CN104768465A

CN104768465A - 血流储备分数(ffr)指标

Info

Publication number: CN104768465A
Application number: CN201380057710.1A
Authority: CN
Inventors: L·戈申; Y·拉马什; G·吉勒博阿
Original assignee: Koninklijke Philips Electronics NV
Current assignee: Koninklijke Philips NV
Priority date: 2012-11-06
Filing date: 2013-10-24
Publication date: 2015-07-08
Anticipated expiration: 2033-10-24
Also published as: CN104768465B; US20150282765A1; JP6302922B2; WO2014072861A3; BR112015010012A2; EP2916735A2; JP2016500548A; EP2916735B1; WO2014072861A2; US9757073B2; RU2015121362A

Abstract

如本文所描述的，基于某些提取的特征来将未知FFR分类。另外，能够基于某些提取的特征来确定对所述未知FFR的估计。此外，能够确定所估计的FFR的置信区间。在另一实例中，确定了用于经由模拟来确定FFR的边界条件。所述边界条件能够被用于将所述未知FFR分类。

Description

血流储备分数(FFR)指标

技术领域

下文总体涉及血流储备分数指标并且结合对计算机断层摄影(CT)的具体应用加以描述。然而，下文也适用于其他成像模态，包括X-射线、磁共振成像(MRI)和/或其他成像模态。

背景技术

FFR是冠状动脉狭窄的功能严重性的指标，FFR根据在冠状动脉造影期间进行的压力测量来计算并且被定义为在充血情况下相对于(靠近心门的)近端压力的(狭窄后面的)远端血压。换言之，FFR指标表达相较于假定没有狭窄的最大血流量的进入存在狭窄的血管内的最大血流量。FFR值是在0与1之间的绝对数，其中，值0.50指示给定的狭窄引起血压下降50％，并且有助于狭窄程度的诊断。

已经使用压力丝来获得狭窄之前和之后的血压来测量FFR指标。例如，在冠状动脉导管插入期间，使用鞘和导丝来将导管插入股动脉或桡动脉中。附着到导管尖端的传感器被放置在狭窄处。在由影响血管几何结构、依从性和阻力和/或其他特性的各种药剂促进的情况期间，拉回导管并且因此拉回传感器，并且传感器感测压力、温度和流量，记录在狭窄两端的压力、温度和流量。遗憾的是，该方法是昂贵且微创的，从而将患者暴露于健康风险中。

估计FFR指标的无创方法是通过其中模拟通过冠状动脉的血流和压力的计算流体动力学(CFD)模拟。对于该方法，3D冠状动脉几何结构是基于患者的心脏CT扫描的。遗憾的是，利用该方法，没有很好地定义提取的几何结构之外的边界条件(即，流量、压力和/或阻力)，并且在入口(心门)和血管-出口处的流量和压力的值极大地影响FFR估计准确度。该方法也是耗时的，从而需要密集性计算(例如，高达数小时)并且假定非常高质量的几何结构数据(例如，冠状动脉分割)，这通常意味着大量的手动编辑。

发明内容

本文描述的方面解决了以上提到的问题和其他问题。

如下文所描述的，基于某些提取的特征来将未知FFR分类。另外，能够基于某些提取的特征来确定对所述未知FFR的估计。此外，能够确定所估计的FFR的置信区间。在另一实例中，确定了用于经由模拟来确定FFR的边界条件。所述边界条件能够被用于将所述未知FFR分类。

在一个方面中，一种方法包括：基于提取的特征和学习模型来将针对具有狭窄的心血管的未知血流储备分数度量分类为多个不同预定义类别中的一种，并且生成指示所述分类的信号，其中，从其中包括所述心血管和所述狭窄的表示的图像数据分割的经分割的图像数据提取所述提取的特征。

在另一方面中，一种方法包括：基于提取的特征和学习模型来将针对心血管的狭窄的未知血流储备分数度量估计到多个不同预定义类别中的一种中，并且生成指示所述估计的信号，其中，从其中包括所述心血管和所述狭窄的表示的图像数据分割的经分割的图像数据提取所述提取的特征。

在另一方面中，一种方法包括：基于包括血管和狭窄的表示的图像数据来估计所述血管的所述狭窄的边界条件，所述边界条件包括所述狭窄的估计的出口流率或所述狭窄的估计的出口阻力中的至少一个。

在另一方面中，一种系统包括数据分析器，所述数据分析器基于估计的血流储备分数的分类或置信区间或用于计算流体动力学模拟的狭窄的至少一个边界条件来确定针对所述狭窄的未知血流储备分数的血流储备分数分类、所述狭窄的估计的血流储备分数中的至少一个，以确定针对所述狭窄的血流储备分数。

附图说明

本发明可以采用各种部件和部件的布置，以及各种步骤和步骤布置的形式。附图仅出于图示优选实施例的目的，并且不应被解释为对本发明的限制。

图1示意性地图示了与数据分析器连接的成像系统。

图2图示了图1的数据分析器的范例。

图3图示了图1的数据分析器的另一范例。

图4图示了根据图2的数据分析器的范例性方法。

图5图示了根据图3的数据分析器的范例性方法。

具体实施方式

下文描述了用于基于某些提取的特征来将未知FFR分类、基于某些提取的特征来估计FFR、确定所估计的FFR的置信区间和/或确定用于经由模拟来确定FFR的边界条件的非限制性方法。

图1示意性地图示了成像系统100，成像系统100例如CT扫描器。成像系统100包括大致固定机架102和旋转机架104，旋转机架104由固定机架102可旋转地支撑，并且绕检查区域106关于z轴旋转。诸如卧榻的对象支撑物108将目标或对象支撑在检查区域106中。

诸如x射线管的辐射源110由旋转机架104可旋转地支撑，随旋转机架104旋转，并且发射贯穿检查区域106的辐射。辐射敏感探测器阵列112跨检查区域106在角度弧上与辐射源110相对。辐射敏感探测器阵列112探测贯穿检查区域106的辐射并生成指示针对每个探测到的光子的辐射的信号。

重建器114重建投影，从而生成指示位于检查区域106中的对象或目标的被扫描部分的体积图像数据。通用计算系统或计算机用作操作员控制台116。控制台116包括诸如监视器的人类可读输出设备和诸如键盘、鼠标等的输入设备。驻留在控制台116上的软件允许操作员经由图形用户接口(GUI)或以其他方式与扫描器100交互和/或操作扫描器100。

数据分析器118被配置为至少处理表示(一个或多个)感兴趣血管(例如，冠状动脉、脑动脉等)的图像数据，包括其中的狭窄。通过成像系统100和/或其他成像系统能够生成所述图像数据。如下文更详细地描述的，在一个非限制性实例中，数据分析器118确定诸如狭窄之外的边界条件(例如，流量、压力和/或阻力)的特征，并且采用使用计算流体动力学方法的这些特征来确定针对狭窄的FFR值。

如下面还更详细地描述的，数据分析器118也能够进行以下中的至少一项：基于某些特征来将未知FFR分类成预定分类集中的一个，基于某些特征来估计FFR，或确定针对估计的FFR的置信区间。前述允许无创、鲁棒、准确且快速的模拟边界条件确定、FFR分类和/或估计(在具有或没有置信区间的情况下)具有简化的工作流程、更短的估计时间和对用户更少的负担。

数据分析器118能够利用一个或多个计算系统的一个或多个处理器来实施，所述一个或多个处理器运行在诸如物理存储器和/或其他非暂态存储介质的一个或多个计算机可读存储介质中存储的一个或多个计算机可读指令。所述(一个或多个)处理器可以额外地或备选地运行由载波、信号和/或其他暂态介质承载的一个或多个计算机可读指令。

图2图示了数据分析器118的范例。

感兴趣组织(TOI)识别器202获得作为输入的包括表示感兴趣组织(TOI)204的图像数据的对象数据并且识别在图像数据中的感兴趣组织204。能够通过指示用户选择的感兴趣组织、默认感兴趣组织等的信号预先确定或识别感兴趣组织204。TOI识别器202能够采用自动和/或手动方法来识别感兴趣组织。感兴趣组织的范例是诸如具有狭窄的血管的管状组织。然而，感兴趣组织能够是其他组织。

TOI几何结构提取器206从识别的感兴趣组织提取几何结构信息。TOI识别器202能够采用自动和/或手动方法来提取几何结构信息。通过举例的方式，所述提取可以包括采用利用针对冠状血管调谐的主动轮廓和水平集的分割，其中，感兴趣组织是冠状血管，接着进行任选的额外的手动编辑以产生高质量分割。根据该提取和/或其他提取，能够确定在心门D_o和/或其他感兴趣组织的几何结构的有效直径。

参数确定器208基于对象数据来确定至少一个参数。例如，在血管狭窄的上下文中，参数确定器208能够确定入口流率Q_o(即，在心门处的流率)。这能够基于诸如体重、身体质量指数(BMI)、性别、年龄、血液测试结果、解剖成像数据(例如，心肌质量和估计的心博量)和/或对象数据的对象数据来实现。一般地，该数据被当作使用诸如支持向量机(SVM)、随机森林和/或其他分类器的分类器的训练集的特征。在该实例中，训练模型的“地面实况”数据能够包括来自心导管插入流程的信息，例如，来自诸如多普勒尖端的导丝和/或其他装置的流率计的数据。

边界条件估计器210基于通过TOI几何结构提取器206提取的几何结构(例如，在心门D_o处的直径)和通过参数确定器208确定的参数(例如，入口流率Q_o)来估计至少一个边界条件(例如，血管出口的流率Q、平均速度、阻力等)。通过举例的方式，边界条件估计器210能够根据Q_o和D_o来估计在出口处的流率边界条件Q，如方程1所示：

方程1：

Q = Q_{o} {(\frac{D}{Q_{o}})}^{\frac{7}{3}}

其中，D是在每个出口处的有效直径。能够确定平均速度，如方程2所示：

方程2：

&upsi; = \frac{π}{4} K D^{\frac{1}{3}}

边界条件估计器210能够估计阻力边界条件，如方程3所示：

方程3：

对于健康血管，P_o≌P，其中，P_o是在心门处的主动脉压，P_o能够通过测量肱动脉血压来确定，并且能够基于方程4来确定健康组织的阻力R_h：

方程4：

R_{h} &cong; \frac{P_{o}}{Q_{o} {(\frac{D}{D_{o}})}^{\frac{7}{3}}}

对于狭窄血管，压力能够大幅下降。因此，心门压力可能不是可靠的估计，并且能够基于以下迭代法来估计狭窄组织的阻力R_s：

1、通过来初始化，

2、运行快速粗略的CFD模拟，并且使用导出的出口压力通过以下公式来更新阻力：并且

3、重复直到

CFD处理器212例如使用偏微分方程来执行计算流体动力学(CFD)模拟。一般地，CFD是使用数值方法和/或算法来解决和分析涉及流体流动的问题的流体力学方法。CFD处理器212利用通过由边界条件估计器210确定的边界条件定义的表面执行所述计算。然而，也能够采用其他边界条件。在一个实例中，所述输出包括在所有点处的压力和速度的全部体积信息。

任选的优化器214能够被用于优化边界条件。CFD模拟得到出口速度和压力，通过出口速度和压力能够计算出口阻力；基于阻力边界条件来确定出口速度，并且基于速度边界条件来确定出口阻力。因此，通过最小化能量能够优化边界条件，如方程5所示。

方程5：

其中，基于粗略的CFD模拟来确定和

FFR确定器216基于CFD结果来确定FFR。这包括基于所估计和/或经优化的估计的边界条件来确定FFR。相对于诸如在没有很好地定义在提取的几何结构之外的边界条件的方法中在没有通过边界条件估计器210估计的边界条件的情况下确定FFR，该方法提供更准确的FFR确定。

如下面更详细地描述的，通过边界条件估计器210估计的边界条件能够任选地结合图3的数据分析器118使用。

图3图示了数据分析器118的另一范例。

感兴趣组织(TOI)分割器302获得作为输入的对象数据并且从其中的图像数据分割感兴趣组织(TOI)204。如上所述，能够通过指示用户选择的感兴趣组织、默认感兴趣组织等的信号预先确定或识别感兴趣组织204。TOI分割器302能够采用自动和/或手动方法来分割感兴趣组织。对于心脏应用，这包括分割至少心脏的部分，例如，包括冠状动脉分割和标记、冠状动脉中心线提取、心室分割和标记等。

特征提取器304提取特征。这包括从对象数据、经分割的数据、边界条件和/或其他信息提取特征。边界条件的范例包括但不限于，通过图2的边界条件估计器210估计的边界条件和/或其他边界条件。来自经分割的数据的特征的范例包括但不限于：狭窄百分比、狭窄长度、在主动脉与狭窄之间的距离、狭窄位置(动脉标记)、诸如室尺寸的心脏几何结构细节、心肌质量、冠状动脉几何结构细节、冠状动脉中心线细节和/或其他信息。

来自图像数据的特征的范例包括但不限于：在狭窄区域的入口周围的HU(或强度的子集)的第i百分位、在狭窄区域中间周围的HU的第i百分位、在狭窄区域出口周围的HU的第i百分位、狭窄之后的中值HU/狭窄之前的中值HU、在狭窄区域的入口、出口和中心周围的HU轮廓、沿着整个血管的HU轮廓和/或其他信息。来自对象数据的特征的范例包括但不限于：测试结果(例如，血红蛋白)、生命体征(例如，血压等)、患者病史、患者家庭病史和/或其他信息。

建模器306包括FFR分类器308、FFR估计器310和/或置信水平确定器312中的一个或多个。例如，利用具有例如来自患者的先前导管实验流程的“地面实况”结果的训练集来预先训练建模器306。建模器306能够是基于统计或机器学习的，例如线性鉴别分析(LDA)、最优鉴别分析(QDA)、朴素贝叶斯、支持向量机(SVM)、随机树、多项式函数、混合高斯模型、决策树、神经网络等。

一般地，机器学习模型是获得数字(或样式)向量作为输入并且输出单个值的函数。数字向量具有测量结果的具体顺序，例如：血压、年龄、性别等。向量中的每个元素被称为特征。在图示的范例中，向量包括以上讨论的特征。模型包含能够根据新模式调节的参数。能够使用监督学习或半监督学习方法来完成对模型的训练。

FFR分类器308基于提取的特征来将未知FFR分类为预定义类别集中的一种。在这种情况下，输出值是表示类别的数字，所述类别例如“高风险”类别、“中风险”类别和“低风险”类别。这样的分类的范例包括：非显著(FFR>0.9)；轻微(0.8<FFR<0.9)；严重(0.7<FFR<0.8)和非常严重(FFR<0.7)。

FFR估计器310被配置为估计FFR，例如点估计。在一个实例中，FFR估计器310使用基于来自整个训练集或仅仅来自训练集的相关类别集的k最近邻样本的加权插值来执行所述估计，其中，相关类别是在以上FFR分类分量中选择的类别，并且训练集是被用于训练模型的集。

置信区间确定器312被配置为估计所估计的FFR的置信区间。使用作为整个训练集或仅仅来自训练集的相关类别集的分析的采样来导出置信区间。置信区间的目的是给出所估计的FFR的确定性边界。例如，95％的估计的FFR在区间[0.86，0.95]中。区间越窄，确定性越好。

图4图示了用于确定FFR的范例性方法。

在402处，扫描对象的感兴趣区域。

在404处，在来自对应于感兴趣区域的扫描的图像数据中识别感兴趣组织(例如，具有狭窄的血管)。

在406处，从所识别的感兴趣组织提取几何信息(例如，直径、半径等)。

在408处，基于对象的对象数据来确定至少一个参数。

在410处，例如基于所提取的几何信息和至少一个参数来估计感兴趣组织的至少一个边界条件(例如，血管出口的流率Q、平均速度、阻力等)。

在412处，任选地，优化至少一个边界条件。

在414处，基于至少一个边界条件或经优化的至少一个边界条件来执行计算流体动力学(CFD)模拟。

在416处，基于CFD结果来确定感兴趣组织的FFR。

在418处，视觉呈现FFR。

图5图示了用于至少将未知FFR分类的范例性方法。

在502处，扫描对象的感兴趣区域。

在504处，从扫描的图像数据分割感兴趣组织。

在506处，从至少经分割的数据提取特征。

在508处，从在图4中确定的边界条件提取特征。

在510处，从图像数据提取特征。

在512处，从诸如测试结果、对象病史、对象家庭病史等的对象数据提取特征。

在其他范例中提取备选的和/额外的特征。

在514处，基于所提取的特征来将感兴趣组织的未知FFR分类为预定义类别集中的一种。

在516处，额外地或备选地，基于所提取的特征来估计未知FFR的FFR。

在518处，任选地，确定所估计的FFR的置信区间。

在520处，视觉呈现所述分类、所估计的FFR或置信区间中的至少一个。

上文可以通过计算机可读指令的方式来实施，所述计算机可读指令被编码或被嵌入在计算机可读存储介质上，所述计算机可读指令当由(一个或多个)计算机处理器运行时，令所述(一个或多个)处理器执行所描述的动作。额外地或备选地，计算机可读指令中的至少一个由信号、载波或其他暂态介质承载。应当认识到，以上动作的顺序并非限制性的。因此，本文预见到其他顺序。另外，可以省略一个或多个动作和/或可以包括一个或多个额外的动作。

已经参考优选实施例描述了本发明。他人在阅读和理解上述详细描述之后可以进行修改和变化。本发明旨在被解释为包括所有这样的修改和变化，只要它们落入权利要求书或其等价要件的范围内。

Claims

1.一种方法，包括：

基于提取的特征和学习模型来将具有狭窄的心血管的未知血流储备分数度量分类为多个不同预定义类别中的一种，并且生成指示所述分类的信号，其中，从其中包括所述心血管和所述狭窄的表示的图像数据分割的经分割的图像数据提取所述提取的特征。

2.根据权利要求1所述的方法，其中，所述分类包括生成所述未知FFR的数值，并且所述方法还包括：

基于所述数值来将所述未知血流储备分数度量分类。

3.根据权利要求1至2中的任一项所述的方法，其中，特征包括以下中的一个或多个：狭窄百分比、狭窄长度、在主动脉与所述狭窄之间的距离、狭窄位置、心室尺寸、心肌质量、冠状动脉的几何结构、冠状动脉的中心线。

4.根据权利要求3所述的方法，其中，所述特征包括以下中的一个或多个：对应于在所述狭窄的入口、所述狭窄的中间区域或所述狭窄的出口中的至少一个周围的感兴趣强度集的体素的子集；在所述狭窄之后或所述狭窄之前中的至少一个的中值强度值；在所述狭窄的所述入口、所述出口或中心区域中的至少一个周围的强度轮廓；或者沿着所述血管的强度轮廓，测试结果、生命体征、对象病史或对象家庭病史中的一个或多个；或者计算流体动力学模拟的结果。

5.根据权利要求3至4中的任一项所述的方法，其中，所述特征包括所述狭窄的一个或多个估计的边界条件，所述一个或多个估计的边界条件包括所述狭窄的估计的出口流率或估计的出口阻力中的至少一个。

6.根据权利要求5所述的方法，还包括：

基于在所述狭窄的所述出口处的有效直径或半径、在所述狭窄的所述入口处的直径或半径和在所述狭窄的所述入口处的流率来估计所述狭窄的出口流率。

7.根据权利要求5至6中的任一项所述的方法，还包括：

基于在所述狭窄的所述入口处的主动脉血压、所述出口流率和粗略的计算流体动力学模拟来估计所述狭窄的阻力；并且

通过最小化包括阻力项和流速项的能量函数来优化所估计的阻力。

8.根据权利要求7所述的方法，还包括：

基于所述狭窄的所估计的出口流率和所述狭窄的所估计的阻力来执行随后的计算流体动力学模拟。

9.根据权利要求1至8中的任一项所述的方法，还包括：

估计针对所述狭窄的血流储备分数的点估计并生成指示所述点估计的第二信号。

10.根据权利要求9所述的方法，所述估计包括：

使用基于训练集或仅仅来自所述训练集的相关类别集的预定数量的最近邻样本中的至少一个的加权插值，其中，所述相关类别集是对应于分类类别的类别。

11.根据权利要求9至10中的任一项所述的方法，还包括：

确定所估计的血流储备分数的置信区间并生成指示所述置信区间的第三信号。

12.一种方法，包括：

基于提取的特征和学习模型来估计具有狭窄的心血管的未知血流储备分数度量，并且生成指示所述估计的信号，其中，从其中包括所述心血管和所述狭窄的表示的图像数据分割的经分割的图像数据提取所述提取的特征。

13.根据权利要求12所述的方法，还包括：

14.根据权利要求12至13中的任一项所述的方法，还包括：

基于所述提取的特征和所述学习模型来将所述未知血流储备分数度量分类为多个不同预定义类别中的一种。

15.一种方法，包括：

基于包括血管和狭窄的表示的图像数据来估计所述血管的所述狭窄的边界条件，所述边界条件包括所述狭窄的估计的出口流率或所述狭窄的估计的出口阻力中的至少一个。

16.根据权利要求15所述的方法，还包括：

根据在所述狭窄的出口处的有效直径或半径、在所述狭窄的入口处的直径或半径和在所述狭窄的所述入口处的流率来估计所述狭窄的出口流率。

17.根据权利要求16所述的方法，还包括：

使用利用包括图像数据或非图像数据中的至少一个的患者数据和经由心导管插入确定的其他患者的流率测量结果训练的机器学习算法来确定在所述狭窄的所述入口处的所述流率。

18.根据权利要求17所述的方法，还包括：

基于所述出口流率来确定速度。

19.根据权利要求15至18中的任一项所述的方法，还包括：

基于在所述狭窄的所述入口处的主动脉血压和所述出口流率来估计所述狭窄的阻力。

20.根据权利要求19所述的方法，还包括：

通过以下迭代地估计所述阻力：

根据在所述狭窄的所述入口处的所述主动脉血压和所述出口流率来计算初始阻力；

执行粗略的计算流体动力学模拟；

基于所述初始阻力和所述粗略的计算流体动力学模拟的结果来生成随后的阻力，其中，所述随后的阻力是所估计的阻力；并且

重复使用当前阻力来执行和生成的动作直到满足停止迭代的停止标准。

21.根据权利要求15至20中的任一项所述的方法，还包括：

22.根据权利要求15至21中的任一项所述的方法，还包括：

23.根据权利要求22所述的方法，还包括：

基于所述随后计算流体动力学模拟的结果来确定针对所述狭窄的血流储备分数。

24.根据权利要求15至23中的任一项所述的方法，还包括：

基于所述边界条件和学习模型来将针对所述狭窄的未知血流储备分数度量分类为多个不同预定义类别中的一种。

25.根据权利要求24所述的方法，还包括：

基于所述分类来估计针对所述狭窄的血流储备分数的点估计。

26.根据权利要求25所述的方法，还包括：

确定所估计的血流储备分数的置信区间。

27.一种系统，包括：

数据分析器(118)，其基于估计的血流储备分数的分类或置信区间或用于计算流体动力学模拟的狭窄的至少一个边界条件来确定针对所述狭窄的未知血流储备分数的血流储备分数分类、所述狭窄的估计的血流储备分数中的至少一个，以确定针对所述狭窄的血流储备分数。

28.根据权利要求27所述的系统，所述数据分析器包括：

特征提取器(304)，其从以下中的至少一个提取一个或多个特征：在表示所述狭窄和对应血管的图像数据中的经分割的感兴趣组织、包括所述狭窄的估计的出口流率或估计的出口阻力中的至少一个的所述狭窄的估计的边界条件、来自所述图像数据或对象数据的强度信息；以及

分类器(308)，其基于提取的特征和学习模型来将所述未知血流储备分数分类为多个不同预定义类别中的一种，其中，所述分类包括生成所述未知血流储备分数的数值，并且所述分类是基于所述数值的。

29.根据权利要求27至28中的任一项所述的系统，所述数据分析器还包括：

FFR估计器(310)，其使用基于训练集或仅仅来自所述训练集的相关类别集的预定数量的最近邻样本中的至少一个的加权插值来估计针对所述狭窄的所述血流储备分数的点估计，其中，所述相关类别集是对应于分类类别的类别。

30.根据权利要求29所述的系统，所述数据分析器还包括：

置信区间确定器(312)，其确定所估计的血流储备分数的置信区间。

31.根据权利要求27至30中的任一项所述的系统，所述数据分析器还包括：

边界条件估计器(210)，其基于包括血管和所述狭窄的表示的图像数据来估计所述血管的所述狭窄的至少一个边界条件，所述至少一个边界条件包括所述狭窄的估计的出口流率或所述狭窄的估计的出口阻力中的至少一个。

32.根据权利要求31所述的系统，其中，所述边界条件估计器根据在所述狭窄的出口处的有效直径或半径、在所述狭窄的入口处的直径或半径和在所述狭窄的所述入口处的流率来估计所述狭窄的出口流率。

33.根据权利要求32所述的系统，还包括：

参数确定器(208)，其使用利用包括图像数据或非图像数据中的至少一个的患者数据和经由心导管插入确定的其他患者的流率测量结果训练的机器学习算法来确定在所述狭窄的所述入口处的所述流率。

34.根据权利要求32至33中的任一项所述的系统，其中，所述边界条件估计器基于所述流率来估计所述狭窄的速度。

35.根据权利要求32至34中的任一项所述的系统，其中，所述边界条件估计器使用迭代算法基于在所述狭窄的所述入口处的主动脉血压和所述出口流率来估计所述狭窄的阻力。

36.根据权利要求32至34中的任一项所述的系统，所述数据分析器还包括：

CFD处理器(212)，其基于所述至少一个边界条件来执行计算流体动力学模拟；以及

FFR确定器(216)，其基于所述CFD处理器的结果来确定针对所述狭窄的FFR。