性の変動量を表す値を有し、および/または
ステップc)の前記分析が、因子のシリ-ズを含む特徴ベクトルを抽出し、各前記因子が、左心室心筋の複数のセグメントにわたる関心のある特性の強度を表し、および/または
ステップc)の前記分析が、因子のシリ-ズを備える特徴ベクトルを抽出し、前記因子の前記シリ-ズのサブセットが、セグメント内の強度を表し、そして前記因子の前記シリ-ズの別のサブセットが、心筋量、最小心筋厚、および/または最大心筋厚を表す、
請求項1-8の何れか1項に記載の方法。 - 血管閉塞の重症度の評価に関連してトレ-ニング特徴を分類する特徴-灌流分類(FPC)モデルを形成する方法であって、
a)トレ-ニング用の灌流させた標的臓器のコントラスト増強ボリュ-ム画像デ-タセットを取得するステップ、
b)前記ボリュ-ム画像デ-タセットの少なくとも一部を、前記トレ-ニング用の灌流させた標的臓器の壁領域に対応するデ-タセグメントにセグメント化するステップ、
c)前記トレ-ニング用の灌流させた標的臓器の壁領域による灌流経験量を示すトレ-ニング特徴を抽出するために、前記デ-タセグメントを分析するステップ、
d)前記FPCモデルを形成するために、前記トレ-ニング用の灌流させた標的臓器の対応する領域に対する血管灌流のベ-スライン量を示す参照流体力学パラメ-タに関連して、前記トレ-ニング用の灌流させた標的臓器のトレ-ニング特徴を分類するステップであって、前記FPCモデルが、トレ-ニング特徴と、前記灌流させた標的臓器のトレ-ニングセットの対応する壁領域の血管灌流のベ-スライン量を示す参照流体力学パラメ-タとの関係を含むステップ、
を備える方法。 - ステップc)の前記分析が、ステップd)の前記分類を実行する前に、前記トレ-ニング特徴を抽出する、
請求項10に記載の方法 - 血管閉塞の重症度を評価するためのシステムであって、
標的臓器のコントラスト増強ボリュ-ム画像デ-タセットを格納するように構成されているメモリと、
前記メモリに格納されているプログラム命令を実行するときに、
a)前記ボリュ-ム画像デ-タセットの少なくとも一部を、前記標的臓器の壁領域に対応するデ-タセグメントにセグメント化し、
b)前記デ-タセグメントを分析して、前記標的臓器の壁領域による灌流経験の量を示す特徴を抽出し、
c)灌流させた前記標的臓器のトレ-ニングセットから導出された特徴-灌流分類(FPC)モデルを取得し、
d)前記抽出された特徴および前記FPCモデルに基づいて、前記デ-タセグメントを分類し、そして
e)前記特徴の前記分類に基づいて血管閉塞の重症度を示す予測を、出力として提供し、前記FPCモデルが、トレ-ニング特徴と、灌流させた前記標的臓器の前記トレ-ニングセットの対応する壁領域の血管灌流のベ-スライン量を示す参照流体力学パラメ-タとの関係を含む、
ように構成されている1つ以上のプロセッサとを
備えるシステム。 - 前記参照流体力学パラメ-タが、侵襲的冠血流予備量比測定値、微小循環抵抗の指標、瞬間無波比測定値、冠血流予備能測定値、患者が、コントラストが増強された画像のデ-タセットの取得後から事前に定義された時間内で血行再建を受けた場合に、コントラストが増強された画像のデ-タセットの取得後から事前に定義された時間内における主要な有害心イベント(MACE)の発生、または心臓ストレステストの結果、
を備える、
請求項12に記載のシステム。 - 前記特徴が、畳み込みオ-トエンコ-ダ、ガウスフィルタ、経壁灌流比、ハラリック特徴、心筋の厚さまたは前記標的臓器の形状を使用して決定され、および/または
前記標的臓器が心筋であり、前記血管が冠状動脈であり、および/または
前記心筋が、教師なしの方法でいくつかのエンコ-ドに圧縮され、前記エンコ-ドが、ステップe)の前記分類のためにステップc)の特徴を抽出するデ-タセグメントとして分析され、および/または
前記1つ以上のプロセッサが、二次情報を利用してステップd)の分類を実行するように構成されていえ、前記二次情報が、以下のパラメ-タ:冠動脈ツリ-の解剖学、患者の人口統計情報、冠動脈石灰化、冠動脈プラ-ク、スペクトラルマルチエネルギまたは光子計数、ECGパラメ-タ、心臓バイオマ-カ、前記心臓の周囲または前記心臓内の脂肪組織、心筋の形状、等の内の1つ以上から選択される、
請求項12または13に記載のシステム。 - 前記1つまたは複数のプロセッサが、各前記デ-タセグメントに対して、前記対応するデ-タセグメントから測定または抽出された複数の因子を備える特徴ベクトルを抽出することにより、ステップb)の前記分析を実行するように構成されていて、前記複数の因子が前記対応する地域の性質を記述しまたは特性付けていて;および/または
前記1つ以上のプロセッサが、因子のシリ-ズを備える特徴ベクトルを抽出することにより、ステップb)の前記分析を実行するように構成されていて、各前記因子が、複数のクラスタにわたり関心のある特性の変動量を表す値を有し、および/または
前記1つ以上のプロセッサが、因子のシリ-ズを備える特徴ベクトルを抽出することによりステップb)の前記分析を実行するように構成されていて、各前記因子が、左心室心筋の複数のセグメントにわたり関心のある特性の強度を表していて、および/または
前記1つまたは複数のプロセッサが、因子のシリ-ズを含む特徴ベクトルを抽出することにより、ステップb)の分析を実行するように構成されていて、因子のシリ-ズのサブセットが、セグメント内の強度を表し、そして前記因子の前記シリ-ズの別のサブセットが、心筋量、最小心筋厚および/または最大心筋厚さを示す、
請求項12-14の何れか1項に記載のシステム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762476382P | 2017-03-24 | 2017-03-24 | |
US62/476,382 | 2017-03-24 | ||
PCT/IB2018/051985 WO2018172990A1 (en) | 2017-03-24 | 2018-03-23 | Method and system for assessing vessel obstruction based on machine learning |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020511262A JP2020511262A (ja) | 2020-04-16 |
JP7149286B2 true JP7149286B2 (ja) | 2022-10-06 |
Family
ID=61972172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019552010A Active JP7149286B2 (ja) | 2017-03-24 | 2018-03-23 | 機械学習に基づいて血管閉塞を評価する方法およびシステム |
Country Status (5)
Country | Link |
---|---|
US (3) | US10176575B2 (ja) |
EP (1) | EP3602394A1 (ja) |
JP (1) | JP7149286B2 (ja) |
CN (1) | CN110546646A (ja) |
WO (1) | WO2018172990A1 (ja) |
Families Citing this family (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016070128A1 (en) | 2014-10-31 | 2016-05-06 | Irhythm Technologies, Inc. | Wireless physiological monitoring device and systems |
US10898079B2 (en) * | 2016-03-04 | 2021-01-26 | University Of Manitoba | Intravascular plaque detection in OCT images |
EP4241694A3 (en) | 2016-05-16 | 2023-12-20 | Cathworks Ltd. | Selection of vascular paths from images |
DE102016215976A1 (de) * | 2016-08-25 | 2018-03-01 | Siemens Healthcare Gmbh | Ermittelung einer klinischen Kenngröße mit einer Kombination unterschiedlicher Aufnahmemodalitäten |
US10176575B2 (en) | 2017-03-24 | 2019-01-08 | Pie Medical Imaging B.V. | Method and system for assessing vessel obstruction based on machine learning |
WO2018178212A1 (en) * | 2017-03-28 | 2018-10-04 | Koninklijke Philips N.V. | Ultrasound clinical feature detection and associated devices, systems, and methods |
US10699407B2 (en) | 2018-04-11 | 2020-06-30 | Pie Medical Imaging B.V. | Method and system for assessing vessel obstruction based on machine learning |
EP3824606A1 (en) * | 2018-07-20 | 2021-05-26 | Nokia Technologies Oy | Learning in communication systems by updating of parameters in a receiving algorithm |
JP2020057172A (ja) * | 2018-10-01 | 2020-04-09 | 株式会社Preferred Networks | 学習装置、推論装置及び学習済みモデル |
KR102246318B1 (ko) * | 2018-10-05 | 2021-04-30 | 주식회사 딥바이오 | 병리 이미지 검색을 위한 시스템 및 방법 |
WO2020081686A1 (en) * | 2018-10-17 | 2020-04-23 | Heartflow, Inc. | Systems and methods for assessing cardiovascular disease and treatment effectiveness from adipose tissue |
JP2022512027A (ja) * | 2018-10-22 | 2022-02-01 | コーニンクレッカ フィリップス エヌ ヴェ | 血管からの流れに関するパラメータを導出するための方法及びシステム |
EP3644274A1 (en) | 2018-10-26 | 2020-04-29 | Koninklijke Philips N.V. | Orientation detection for vessel segmentation |
KR102187842B1 (ko) * | 2018-11-14 | 2020-12-08 | 울산대학교 산학협력단 | 심근 이미지 분석 방법 및 장치 |
US10964017B2 (en) * | 2018-11-15 | 2021-03-30 | General Electric Company | Deep learning for arterial analysis and assessment |
US20220104712A1 (en) * | 2019-01-30 | 2022-04-07 | Koninklijke Philips N.V. | Aortic stenosis echocardiographic follow-up expert system |
EP3695784A1 (en) * | 2019-02-12 | 2020-08-19 | Koninklijke Philips N.V. | Prediction of coronary microvascular dysfunction from coronary computed tomography |
US10861157B2 (en) | 2019-04-04 | 2020-12-08 | Medtronic Vascular, Inc. | System and methods for determining modified fractional flow reserve values |
US20200337567A1 (en) * | 2019-04-24 | 2020-10-29 | BraveHeart Wireless Inc. | Systems and Methods of Arrhythmia Detection |
EP3739522A1 (en) * | 2019-05-17 | 2020-11-18 | Koninklijke Philips N.V. | Deep virtual contrast |
CN110522465A (zh) | 2019-07-22 | 2019-12-03 | 通用电气精准医疗有限责任公司 | 基于图像数据的血液动力学参数估计 |
US11443137B2 (en) | 2019-07-31 | 2022-09-13 | Rohde & Schwarz Gmbh & Co. Kg | Method and apparatus for detecting signal features |
CN110706803B (zh) * | 2019-08-20 | 2023-06-27 | 南京医基云医疗数据研究院有限公司 | 一种确定心肌纤维化的方法、装置、可读介质及电子设备 |
CN114554963A (zh) * | 2019-09-12 | 2022-05-27 | 安科诺思公司 | 用于自动超声图像标记和质量分级的系统和方法 |
EP4042432A4 (en) * | 2019-10-10 | 2022-12-07 | Medstar Health Inc. | NON-INVASIVE ASSESSMENT OF MICROVASCULAR DISORDERS |
CN110808096B (zh) * | 2019-10-30 | 2022-04-19 | 北京邮电大学 | 基于卷积神经网络的心脏病变自动检测系统 |
CN110889448A (zh) * | 2019-11-26 | 2020-03-17 | 北京华医共享医疗科技有限公司 | 一种基于卷积神经网络的心电分类方法 |
WO2021108783A1 (en) * | 2019-11-27 | 2021-06-03 | The Research Foundation For The State University Of New York | Methods and systems for assessing a vasculature |
EP4276751A3 (en) * | 2019-11-28 | 2024-01-10 | Siemens Healthcare GmbH | Computer-implemented method for evaluating a ct data set regarding perivascular tissue, evaluation device, computer program and electronically readable storage medium |
US11083371B1 (en) | 2020-02-12 | 2021-08-10 | Irhythm Technologies, Inc. | Methods and systems for processing data via an executable file on a monitor to reduce the dimensionality of the data and encrypting the data being transmitted over the wireless network |
KR102402011B1 (ko) * | 2020-02-18 | 2022-05-27 | 재단법인 아산사회복지재단 | 의료영상 처리 장치와 그 의료영상 학습 방법 및 의료영상 처리 방법 |
CN113362271B (zh) * | 2020-03-06 | 2022-09-09 | 深圳睿心智能医疗科技有限公司 | 血管三维影像分割方法、装置、计算机设备和存储介质 |
US11869208B2 (en) * | 2020-03-16 | 2024-01-09 | Taipei Veterans General Hospital | Methods, apparatuses, and computer programs for processing pulmonary vein computed tomography images |
CN111657883B (zh) * | 2020-06-03 | 2021-05-04 | 北京理工大学 | 基于序列造影的冠脉syntax分数自动计算方法与系统 |
AU2021289232A1 (en) | 2020-06-09 | 2023-01-19 | Annalise-Ai Pty Ltd | Systems and methods for automated analysis of medical images |
CN111861994B (zh) * | 2020-06-17 | 2024-02-13 | 西安电子科技大学 | 冠状动脉壁图像分割方法、系统、存储介质、计算机设备 |
US11337632B2 (en) | 2020-08-06 | 2022-05-24 | Irhythm Technologies, Inc. | Electrical components for physiological monitoring device |
US11350864B2 (en) | 2020-08-06 | 2022-06-07 | Irhythm Technologies, Inc. | Adhesive physiological monitoring device |
WO2022133258A1 (en) * | 2020-12-18 | 2022-06-23 | The Johns Hopkins University | Real-time prediction of adverse outcomes using machine learning |
EP4268241A1 (en) * | 2020-12-23 | 2023-11-01 | Ida Arvidsson | A method for estimating narrowings in arteries of a heart and an apparatus thereof |
CN112950544A (zh) * | 2021-02-02 | 2021-06-11 | 深圳睿心智能医疗科技有限公司 | 一种确定冠脉参数的方法 |
CN112907563B (zh) * | 2021-03-17 | 2023-12-01 | 复旦大学附属华山医院 | 基于深度学习的cta全自动侧枝循环评分方法及系统 |
KR102520594B1 (ko) * | 2021-05-03 | 2023-04-13 | 한국생산기술연구원 | 인공지능 영상처리장치 및 이의 제어방법 |
WO2023237553A1 (en) | 2022-06-07 | 2023-12-14 | Pie Medical Imaging Bv | Method and system for assessing functionally significant vessel obstruction based on machine learning |
KR102641346B1 (ko) * | 2022-10-14 | 2024-02-27 | 주식회사 에어스메디컬 | 혈관 검출 방법 및 이를 수행하는 컴퓨터 프로그램 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007502676A (ja) | 2003-08-21 | 2007-02-15 | アイシェム コーポレイション | 血管プラーク検出および分析のための自動化方法およびシステム |
JP2007526016A (ja) | 2003-06-25 | 2007-09-13 | シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド | 心撮像の自動局所心筋評価を行うシステム及び方法 |
JP2008086566A (ja) | 2006-10-02 | 2008-04-17 | Riichiro Kakihara | 虚血性心臓疾患診断装置およびプログラム |
JP2014532509A (ja) | 2011-11-07 | 2014-12-08 | パイエオン インコーポレイテッドPaieon Inc. | 心臓機構を検知および分析するための方法およびシステム |
JP2015527901A (ja) | 2012-06-26 | 2015-09-24 | エスワイエヌシー−アールエックス、リミテッド | 管腔器官における流れに関連する画像処理 |
JP2016500548A (ja) | 2012-11-06 | 2016-01-14 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 冠血流予備量比(ffr)指標 |
JP2016521138A (ja) | 2013-03-12 | 2016-07-21 | コリンズ,ドナ | 冠動脈微小血管疾患を診断するためのシステム及び方法 |
Family Cites Families (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2003216295A1 (en) | 2002-02-15 | 2003-09-09 | The Regents Of The University Of Michigan | Lung nodule detection and classification |
JP4421203B2 (ja) | 2003-03-20 | 2010-02-24 | 株式会社東芝 | 管腔状構造体の解析処理装置 |
US7935055B2 (en) | 2003-09-19 | 2011-05-03 | Siemens Medical Solutions Usa, Inc. | System and method of measuring disease severity of a patient before, during and after treatment |
US7379062B2 (en) | 2005-08-01 | 2008-05-27 | Barco Nv | Method for determining a path along a biological object with a lumen |
US7822254B2 (en) | 2006-04-21 | 2010-10-26 | Siemens Medical Solutions Usa, Inc. | Automatic positioning of matching multi-planar image reformatting (MPR) views of multiple 3D medical images |
US8073227B2 (en) | 2008-05-09 | 2011-12-06 | Siemens Aktiengesellschaft | System and method for geometric modeling of tubular structures |
US8155411B2 (en) | 2008-07-22 | 2012-04-10 | Pie Medical Imaging B.V. | Method, apparatus and computer program for quantitative bifurcation analysis in 3D using multiple 2D angiographic images |
JP5746969B2 (ja) * | 2008-09-11 | 2015-07-08 | アシスト・メディカル・システムズ,インコーポレイテッド | 生理学的センサ配送装置及び流体注入システム |
US9761004B2 (en) | 2008-09-22 | 2017-09-12 | Siemens Healthcare Gmbh | Method and system for automatic detection of coronary stenosis in cardiac computed tomography data |
EP2489011B1 (en) | 2009-10-14 | 2020-04-29 | 3Mensio Medical Imaging B.V. | A method, a graphic user interface, a system and a computer program for optimizing workflow of a medical intervention |
US8526699B2 (en) * | 2010-03-12 | 2013-09-03 | Siemens Aktiengesellschaft | Method and system for automatic detection and classification of coronary stenoses in cardiac CT volumes |
US8315812B2 (en) | 2010-08-12 | 2012-11-20 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
US10321892B2 (en) | 2010-09-27 | 2019-06-18 | Siemens Medical Solutions Usa, Inc. | Computerized characterization of cardiac motion in medical diagnostic ultrasound |
CN102129568B (zh) * | 2011-04-29 | 2012-09-05 | 南京邮电大学 | 利用改进的高斯混合模型分类器检测图像垃圾邮件的方法 |
CN102608089B (zh) * | 2012-03-13 | 2017-02-22 | 喻秋珺 | 一种离体灌流心脏活性氧族和线粒体膜电位的检测方法 |
CN102902978A (zh) * | 2012-08-31 | 2013-01-30 | 电子科技大学 | 一种面向对象的高分辨率遥感图像分类方法 |
US10398386B2 (en) | 2012-09-12 | 2019-09-03 | Heartflow, Inc. | Systems and methods for estimating blood flow characteristics from vessel geometry and physiology |
CN104798105B (zh) * | 2012-11-20 | 2019-06-07 | 皇家飞利浦有限公司 | 采用图像纹理特征的集成表型 |
US9700219B2 (en) | 2013-10-17 | 2017-07-11 | Siemens Healthcare Gmbh | Method and system for machine learning based assessment of fractional flow reserve |
US9747525B2 (en) | 2014-06-16 | 2017-08-29 | Siemens Healthcare Gmbh | Method and system for improved hemodynamic computation in coronary arteries |
US10206646B2 (en) | 2016-03-10 | 2019-02-19 | Siemens Healthcare Gmbh | Method and system for extracting centerline representation of vascular structures in medical images via optimal paths in computational flow fields |
US10115039B2 (en) | 2016-03-10 | 2018-10-30 | Siemens Healthcare Gmbh | Method and system for machine learning based classification of vascular branches |
US10163040B2 (en) | 2016-07-21 | 2018-12-25 | Toshiba Medical Systems Corporation | Classification method and apparatus |
EP3279865B2 (en) | 2016-08-01 | 2022-02-16 | 3mensio Medical Imaging B.V. | Method, device and system for simulating shadow images |
US10176575B2 (en) | 2017-03-24 | 2019-01-08 | Pie Medical Imaging B.V. | Method and system for assessing vessel obstruction based on machine learning |
US10762637B2 (en) | 2017-10-27 | 2020-09-01 | Siemens Healthcare Gmbh | Vascular segmentation using fully convolutional and recurrent neural networks |
US10699407B2 (en) | 2018-04-11 | 2020-06-30 | Pie Medical Imaging B.V. | Method and system for assessing vessel obstruction based on machine learning |
-
2018
- 2018-03-23 US US15/933,854 patent/US10176575B2/en active Active
- 2018-03-23 WO PCT/IB2018/051985 patent/WO2018172990A1/en active Application Filing
- 2018-03-23 EP EP18717701.9A patent/EP3602394A1/en active Pending
- 2018-03-23 JP JP2019552010A patent/JP7149286B2/ja active Active
- 2018-03-23 CN CN201880020710.7A patent/CN110546646A/zh active Pending
-
2019
- 2019-01-07 US US16/241,165 patent/US10395366B2/en active Active
- 2019-07-11 US US16/508,996 patent/US11004198B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007526016A (ja) | 2003-06-25 | 2007-09-13 | シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド | 心撮像の自動局所心筋評価を行うシステム及び方法 |
JP2007502676A (ja) | 2003-08-21 | 2007-02-15 | アイシェム コーポレイション | 血管プラーク検出および分析のための自動化方法およびシステム |
JP2008086566A (ja) | 2006-10-02 | 2008-04-17 | Riichiro Kakihara | 虚血性心臓疾患診断装置およびプログラム |
JP2014532509A (ja) | 2011-11-07 | 2014-12-08 | パイエオン インコーポレイテッドPaieon Inc. | 心臓機構を検知および分析するための方法およびシステム |
JP2015527901A (ja) | 2012-06-26 | 2015-09-24 | エスワイエヌシー−アールエックス、リミテッド | 管腔器官における流れに関連する画像処理 |
JP2016500548A (ja) | 2012-11-06 | 2016-01-14 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 冠血流予備量比(ffr)指標 |
JP2016521138A (ja) | 2013-03-12 | 2016-07-21 | コリンズ,ドナ | 冠動脈微小血管疾患を診断するためのシステム及び方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110546646A (zh) | 2019-12-06 |
US11004198B2 (en) | 2021-05-11 |
US20190139219A1 (en) | 2019-05-09 |
US20190333216A1 (en) | 2019-10-31 |
US10176575B2 (en) | 2019-01-08 |
WO2018172990A1 (en) | 2018-09-27 |
JP2020511262A (ja) | 2020-04-16 |
US10395366B2 (en) | 2019-08-27 |
US20180276817A1 (en) | 2018-09-27 |
EP3602394A1 (en) | 2020-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7149286B2 (ja) | 機械学習に基づいて血管閉塞を評価する方法およびシステム | |
US11816836B2 (en) | Method and system for assessing vessel obstruction based on machine learning | |
US20210334963A1 (en) | Method and system for assessing vessel obstruction based on machine learning | |
Zreik et al. | Deep learning analysis of the myocardium in coronary CT angiography for identification of patients with functionally significant coronary artery stenosis | |
Singh et al. | Machine learning in cardiac CT: basic concepts and contemporary data | |
Noothout et al. | Deep learning-based regression and classification for automatic landmark localization in medical images | |
Hampe et al. | Machine learning for assessment of coronary artery disease in cardiac CT: a survey | |
Xu et al. | Applications of artificial intelligence in multimodality cardiovascular imaging: a state-of-the-art review | |
JP2020037037A (ja) | 画像処理装置、画像処理方法、及びプログラム | |
US10769780B2 (en) | Collateral flow modelling for non-invasive fractional flow reserve (FFR) | |
JP7210048B2 (ja) | 心臓再同期療法 | |
CN110944586B (zh) | 来自x射线图像数据的炎症估计 | |
Lin et al. | Artificial intelligence in cardiovascular CT: Current status and future implications | |
Van den Oever et al. | Application of artificial intelligence in cardiac CT: From basics to clinical practice | |
Jafari et al. | Automated diagnosis of cardiovascular diseases from cardiac magnetic resonance imaging using deep learning models: A review | |
EP3923810A1 (en) | Prediction of coronary microvascular dysfunction from coronary computed tomography | |
JP6685319B2 (ja) | 定量的フロー分析のための方法および装置 | |
US20230394654A1 (en) | Method and system for assessing functionally significant vessel obstruction based on machine learning | |
Tokodi et al. | Radiomics in cardiovascular imaging: principles and clinical implications | |
Dey et al. | Computed tomography and artificial intelligence | |
Chen | Analysis of Cardiovascular Disease using Cardiac Computed Tomography and Deep Learning | |
Kim et al. | Automated identification of myocardial perfusion defects in dynamic cardiac computed tomography using deep learning | |
Bravo et al. | Left ventricle segmentation and motion analysis in multislice computerized tomography | |
Dippre | Artificial Intelligence in Computed Tomography | |
Teßmann | Computer aided diagnosis methods for coronary CT angiography |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210212 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220125 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220208 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20220425 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220516 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220628 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220810 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220830 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220926 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7149286 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |