CN105007819A - 用于在血流特性建模中进行灵敏度分析的方法和系统 - Google Patents

用于在血流特性建模中进行灵敏度分析的方法和系统 Download PDF

Info

Publication number
CN105007819A
CN105007819A CN201480012046.3A CN201480012046A CN105007819A CN 105007819 A CN105007819 A CN 105007819A CN 201480012046 A CN201480012046 A CN 201480012046A CN 105007819 A CN105007819 A CN 105007819A
Authority
CN
China
Prior art keywords
patient
blood flow
model
uncertain
flow characteristic
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.)
Granted
Application number
CN201480012046.3A
Other languages
English (en)
Other versions
CN105007819B (zh
Inventor
塞瑟拉曼·桑卡兰
莱昂·格雷迪
查尔斯·A·泰勒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
HeartFlow Inc
Original Assignee
HeartFlow Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by HeartFlow Inc filed Critical HeartFlow Inc
Priority to CN201811268242.3A priority Critical patent/CN109378076B/zh
Publication of CN105007819A publication Critical patent/CN105007819A/zh
Application granted granted Critical
Publication of CN105007819B publication Critical patent/CN105007819B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/02028—Determining haemodynamic parameters not otherwise provided for, e.g. cardiac contractility or left ventricular ejection fraction
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/026—Measuring blood flow
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • 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
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/032—Transmission computed tomography [CT]
    • 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
    • A61B6/504—Clinical applications involving diagnosis of blood vessels, e.g. by angiography
    • 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
    • A61B6/52—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • 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
    • G06T2207/30—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

Abstract

实施方案包括用于测定患者的心血管信息的系统和方法。一种方法包括接收关于所述患者的脉管系统的几何结构的患者特异性数据；基于所述患者特异性数据创建表示至少一部分所述患者的脉管系统的解剖模型；以及基于所述解剖模型创建血流特性的计算模型。所述方法还包括识别不确定参数、不确定临床变量和不确定几何结构中的一个或多个；基于所识别的不确定参数、不确定临床变量或不确定几何结构中的一个或多个来修改概率模型；基于所述患者的脉管系统的所述解剖模型和所述血流特性的所述计算模型来确定所述患者的脉管系统内的血流特性；以及基于所述概率模型和所确定的血流特性来计算所确定的血流储备分数对所识别的不确定参数、不确定临床变量或不确定几何结构中的一个或多个的灵敏度。

Description

用于在血流特性建模中进行灵敏度分析的方法和系统
优先权
本申请要求在2013年4月17日提交的美国申请号13/864,996的优先权，所述美国申请要求在2013年3月4日提交的美国临时申请号61/772,401的优先权益，所述申请各自以引用的方式整体并入本文。
技术领域
本公开的实施方案涉及用于对血流进行患者特异性建模的方法和系统并且更具体地说，涉及用于在血流的患者特异性建模中进行灵敏度分析的方法和系统。
背景技术
冠状动脉疾病可引起向心脏提供血液的血管发生病变，如狭窄症(血管异常变窄)。因此，可能限制血液流向心脏。罹患冠状动脉疾病的患者可能经历胸痛，这在强体力活动过程中被称为慢性稳定型心绞痛或者在患者休息时被称为不稳定型心绞痛。更严重的疾病表现可能导致心肌梗死或心脏病发作。
需要提供关于冠状动脉病变的更准确数据，例如大小、形状、位置、功能意义(如病变是否影响血流)等。罹患胸痛和/或展现冠状动脉疾病症状的患者可能经受可提供关于冠状动脉病变的一些间接证明的一种或多种测试。例如，非侵入性测试可包括心电图、来自血液测试的生物标志物评估、平板运动测试、超声心动描记术、单光子发射计算机断层成像术(SPECT)以及正电子发射断层成像术(PET)。然而，这些非侵入性测试通常不提供冠状动脉病变的直接评定或评定血流速度。非侵入性测试可通过查看心脏电活动的变化(例如，使用心电描记法(ECG))、心肌运动的变化(例如，使用负荷超声心动描记术)、心肌灌注的变化(例如，使用PET或SPECT)或新陈代谢变化(例如，使用生物标志物)来提供冠状动脉病变的间接证明。
例如，可使用冠状动脉计算机断层扫描血管造影术(CCTA)非侵入性地获得解剖数据。CCTA可用于对患有胸疼的患者成像并且涉及在静脉灌注造影剂之后使用计算机断层扫描(CT)技术对心脏和冠状动脉成像。然而，CCTA也不能提供关于冠状动脉病变的功能意义的直接信息，例如，病变是否影响血液流动。另外，因为CCTA仅仅是一种诊断性测试，所以它不能用于预测在其他生理状态(例如，运动)下的冠状动脉血流、压力或心肌灌注的变化，也不能用于预测介入结果。
因此，患者可能需要侵入性测试，如诊断性心导管插入术，使冠状动脉病变显影。诊断性心导管插入术可包括执行常规冠状动脉血管造影术(CCA)，以通过向医师提供具有动脉大小和形状的图像来收集关于冠状动脉病变的解剖数据。然而，CCA不提供用于评定冠状动脉病变的功能意义的数据。例如，在不确定病变是否在功能上有意义的情况下医师可能不能诊断冠状动脉病变是否有害。因此，CCA已导致称为“目视狭窄反射”的程序，其中不管病变是否在功能上有意义，介入心脏病专家为利用CCA发现的每个病变插入支架。因此，CCA可能导致对患者实施不必要的手术，这可能给患者带来增加的风险并且可能导致患者支付不必要的卫生保健费用。
在诊断性心导管插入期间，可通过测量所观察的病变的血流储备分数(FFR)来侵入性地评定冠状动脉病变的功能意义。FFR被定义为在例如通过静脉内施用腺苷来诱导的冠状动脉血流增加的条件下，病变下游的平均血压除以所述病变上游的平均血压例如主动脉压之比。可通过向患者插入压力导丝来测量血压。因此，可在诊断性心导管插入的初始费用和风险已经产生之后决定基于所确定的FFR来治疗病变。
为了减少侵入性FFR测量的以上缺点，HeartFlow Inc.已开发了用于非侵入性地评定冠状动脉解剖、心肌灌注和冠状动脉流量的方法。确切地说，计算流体动力学(CFD)模拟已成功用于预测动脉血液的流量和压力的空间和时间变化，包括FFR。此类方法和系统有益于心脏病专家对疑有冠状动脉疾病的患者诊断和规划治疗，并且预测在不能直接检测的条件(例如运动)下的冠状动脉流量和心肌灌注，并且预测医疗、介入和外科手术治疗对冠状动脉血流和心肌灌注的影响结果。
然而，血液动力学的计算模型涉及到重构患者动脉的几何结构，这通过高分辨率成像来促成。例如，用于非侵入性地计算FFR的许多CFD框架假定：(i)几何结构为确切已知的；(ii)临床变量如血压、血细胞比容、心肌质量等为确切已知的；和/或(iii)计算模型的入口和出口处的边界条件为确切已知的。然而，实际上，使用CFD预测的FFR根据可用数据的准确性和描述动脉内的血液动力学的数学模型而变化。因此，需要用于并入并量化可用数据中的不确定度和数学模型的影响的方法和系统。此外，需要用于分配置信区间给确定的FFR值和排列FFR计算对不同参数的灵敏度等级的方法和系统。
以上一般描述和以下详细描述仅为示例性和说明性的并且不限制本公开。
发明内容
根据一个实施方案，公开了用于测定患者的心血管信息的系统。一种系统包括至少一个计算机系统，所述至少一个计算机系统被配置为：接收关于至少所述患者的冠状脉管系统的几何结构的患者特异性数据；基于所述患者特异性数据创建表示至少一部分所述患者的冠状脉管系统的三维模型；以及识别不确定参数、不确定临床变量和不确定几何结构中的一个或多个。所述计算机系统还被配置为基于已识别的不确定参数、不确定临床变量或不确定几何结构中的一个或多个来修改概率模型；基于所述患者的冠状脉管系统的三维模型和血流特性的模型来确定患者的冠状脉管系统内的血流特性；以及基于所述概率模型和所确定的血流特性计算所确定的血流特性对所识别的不确定参数、不确定临床变量或不确定几何结构中的一个或多个的灵敏度。
根据另一个实施方案，公开了用于使用至少一个计算机系统测定患者的心血管信息的方法。一种方法包括：接收关于所述患者的冠状脉管系统的几何结构的患者特异性数据；基于所述患者特异性数据创建表示至少一部分所述患者的冠状脉管系统的三维模型；以及识别不确定参数、不确定临床变量和不确定几何结构中的一个或多个。所述方法还包括基于所识别的不确定参数、不确定临床变量或不确定几何结构中的一个或多个来修改概率模型；基于所述患者的冠状脉管系统的三维模型和血流特性的模型来确定所述患者的冠状脉管系统内的血流特性；以及基于所述概率模型和所确定的血流特性计算所确定的血流储备分数对所识别的不确定参数、不确定临床变量或不确定几何结构中的一个或多个的灵敏度。
另外的实施方案和优点将部分陈述在随后的描述中，并且将部分通过所述说明而显而易见，或者可通过实践本公开而学到。实施方案和优点将借助下文中具体指出的元件和组合来实现并获得。
附图说明
并入本说明书并且构成本说明书的一部分的附图说明了若干实施方案，并且与描述一起用于解释本公开的原理。
图1为根据一个示例性实施方案的一种用于提供与特定患者的冠状动脉血流有关的各种信息的系统的示意图；
图2为根据另一个示例性实施方案的一种用于提供与特定患者的血流有关的各种信息的方法的流程图；并且
图3为根据一个示例性实施方案描述一种用于定义输入不确定度、计算分析灵敏度和计算FFR中的置信区间的示例性过程的流程图。
具体实施方式
现在将详细参考示例性实施方案，其实施例在附图中加以说明。只要有可能，将在全部附图中使用相同参考数字来指示相同或相似部分。
在一个示例性实施方案中，一种方法和系统使用从患者中非侵入性地获取的信息来确定与特定患者中的血流有关的信息。在2011年1月25日提交的并且题为“Methodand System for Patient-Specific Modeling of Blood Flow”的美国专利号8,315,812更详细描述了这种方法和系统的各种实施方案，所述专利以引用的方式整体并入本文。
在一些实施方案中，由公开的方法和系统测定的信息可涉及患者的冠状脉管系统的血流。或者，所测定的信息可涉及患者的脉管系统的其他区域(如颈动脉、外周、腹部、肾脏和大脑脉管系统)内的血流。所述冠状脉管系统包括范围为从大动脉到小动脉、毛细血管、小静脉、静脉等的复杂血管网络。所述冠状脉管系统将血液循环到心脏并使血液在心脏内循环，并且包括向多个冠状动脉主干(例如左前降枝(LAD)动脉、左回旋(LCX)动脉、右冠状(RCA)动脉等)供应血液的主动脉，所述主动脉还可分为在主动脉和冠状动脉主干下游的分支动脉或其他类型的血管。因此，示例性系统和方法可测定与主动脉、冠状动脉主干和/或冠状动脉主干下游的其他冠状动脉或血管内的血流有关的信息。尽管下文讨论了主动脉和冠状动脉(和由其延伸的分支)，但是所公开的方法和系统也可适用于其他类型的血管。
在一个示例性实施方案中，由公开的方法和系统测定的信息可包括但不限于，各种血流特性或参数，如在主动脉、冠状动脉主干和/或冠状动脉主干下游的其他冠状动脉或血管中的各个位置的血流速度、压力(或其比率)、流量和FFR。此信息可用于确定病变是否具有功能意义和/或是否治疗病变。此信息可使用从患者中非侵入性地获得的信息来确定。因此，可在没有与侵入性程序相关的费用和风险的情况下决定是否治疗病变。
图1示出了根据一个示例性实施方案的一种用于提供与特定患者的血流有关的信息的系统的方面。可使用从患者中非侵入性地获得的数据来创建患者解剖结构的三维模型10，如下文将更详细地描述。也可非侵入性地获得其他患者特异性信息。在一个示例性实施方案中，由三维模型10表示的患者解剖结构的部分可包括至少一部分的主动脉和连接到所述主动脉的冠状动脉主干(和由其延伸或发出的分支)的近端部分。
可(例如)从实验数据推断与冠状动脉血流有关的各种生理规律或关系20，如下文将更详细地描述。使用三维解剖模型10和所推断的生理规律20，可确定与冠状动脉血流有关的多个方程式30，如下文将更详细地描述。例如，可使用任何数值方法来确定并解答方程式30，所述方法例如有限差分法、有限体积法、谱方法、格波尔兹曼方法、基于粒子的方法、水平集方法、有限元方法等。可解答方程式30以确定关于在患者的解剖结构内由模型10表示的解剖结构内的各个点处的冠状动脉血流的信息(例如压力、速度、FFR等)。
可使用计算机40来解答方程式30。基于得到解答的方程式，计算机40可输出指示与由模型10表示的患者解剖结构内的血流有关的信息的一个或多个图像或模拟。例如，图像可包括模拟的血压模型50、模拟的血流或速度模型52、计算的FFR(cFFR)模型54等，如下文将进一步详细地描述。模拟的血压模型50、模拟的血流模型52和cFFR模型54提供关于在沿着由模型10表示的患者解剖结构的三维的不同位置处的相应压力、速度和cFFR的信息。cFFR可被计算为在例如通常通过静脉内施用腺苷诱导的冠状动脉血流增加的条件下，在模型10中的特定位置处的血压除以例如在模型10的流入边界处的主动脉中的血压之比。
在一个示例性实施方案中，计算机40可包括存储指令的一个或多个永久性计算机可读存储装置，当处理器、计算机系统等执行所述指令时，所述指令可执行本文所述的任何动作，以提供与患者的血流有关的各种信息来源。计算机40可包括桌面型或便携式计算机、工作站、服务器、个人数字助理或任何其他计算机系统。计算机40可包括处理器、只读存储器(ROM)、随机存取存储器(RAM)、用于连接外围设备(例如输入设备、输出设备、储存设备等)的输入/输出(I/O)适配器、用于连接输入设备(如键盘、鼠标、触摸屏、声音输入设备和/或其他设备)的用户接口适配器、用于将计算机40连接到网络的通信适配器、用于将计算机40连接到显示器的显示器适配器等。例如，显示器可用于显示三维模型10和/或通过解答方程式30来生成的任何图像，如模拟的血压模型50、模拟的血压模型52和/或cFFR模型54。
图2示出了根据另一个示例性实施方案的一种用于提供与特定患者的血流有关的各种信息来源的方法的方面。所述方法可包括获得患者特异性解剖数据，如关于患者的解剖结构(例如，至少一部分主动脉和连接到所述主动脉的冠状动脉主干(和由其延伸的分支)的近端部分)的信息，以及预处理所述数据(步骤100)。所述患者特异性解剖数据可例如通过CCTA非侵入性地获得。
患者的解剖结构的三维模型可基于所获得的解剖数据来创建(步骤200)。例如，所述三维模型可为以上结合图1描述的患者的解剖结构的三维模型10。
所述三维模型可被制备来用于分析并且可确定边界条件(步骤300)。例如，以上结合图1描述的患者解剖结构的三维模型10可被修整并离散化成体积网格，例如有限元网格或有限体积网格。体积网格可用于生成以上结合图1描述的方程式30。
边界条件也可以被分配并结合到以上结合图1所描述的方程式30中。边界条件提供关于三维模型10在其边界处的信息，所述边界例如流入边界、流出边界、血管壁边界等。流入边界可包括导入三维模型的解剖结构内的血流所经过的边界，如主动脉根部附近的主动脉末端。通过将心脏模型和/或集中参数模型与边界耦合，每个流入边界可被分配(例如)规定值或速度场、流量、压力或其他特性等。流出边界可包括从三维模型的解剖结构内导出的血流经过的边界，如在主动脉弓附近的主动脉末端以及冠状动脉主干和由其延伸的分支的下游末端。每个流出边界可例如通过耦合集中参数或分散式(例如，一维波传播)模型来分配。流入和/或流出边界条件的规定值可通过非侵入性地测量患者的生理特性来确定，所述生理特性例如但不限于心输出量(来自心脏的血流体积)、血压、心肌质量等。血管壁边界可包括三维模型10的主动脉、冠状动脉主干和/或其他冠状动脉或血管的物理边界。
可使用制备的三维模型和确定的边界条件来进行计算分析(步骤400)，以确定患者的血流信息。例如，可利用方程式30并使用以上结合图1所描述的计算机40来进行计算分析，以产生以上结合图1所描述的图像，如模拟的血压模型50、模拟的血流模型52和/或cFFR模型54。
所述方法还可包括使用所述结果来提供患者特异性治疗选项(步骤500)。例如，可调整步骤200中创建的三维模型10和/或步骤300中分配的边界条件来模拟一种或多种治疗，例如，将冠状动脉支架放置在三维模型10中表示的冠状动脉之一中或其他治疗选项。然后，可如上文在步骤400中所述地进行计算分析，以便产生新图像，如血压模型50、血流模型52和/或cFFR模型54的更新版本。如果治疗选项被采用，则这些新图像可用于确定血流速度和压力的变化。
本文所公开的系统和方法可并入到由医师访问的软件工具中，以提供非侵入性方法来量化冠状动脉内的血流并评定冠状动脉疾病的功能意义。此外，医师可使用软件工具来预测医疗、介入和/或外科手术治疗对冠状动脉血流的影响。所述软件工具可预防、诊断、管理和/或治疗其他心血管系统部分中的疾病，所述心血管系统部分包括颈部的动脉(例如，颈动脉)、头部的动脉(例如，脑动脉)、胸部的动脉、腹部的动脉(例如，腹主动脉及其分支)、臂部的动脉或腿部的动脉(例如，股动脉和腘动脉)。所述软件工具可为交互式的，使得医师能够为患者开发最佳的个性化疗法。
例如，所述软件工具可至少部分地并入到由医师或其他用户使用的计算机系统中，例如，图1中展示的计算机40。所述计算机系统可接收从患者中非侵入性地获得的数据(例如，用于创建三维模型10的数据、用于应用边界条件或进行计算分析的数据等)。例如，数据可由医师输入或者可从能够访问并提供此类数据的另一个来源(如放射学实验室或其他医疗实验室)中接收。数据可经由网络或用于传递数据的其他系统来传输或者直接传输到计算机系统中。软件工具可使用数据来产生并显示三维模型10或其他模型/网格和/或任何模拟或通过解答以上结合图1所述的方程式30来确定的其他结果，如模拟的血压模型50、模拟的血流模型52和/或cFFR模型54。因此，软件工具可执行步骤100-500。在步骤500中，医师可为计算机系统提供另外的输入，以选择可能的治疗选项，并且计算机系统可基于所选择的可能的治疗选项来向医生显示新模拟。此外，可使用独立的软件包或模块执行图2中所示出的步骤100-500中的每一个。
或者，可提供所述系统工具作为基于网络的服务或其他服务(例如由独立于医师的实体提供的服务)的一部分。服务提供者可(例如)操作基于网络的服务，并且可提供门户网站或由医师或其他用户经由网络或在计算机系统之间传递数据的其他方法可访问的其他基于网络的应用程序(例如，在由服务提供者操作的服务器或其他计算机系统上运行)。例如，可向服务提供者提供从患者中非侵入性地获得的数据，并且服务提供者可使用数据来产生三维模型10或其他模型/网格和/或任何模拟或通过解答以上结合图1所述的方程式30来确定的其他结果，如模拟的血压模型50、模拟的血流模型52和/或cFFR模型54。然后，基于网络的服务可传输与三维模型10或其他模型/网格和/或模拟有关的信息，以使得三维模型10和/或模拟可在医师的计算机系统上显示给医师。因此，基于网页的服务可执行步骤100-500和以下描述任何其他的步骤，以提供患者特异性信息。在步骤500中，医师可提供另外的输入(例如)来选择可能的治疗选项或对计算分析做出其他调整，并且所述输入可传输到由服务提供者所操作的计算机系统(例如，经由门户网站)。基于网络的服务可基于所选择的可能的治疗选项来产生新模拟或其他结果，并且可向医师传回关于新模拟的信息，以使得新模拟可显示给医师。
如以上所述的，用于对非侵入性计算的FFR进行计算建模的以上所述技术可假定：(i)几何结构为确切已知的；(ii)临床变量如血压、血细胞比容、心肌质量等为确切已知的；和/或(iii)计算模型的入口和出口处的边界条件为确切已知的。然而，实际上，使用CFD预测的FFR根据可用数据的准确性和描述动脉内的血液动力学的数学模型而变化。
因此，本公开还描述了用于并入和量化可用数据内的不确定度和数学模型的影响的方法和系统。此外，本公开描述了用于分配置信区间给确定的FFR值并排列FFR计算对不同参数的灵敏度等级的方法和系统。
例如，图3为根据一个示例性实施方案描述用于定义输入不确定度、计算FFR分析灵敏度以及计算FFR中的置信区间的示例性方法600的流程图。如图3所示，方法600可包括多个预处理步骤，所述预处理步骤包括定义不确定性源及其大小。例如，方法600可包括生成一列不确定参数(步骤602)、确定临床变量(如心肌质量、血细胞比容/粘度、压力、体/表面积)的不确定度(步骤604)和/或几何结构变量(如最大狭窄直径、狭窄长度等)的不确定度以及确定患者的几何结构的不确定度(步骤606)。
方法600还可包括分配与每个变量相关的概率和/或误差。举例来说，血细胞比容可具有40与50之间的均匀分布(在40与50之间的任何值具有相等概率)，血压可为高斯分布并具有平均值100mmHg和标准偏差10mmHg(压力在100mmHg周围的概率可基于高斯分布来分配)。随机空间可因此被定义为这些值的范围。虽然本公开描述了使用随机配置方法计算灵敏度，但是可使用用于评估输入灵敏度的其他任何等同的统计技术。此外，虽然本公开描述了基于Smolyak求积法的随机配置方法，但是还可使用计算灵敏度的任何其他等同方法。Smolyak求积法为一种用于在输入变量高于如3或4时插入函数并整合函数的示例性方法。随机配置方法可应用Smolyak求积法评估灵敏度并量化输入不确定度对输出的影响。
方法600因此可包括用于计算输入不确定度对输出的影响的模拟和分析步骤(步骤608)。例如，方法600可包括初始化配置点，每一个所述配置点对应于特有的参数组合，例如，使用粗稀疏网格(取决于参数的数量n，初始配置点的数量可为大约2n左右)。在一个实施方案中，目前公开的自适应随机配置方法可将已创建的随机空间分割为冻结区和活动区(基于关注的数量如何在参数空间内变化)，并且只有活动区可进一步细化。此外，在一个实施方案中，可基于两个连续的网格之间的FFR差值来选择自适应细化标准。此外，可基于在先前的配置点处获得的解答来初始化每个配置点处的解答。最后，可调整输入不确定度以适应不同血流和/或心脏参数，如心肌质量、粘度、肱血压等。
对于多个配置点中的每一个，方法600可任选地包括执行各种“求解前”的技术(步骤610)。例如，方法600可包括执行在2012年9月24日提交的美国专利号13/625,628中描述的各种求解前的技术中的任一种，所述专利的全部内容以引用的方式并入本文。
于是对于多个配置点中的每一个，方法600可包括执行用于进行模拟的冠状求解器(coronary solver)(步骤612)以非侵入性地且可计算地获得一个或多个FFR值。例如，方法600可包括执行在2011年1月25日提交的美国专利号8,315,812中描述的各种计算FFR的模拟技术中的任一种，所述专利的全部内容以引用的方式并入本文。因此，如’812专利中所描述的，可通过基于患者的解剖模型生成流量近似值或替代计算模型并通过分析所述替代计算模型来评估患者的脉管系统内的一个或多个位置处的FFR值，从而获得FFR值。例如，可通过生成患者的冠状脉管系统的三维解剖模型来创建解剖模型。然后可以例如通过生成患者脉管系统的降阶模型来创建解剖模型的替代计算模型或流量近似值。在一个实施方案中，所述降阶模型可为患者脉管系统的一维模型或集中参数模型。在一个实施方案中，所述解剖模型可为一维波传播模型并且替代计算模型也可为一维波传播模型。
在一个实施方案中，可使用与基于物理的模拟相反的机器学习概算来获得FFR值。换言之，不是如’812专利所述地对多个配置点中的每一个执行冠状求解器，而是方法600可基于通过分析无数名其他患者的血流收集到的知识来有效地评估血流特性。例如，方法600可包括执行在2012年9月12日提交的美国临时专利申请号61/700,213中描述的各种机器学习技术中的任一种，所述专利的全部内容以引用的方式并入本文。因此，在一个实施方案中，可通过训练机器学习算法基于患者生理参数的特征向量和测量的血流特性来评估患者的几何结构内各种点的FFR值，并且然后通过将机器学习算法应用于患者特异性几何结构和生理参数来获得预测的FFR值，从而获得FFR值。
基于这些结果，方法600可为随机空间内的FFR构造一个近似值。在一个实施方案中，方法600可包括读取FFR的解(步骤614)和例如基于重构的FFR计算各种平均值、标准偏差和置信区间。
方法600于是可包括基于是否符合终止标准来确定“是否统计收敛”，在符合终止标准的情况下，方法600可进行到后处理步骤(步骤616)，或者它们不符合终止标准，在这种情况下，方法600可执行自适应细化并且返回来初始化用于执行模拟的配置点(步骤608)。在一个实施方案中，基于所有的配置点是否属于冻结组，终止标准可确定算法是否终止。在以下情况下配置点可被考虑冻结：(a)其所有邻点被冻结或者(b)在两个连续细化水平之间的此配置点处的FFR值小于临界值。
如果符合终止标准(即统计收敛)，那么方法600可包括执行后处理步骤，例如评价所输出的FFR值的统计(步骤616)。例如，使用重构的FFR，方法600可评价在每个空间点(表面节点)处的FFR的概率密度函数。由此，可通过整个计算模型评价FFR的标准偏差和置信区间。
可基于步骤616中生成的概率信息生成每个预测的FFR值的一个或多个置信区间值。例如，所述方法可涉及对特定生成的FFR值产生置信值(例如FFR值为0.85时置信为90％)。在一个实施方案中，如果所确定的置信水平低于预先确定的阈值(例如90％)，则所述方法可包括重新计算或重新评估FFR值。通过输出并显示关于每个评估的FFR值的置信水平，可向医师提供更多的信息、见识和关于所评估的FFR值的可靠性的确定度。例如，如果患者展现出有问题的FFR值(如小于0.80)并且所生成的置信水平较高，那么医师可以更自信地给出治疗或介入方案。相反，如果患者的FFR值有边界问题(例如0.80至0.85)并且所生成的置信水平较低，那么医师可能更倾向于在给出治疗或介入方案之前进行进一步测试。
作为替代的或额外的实施方案，所述方法可包括产生与所需的置信区间一致的一系列FFR值。例如，假定所需的置信区间为95％，则所述方法可包括生成一系列FFR值，其中实际FFR值有95％的机会属于输出范围内(例如FFR为0.82至0.87时有95％置信)。应当了解的是，减小所所的置信值可能引起输出的FFR范围变窄，而增加所所的置信值可能引起输出的FFR范围扩大。在一个实施方案中，可以显示关于输出的FFR值的计算的灵敏度或置信水平的任何指示。
可以通过图1中的计算机40或通过任何其他计算机、服务器或手持式电子设备来执行图3中的示例性方法600。方法600的额外示例性实施方案现在将会相对于一般实施方案和具体实施方案来描述，其中任一种实施方案可结合2012年9月24日提交的美国申请号13/625,628和/或2011年1月25日提交的美国专利号8,315,812中的任何技术来执行。因此，以上方法600和以下所述的一般和具体的示例性实施方案可用于测定所计算的FFR值对输出不确定度的灵敏度，和/或基于所测定的灵敏度来计算所计算的FFR值的置信区间。
示例性实施方案
在一个示例性的一般实施方案中，一种用于量化FFR计算中的不确定度的方法涉及获取患者的CCTA扫描的数字表示，其包括所关注的所有动脉。此扫描可被储存并且转化为所有相关血管的患者特异性几何结构的计算模型。可在实施特定边界条件的位置处(由几何参数确定)修整计算模型，从而量化该位置下游的所有血管和微血管的效应。可获得临床变量(如患者血细胞比容、肱血压等)的值。
此外，不确定参数/变量可例如通过识别不确定的输入，如临床变量(例如血细胞比容、压力、体表面积)和/或几何结构变量(如病变大小、病变长度等)来识别并分配。概率/误差可被分配并且与每个变量相关。概率可模拟实体内的每日变化、数据的噪声、不适当的信息和/或使用广义经验模型引起的误差的组合。所述方法可涉及分析那个变量影响关注的数量以及选择可能影响所关注的数量的最佳变量子集。
用于量化不确定度的示例性的一般方法还可包括一些预处理步骤，如为所有识别的变量构造近似随机空间。所述方法可包括使用(例如)Smolyak稀疏网格算法初始化随机配置(例如求积)点，其中每个点对应于特有的参数组合。配置点的数量可取决于配置(求积)水平。配置水平可为嵌套的，其中水平0对应于仅一次模拟并且模拟数量随着水平增加。实际数量可取决于随机变量的数量。
在一个实施方案中，如果技术识别出(例如)n个变量，那么最初配置点可对应于近似(例如水平1)Smolyak稀疏网格的求积点。这些配置点位于[0,1]超立方体空间。使用应用逆累积分布函数的变换可将配置点从[0,1]映射到临床地相关的值。然后，每个配置点可对应于用于模拟的特有输入子集，并且每个配置点可被分配一种状态，即“活动的”或“冻结的”。在一个实施方案中，所有配置点最初可被分配为“活动的”。
然后用于量化不确定度的示例性的一般方法可包括在一个或多个配置点处执行CFD模拟。例如，在一个实施方案中，可在每个识别的点处执行CFD模拟。如果存在至少一个活动的配置点，那么求积水平可增加并且仅可挑选具有至少一个活动的相邻点的配置点。求积水平可增加，并且对每个新配置点，所述方法可计算使用先前的求积水平的关注数量的内插值(例如使用拉格朗日(Lagrange)多项式)与其使用模拟的实际值之间的差值。如果此差值小于预先设置的阈值，则此配置点可被标记为“冻结的”。否则，所述点可被标记为“活动的”。
最终，用于量化不确定度的示例性的一般方法可包括一些后处理步骤，如计算关注数量的可变性。例如，所述方法可包括在随机空间内构造关注数量的拉格朗日多项式内插值，例如用于预测对应于未执行模拟的参数组合的关注数量。此外，所述方法可包括通过根据分配的概率对随机空间进行取样而计算关注数量的概率分布函数。
示例性实施方案
以下描述了量化不确定度的影响并计算输出的置信区间的技术的一个具体实施方案。
1.获取疑似患有冠状动脉疾病的患者的以下信息的数字表示。
a.可执行患者的CCTA以显影并计算所有关注的血管，包括升主动脉、左/右冠状动脉、左回旋支动脉、左钝缘和/或所有其他可见的关注血管。可清洁所扫描的图像并进行后处理以获得将于其内执行模拟的计算区域。
b.除CCTA之外，可测量一组临床参数，包括心率、肱动脉舒张血压和收缩血压、血细胞比容、患者身高和体重以及患者病史(如吸烟状态、糖尿病的存在/不存在等)。
c.可由步骤(a)和步骤(b)计算出一组导出量可以被计算。这些导出量可包括：
i.心肌质量(mmyo)-通过左心室的图像分割来计算心肌的体积并且将所得体积乘以密度(通常假定为常数～1.05g/cm^3)而获得。
ii.体表面积-由患者身高(h)和体重(w)计算为
iii.粘度-由血细胞比容(hem)计算为其中C为0.0012。
iv.入口主动脉流量(Q)-由量表研究计算为
v.冠状动脉流量(qcor)-由心肌质量计算为其中cdil为舒张因子。
vi.冠状动脉阻力-由所需的冠状动脉流量计算净冠状动脉阻力并且基于出口的面积来计算个别出口的值。
vii.主动脉出口的阻力-这可基于主动脉压力、主动脉流量和所需的冠状动脉流量来计算。
2.对于经受CCTA的每位患者，按照以下的示例性方式识别并模拟输入不确定度：
a.临床变量：临床参数，尤其是那些导出量(1c)，可为不确定的。除非具体形式已知，否则可使用概率分布函数(典型地为高斯分布)模拟它们。
b.几何结构变量：血管壁的大小(尤其是靠近病变处)、病变长度和修整平面的位置。
c.建模假设：冠状动脉流量对比质量(依赖于其他的参数)、BSA上的主动脉流量、修整的出口的面积上的流出阻力。
3.构造所有不确定实体的近似随机空间：
a.每个参数组合可对应于求积点或配置点。对每一维度，在0至1区间内配置点可对应于切比雪夫(Chebyshev)节点(切比雪夫多项式的零点)。这些可通过构造一维切比雪夫节点的张量积来扩展到多维度。Smolyak稀疏网格可选择这些节点的子集来促进收敛但仍要保持准确性。
b.对于给定的变量，比如说α，从ξ∈[0,1]到[αL,αU]的变换可遵循α的逆累积分布函数(cdf)α＝μα+σαcdf-1(2ξ-1)，其中μα为α的平均值并且σα为其标准偏差。为了防止具有无穷支持(例如高斯分布)的pdf’s的无界变换，ξ最初可在此情况下进行逆CFD变换之前被映射到[0.01,0.99]。如果α为高斯变量，则它可变换为α＝μα+erf-1(0.99*(2ξ-1))。可基于此函数变换配置点的每个横坐标。
c.以下变量可假定为具有平均值和标准偏差的高斯型。血压、肌肉质量缩放系数和粘度的标准偏差可由文献研究获得。心肌质量的标准偏差可由内部量具研究获得(密度可假定为恒定)。
d.由于几何结构，为了计算灵敏度，可假定使用单随机变量表示口点之间的血管的每一部分，所述随机变量可使所述部分舒张或收缩。如果存在连续多个狭窄，则关联的随机变量也可用于模拟几何结构的不确定度。可在病变特异性基础上确定血管舒张或血管收缩的量。还可使用用于舒张和收缩的其他技术，例如使用沿着中心线的半径、每一个节点的3D位置和/或各口之间分在一起的节点。
e.可进一步分析血管的每个分组。例如，如果一个组的灵敏度被认为是高的，则所述组可被分割为两组，并且程序(e)被重复，直到实现高灵敏度区域的充分定位。
4.处理：
a.在每个活动的配置点处，可使用阻力边界条件(压降与流量之比为恒定)执行CFD模拟。可基于在先前的配置点处获得的解来初始化每个配置点处的压力解和速度解。模型中的压降最高的内腔位置可被选作候选位置以确定配置算法的终止标准。基于这些结果，可为随机空间中的FFR构造一个近似值。
b.可增加配置水平。在新配置点处，使用先前的配置水平可以计算模拟值与内插值之间的在十个识别的位置处的FFR差值。可以设定10-2的公差，并且因此如果|FFRsim-FFRinterp|＜＝10-2，则可将点的状态改变为冻结的。此步骤可重复直到所有配置点均为冻结的。
5.后处理：
a.可通过整合随机空间内的每个空间位置处的FFR来获得FFR的平均值、标准偏差和低阶矩。可通过整合拉格朗日多项式(离线)的积并求和通过所述解获得的具有对应FFR解的结果来执行该过程。
b.可通过在50000-100000点之间采样随机空间、提取直方图并且随后提取累积分布函数来计算置信区间。
本文所述步骤中的一个或多个可由一个或多个人工操作者(例如，心脏病专家或其他医师、患者、提供基于网站的服务或由第三方提供的其他服务的服务提供者的雇员、其他用户等)执行，或可由此类人工操作者使用的一个或多个计算机系统(如桌上型或便携式计算机、工作站、服务器、个人数字助理等)来执行。所述计算机系统可通过网络或其他通信数据方法来连接。
任何实施方案中所陈述的任何方面都可用于本文所陈述的任何其他实施方案中。本文所陈述的每个装置和设备都可用于任何合适的医疗程序中，可通过任何合适的体内腔和体腔推进，并且可用于使任何合适的身体部分成像。
可对所公开的系统和方法进行各种修改和变型而不背离本公开的范围。本领域的技术人员在考虑本文所公开的说明书和公开实践的情况下对于其他实施方案将是显而易见的。预期说明书和实施例仅被视为示例性的，其中本公开的真实范围和精神由以下权利要求书指示。

Claims (32)

1.一种用于测定患者的心血管信息的系统，所述系统包括：
至少一个计算机系统，其被配置为：
接收关于至少所述患者的脉管系统的几何结构的患者特异性数据；
基于所述患者特异性数据来创建表示至少一部分所述患者的脉管系统的解剖模型；
基于所述解剖模型创建血流特性的计算模型；
识别不确定参数、不确定临床变量和不确定几何结构中的一个或多个；
基于所识别的不确定参数、不确定临床变量或不确定几何结构中的一个或多个来修改概率模型；
基于所述患者的脉管系统的所述解剖模型和所述血流特性的所述计算模型来确定所述患者的脉管系统内的血流特性；以及
基于所述概率模型和所确定的血流特性计算所确定的血流特性对所识别的不确定参数、不确定临床变量或不确定几何结构中的一个或多个的灵敏度。
2.如权利要求1所述的系统，其中所述血流特性的所述计算模型为降阶模型或一维模型。
3.如权利要求1所述的系统，其中所述解剖模型为三维模型、四维模型或一维波传播模型。
4.如权利要求1所述的系统，其中所述概率模型基于随机配置方法来初始化。
5.如权利要求4所述的系统，其中所述灵敏度基于Smolyak求积方法来计算。
6.如权利要求1所述的系统，其中：
所述不确定临床变量为以下各项中的一种或多种：心肌质量、血细胞比容、粘度、压力、体或表面积、心率、肱动脉舒张血压和收缩血压、患者身高、患者体重、患者病史、吸烟状况以及糖尿病的存在/不存在；以及
所述不确定几何结构为以下各项中的一种或多种：最大狭窄直径、狭窄长度、狭窄位置、病变大小、病变长度或具有基于图像的伪影的健康区段。
7.如权利要求1所述的系统，其中所述概率模型通过构造用于所识别的不确定参数、不确定临床变量或不确定几何结构中的一个或多个的近似随机空间来初始化。
8.如权利要求1所述的系统，其中表示至少所述部分的所述患者的脉管系统的所述解剖模型包括至少一部分主动脉和至少一部分由所述主动脉的所述部分发出的多个冠状动脉。
9.如权利要求1所述的系统，其中：
血流特性为血流储备分数值；
所述血流储备分数指示所述主动脉的压力与所述脉管系统的位置处的压力之比；以及
所述至少一个计算机系统被配置为确定在所述脉管系统的多个位置处的所述血流储备分数。
10.如权利要求1所述的系统，其中所述患者特异性数据包括由计算机断层成像或磁共振成像技术获得的数据。
11.如权利要求1所述的系统，其中所述至少一个计算机系统被配置为基于所述成像数据通过使用所述成像数据定位所述患者的脉管系统的内腔的边界来创建所述解剖模型。
12.如权利要求1所述的系统，其中所述血流特性的模型包括表示通过所述解剖模型的边界的血流的至少一个集中参数模型。
13.如权利要求1所述的系统，其中所述至少一个计算机系统被配置为使用与充血水平、运动水平或药物治疗中的至少一个相关的参数来确定所述血流特性。
14.如权利要求13所述的系统，其中所述至少一个计算机系统被配置为使用与充血水平相关的参数来确定所述血流特性，并且所述参数与所述患者的冠状动脉阻力、所述患者的主动脉血压或所述患者的心率有关。
15.如权利要求1所述的系统，其中所述至少一个计算机系统被配置为显示关于所确定的血流特性的所计算的灵敏度的指示值。
16.如权利要求15所述的系统，其中所述血流特性为FFR值并且所计算的灵敏度的所述指示值为置信区间。
17.一种用于使用至少一个计算机系统来测定患者的心血管信息的方法，所述方法包括：
接收关于所述患者的脉管系统的几何结构的患者特异性数据；
基于所述患者特异性数据创建表示至少一部分所述患者的脉管系统的解剖模型；
基于所述解剖模型来创建血流特性的计算模型；
识别不确定参数、不确定临床变量和不确定几何结构中的一个或多个；
基于所识别的不确定参数、不确定临床变量或不确定几何结构中的一个或多个来修改概率模型；
基于所述患者的脉管系统的所述解剖模型和所述血流特性的所述计算模型来确定所述患者的脉管系统内的血流特性；以及
基于所述概率模型和所确定的血流特性来计算所确定的血流储备分数对所识别的不确定参数、不确定临床变量或不确定几何结构中的一个或多个的灵敏度。
18.如权利要求17所述的方法，其中所述血流特性的所述计算模型为降阶模型或一维模型。
19.如权利要求17所述的方法，其中所述解剖模型为三维模型、四维模型或一维波传播模型。
20.如权利要求17所述的方法，其中所述概率模型基于随机配置方法来初始化。
21.如权利要求20所述的方法，其中所述灵敏度基于Smolyak求积方法来计算。
22.如权利要求17所述的方法，其中：
所述不确定临床变量为以下各项中的一种或多种：心肌质量、血细胞比容、粘度、压力、体或表面积、心率、肱动脉舒张血压和收缩血压、患者身高、患者体重、患者病史、吸烟状况以及糖尿病的存在/不存在；以及
所述不确定几何结构为以下各项中的一种或多种：最大狭窄直径、狭窄位置、狭窄长度、病变大小、病变长度或具有基于图像的伪影的健康区段。
23.如权利要求20所述的方法，其中所述概率模型通过构造用于所识别的不确定参数、不确定临床变量或不确定几何结构中的一个或多个的近似随机空间来初始化。
24.如权利要求17所述的方法，其还包括基于所确定的血流特性来确定功能意义上的变窄在所述患者的脉管系统的血管内的位置。
25.如权利要求17所述的方法，其中表示至少所述部分的所述患者的脉管系统的所述解剖模型包括至少一部分主动脉和至少一部分由所述主动脉的所述部分发出的多个冠状动脉。
26.如权利要求25所述的方法，其中：
所述血流特性为血流储备分数值；
所述血流储备分数指示在所述患者的脉管系统内第一位置的压力与第二位置的压力之比；以及
所述血流储备分数在所述患者的脉管系统内的多个位置确定。
27.如权利要求17所述的方法，其中所述患者特异性数据包括所述患者的脉管系统的成像数据，并且创建所述解剖模型包括使用所述成像数据定位所述患者的脉管系统的所述多个血管的内腔的边界。
28.如权利要求17所述的方法，其还包括：
显示关于所确定的血流特性的所计算的灵敏度的指示值。
29.如权利要求28所述的方法，其中所述血流特性为FFR值并且所计算的灵敏度的所述指示值为置信区间。
30.一种用于在至少一个计算机系统上使用的永久性计算机可读介质，所述至少一个计算机系统包含用于测定患者的心血管信息的不确定度或灵敏度的计算机可执行程序指令，所述方法包括：
接收关于所述患者的脉管系统的几何结构的患者特异性数据；
基于所述患者特异性数据来创建表示至少一部分所述患者的脉管系统的解剖模型；
基于所述解剖模型来创建血流特性的计算模型；
识别不确定参数、不确定临床变量和不确定几何结构中的一个或多个；
基于所识别的不确定参数、不确定临床变量和不确定几何结构中的一个或多个来初始化概率模型；
基于所述患者的脉管系统的所述解剖模型和所述血流特性的所述计算模型来确定所述患者的脉管系统内的血流储备分数；以及
基于所述概率模型和所确定的血流储备分数来计算所确定的血流储备分数对所识别的不确定参数、不确定临床变量或不确定几何结构中的一个或多个的灵敏度。
31.如权利要求31所述的永久性计算机可读介质，其中所述概率模型基于随机配置方法来初始化。
32.如权利要求31所述的永久性计算机可读介质，其中所述灵敏度基于Smolyak求积方法来计算。
CN201480012046.3A 2013-03-04 2014-02-27 用于在血流特性建模中进行灵敏度分析的方法和系统 Active CN105007819B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811268242.3A CN109378076B (zh) 2013-03-04 2014-02-27 用于在血流特性建模中进行灵敏度分析的方法和系统

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201361772401P 2013-03-04 2013-03-04
US61/772,401 2013-03-04
US13/864,996 US9424395B2 (en) 2013-03-04 2013-04-17 Method and system for sensitivity analysis in modeling blood flow characteristics
US13/864,996 2013-04-17
PCT/US2014/019001 WO2014137742A1 (en) 2013-03-04 2014-02-27 Method and system for sensitivity analysis in modeling blood flow characteristics

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN201811268242.3A Division CN109378076B (zh) 2013-03-04 2014-02-27 用于在血流特性建模中进行灵敏度分析的方法和系统

Publications (2)

Publication Number Publication Date
CN105007819A true CN105007819A (zh) 2015-10-28
CN105007819B CN105007819B (zh) 2018-11-23

Family

ID=51421387

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201811268242.3A Active CN109378076B (zh) 2013-03-04 2014-02-27 用于在血流特性建模中进行灵敏度分析的方法和系统
CN201480012046.3A Active CN105007819B (zh) 2013-03-04 2014-02-27 用于在血流特性建模中进行灵敏度分析的方法和系统

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201811268242.3A Active CN109378076B (zh) 2013-03-04 2014-02-27 用于在血流特性建模中进行灵敏度分析的方法和系统

Country Status (8)

Country Link
US (6) US9424395B2 (zh)
EP (2) EP3473184A1 (zh)
JP (4) JP6138972B2 (zh)
KR (1) KR101818645B1 (zh)
CN (2) CN109378076B (zh)
AU (4) AU2014226326B2 (zh)
CA (1) CA2903146C (zh)
WO (1) WO2014137742A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108471970A (zh) * 2015-11-10 2018-08-31 通用电气公司 用于估计动脉脉搏波速度的系统和方法
CN108742570A (zh) * 2018-06-20 2018-11-06 博动医学影像科技（上海）有限公司 基于冠脉优势类型获取血管压力差的方法及装置
CN108742586A (zh) * 2018-06-20 2018-11-06 博动医学影像科技（上海）有限公司 基于糖尿病病史信息获取血流特征值的方法及装置
CN109410182A (zh) * 2018-09-30 2019-03-01 语坤（北京）网络科技有限公司 一种图像处理方法及图像处理设备
CN109475303A (zh) * 2016-07-14 2019-03-15 皇家飞利浦有限公司 用于对血管中的性质测量结果的质量进行反馈的装置、系统和方法
CN109567776A (zh) * 2018-12-31 2019-04-05 深圳北芯生命科技有限公司 用于测试ffr主机系统的导管模拟器
CN109688908A (zh) * 2016-09-16 2019-04-26 皇家飞利浦有限公司 用于确定血流储备分数的装置和方法
CN112543618A (zh) * 2018-06-15 2021-03-23 帕伊医疗成像有限公司 用于进行定量血液动力学流量分析的方法和装置

Families Citing this family (59)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10433740B2 (en) * 2012-09-12 2019-10-08 Heartflow, Inc. Systems and methods for estimating ischemia and blood flow characteristics from vessel geometry and physiology
WO2014064702A2 (en) 2012-10-24 2014-05-01 Cathworks Ltd. Automated measurement system and method for coronary artery disease scoring
US10210956B2 (en) 2012-10-24 2019-02-19 Cathworks Ltd. Diagnostically useful results in real time
WO2014105743A1 (en) 2012-12-28 2014-07-03 Cyberheart, Inc. Blood-tissue surface based radiosurgical renal treatment planning
US8824752B1 (en) 2013-03-15 2014-09-02 Heartflow, Inc. Methods and systems for assessing image quality in modeling of patient anatomic or blood flow characteristics
US20140293289A1 (en) * 2013-03-27 2014-10-02 Kabushiki Kaisha Topcon Method for Generating Two-Dimensional Images From Three-Dimensional Optical Coherence Tomography Interferogram Data
US9135381B2 (en) 2013-05-10 2015-09-15 Stenomics, Inc. Modeling and simulation system for optimizing prosthetic heart valve treatment
US9092743B2 (en) 2013-10-23 2015-07-28 Stenomics, Inc. Machine learning system for assessing heart valves and surrounding cardiovascular tracts
EP3954298A3 (en) 2013-10-24 2022-03-16 Cathworks Ltd. Vascular characteristic determination with correspondence modeling of a vascular tree
US9501622B2 (en) 2014-03-05 2016-11-22 Heartflow, Inc. Methods and systems for predicting sensitivity of blood flow calculations to changes in anatomical geometry
US10354349B2 (en) 2014-04-01 2019-07-16 Heartflow, Inc. Systems and methods for using geometry sensitivity information for guiding workflow
US9773219B2 (en) * 2014-04-01 2017-09-26 Heartflow, Inc. Systems and methods for using geometry sensitivity information for guiding workflow
US9754082B2 (en) 2014-05-30 2017-09-05 Heartflow, Inc. Systems and methods for reporting blood flow characteristics
US10080872B2 (en) 2014-11-04 2018-09-25 Abbott Cardiovascular Systems Inc. System and method for FFR guidewire recovery
JP6539736B2 (ja) * 2014-11-14 2019-07-03 シーメンス ヘルスケア ゲゼルシヤフト ミツト ベシユレンクテル ハフツング 純粋幾何学的機械学習に基づいて血流予備量比を求める方法及びシステム
US9349178B1 (en) 2014-11-24 2016-05-24 Siemens Aktiengesellschaft Synthetic data-driven hemodynamic determination in medical imaging
WO2016113646A1 (en) 2015-01-15 2016-07-21 Koninklijke Philips N.V. Ifr-ct
US9704256B2 (en) 2015-03-10 2017-07-11 Siemens Healthcare Gmbh Systems and method for computation and visualization of segmentation uncertainty in medical images
JP2018515167A (ja) * 2015-04-02 2018-06-14 ハートフロー， インコーポレイテッド 血管網と潅流組織の機能的関連性を特定し可視化するシステム及び方法
EP3282936B1 (en) 2015-04-17 2020-08-19 HeartFlow, Inc. Systems and methods for assessment of tissue function based on vascular disease
WO2016174010A1 (en) 2015-04-30 2016-11-03 Koninklijke Philips N.V. Fractional flow reserve determination
CN107851463B (zh) * 2015-08-05 2022-11-22 皇家飞利浦有限公司 用于介入性血液动力学测量的辅助设备和方法
US11087459B2 (en) 2015-08-14 2021-08-10 Elucid Bioimaging Inc. Quantitative imaging for fractional flow reserve (FFR)
US11113812B2 (en) 2015-08-14 2021-09-07 Elucid Bioimaging Inc. Quantitative imaging for detecting vulnerable plaque
US11094058B2 (en) 2015-08-14 2021-08-17 Elucid Bioimaging Inc. Systems and method for computer-aided phenotyping (CAP) using radiologic images
US11676359B2 (en) 2015-08-14 2023-06-13 Elucid Bioimaging Inc. Non-invasive quantitative imaging biomarkers of atherosclerotic plaque biology
US10176408B2 (en) 2015-08-14 2019-01-08 Elucid Bioimaging Inc. Systems and methods for analyzing pathologies utilizing quantitative imaging
US11071501B2 (en) 2015-08-14 2021-07-27 Elucid Bioiwaging Inc. Quantitative imaging for determining time to adverse event (TTE)
KR101840106B1 (ko) 2016-02-04 2018-04-26 가톨릭대학교 산학협력단 의료영상을 이용한 혈류 분석 방법
KR101797141B1 (ko) * 2016-04-18 2017-11-13 성균관대학교산학협력단 자기 공명 영상 처리 장치 및 그 영상 처리 방법
EP4241694A3 (en) 2016-05-16 2023-12-20 Cathworks Ltd. Selection of vascular paths from images
IL263065B1 (en) 2016-05-16 2024-04-01 Cathworks Ltd Vascular evaluation system
WO2018031663A1 (en) 2016-08-10 2018-02-15 Heartflow, Inc. Systems and methods for modeling nutrient transport and/or predicting weight change
CN106073750B (zh) * 2016-08-29 2023-07-28 廖晓莉 心室供血异常检测装置及心脏脉波数据的间接采集处理方法
JP7100627B2 (ja) 2016-09-20 2022-07-13 ハートフロー， インコーポレイテッド 次数低減モデル及び／または機械学習を使用して血流特性を推定するためのシステム及び方法
EP3544512B1 (en) 2016-11-22 2022-09-14 Koninklijke Philips N.V. Vascular tree standardization for biophysical simulation and/or an extension simulation for pruned portions
US10163209B2 (en) 2016-11-23 2018-12-25 Toshiba Medical Systems Corporation Medical image processing apparatus, medical image processing method, and X-ray CT apparatus
ES2836104T3 (es) * 2016-12-15 2021-06-24 Sintef Tto As Método y proceso para proporcionar un modelo computacional específico de un sujeto utilizado para apoyar la decisión y hacer el diagnóstico de enfermedades cardiovasculares
EP3644857A1 (en) * 2017-06-30 2020-05-06 Koninklijke Philips N.V. Machine learning spectral ffr-ct
CN111356406A (zh) 2017-10-06 2020-06-30 埃默里大学 用于确定一个或多个动脉节段的血液动力学信息的方法和系统
AU2018352526B2 (en) 2017-10-16 2022-12-01 Massachusetts Institute Of Technology Systems, devices and methods for non-invasive hematological measurements
KR101964918B1 (ko) * 2017-10-17 2019-04-02 연세대학교 산학협력단 심장 전압 지도와 전위 활성화 지도에 기반한 심장 모델 생성 장치 및 방법
US10522253B2 (en) * 2017-10-30 2019-12-31 Siemens Healthcare Gmbh Machine-learnt prediction of uncertainty or sensitivity for hemodynamic quantification in medical imaging
US11871995B2 (en) 2017-12-18 2024-01-16 Hemolens Diagnostics Sp. Z O.O. Patient-specific modeling of hemodynamic parameters in coronary arteries
CN110226923B (zh) * 2018-03-05 2021-12-14 苏州润迈德医疗科技有限公司 一种无需血管扩张剂测量血流储备分数的方法
US20210012887A1 (en) * 2018-03-15 2021-01-14 Koninklijke Philips N.V. Method of estimation physiological parameters using medical image data
KR102078622B1 (ko) * 2018-06-28 2020-04-07 연세대학교 산학협력단 협착 병변의 수학적 모델링을 이용한 심혈관 정보 결정 방법
JP7467026B2 (ja) * 2018-10-10 2024-04-15 キヤノンメディカルシステムズ株式会社 医用情報処理装置、医用情報処理プログラム、医用情報処理システム
CN111166316B (zh) * 2018-11-13 2023-03-21 苏州润迈德医疗科技有限公司 基于造影图像计算造影瞬时无波型比率和造影舒张期压力比率的方法
US10813612B2 (en) 2019-01-25 2020-10-27 Cleerly, Inc. Systems and method of characterizing high risk plaques
CN109805949B (zh) * 2019-03-19 2020-05-22 苏州润迈德医疗科技有限公司 基于压力传感器和造影图像计算血流储备分数的方法
CN110215203B (zh) * 2019-05-28 2021-10-22 上海联影医疗科技股份有限公司 心电信号获取方法、装置、计算机设备和存储介质
CN116211296A (zh) 2019-07-24 2023-06-06 麻省理工学院 用于甲襞成像装置的手指插入件
JP2022543330A (ja) 2019-08-05 2022-10-12 エルシド バイオイメージング インコーポレイテッド 形態学的および血管周囲疾患の複合評価
AU2021205821A1 (en) 2020-01-07 2022-07-21 Cleerly, Inc. Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking
US20220392065A1 (en) 2020-01-07 2022-12-08 Cleerly, Inc. Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking
US11969280B2 (en) 2020-01-07 2024-04-30 Cleerly, Inc. Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking
US11860154B2 (en) 2020-05-28 2024-01-02 Leuko Labs, Inc Method to detect white blood cells and/or white blood cell subtypes from non-invasive capillary videos
US20230289963A1 (en) 2022-03-10 2023-09-14 Cleerly, Inc. Systems, devices, and methods for non-invasive image-based plaque analysis and risk determination

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120041318A1 (en) * 2010-08-12 2012-02-16 Heartflow, Inc. Method and system for patient-specific modeling of blood flow
CN102834847A (zh) * 2010-04-13 2012-12-19 皇家飞利浦电子股份有限公司 图像分析

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1444635B1 (en) * 2001-10-03 2017-05-10 Retinalyze A/S Assessment of lesions in an image
US20100130878A1 (en) * 2008-11-24 2010-05-27 General Electric Company Systems, apparatus and processes for automated blood flow assessment of vasculature
US9451886B2 (en) 2009-04-22 2016-09-27 Rodrigo E. Teixeira Probabilistic parameter estimation using fused data apparatus and method of use thereof
EP2480124B1 (en) * 2009-09-23 2017-11-22 Lightlab Imaging, Inc. Lumen morphology and vascular resistance measurement data collection systems, apparatus and methods
WO2015024934A1 (en) * 2013-08-21 2015-02-26 Koninklijke Philips N.V. Segmentation apparatus for interactively segmenting blood vessels in angiographic image data
US9773219B2 (en) * 2014-04-01 2017-09-26 Heartflow, Inc. Systems and methods for using geometry sensitivity information for guiding workflow

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102834847A (zh) * 2010-04-13 2012-12-19 皇家飞利浦电子股份有限公司 图像分析
US20120041318A1 (en) * 2010-08-12 2012-02-16 Heartflow, Inc. Method and system for patient-specific modeling of blood flow

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SETHURAMAN SANKARAN, ET AL.: "A Stochastic Collocation Method for Uncertainty Quantification and Propagation in Cardiovascular Simulations", 《JOURNAL OF BIOMECHANICAL ENGINEERING》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108471970A (zh) * 2015-11-10 2018-08-31 通用电气公司 用于估计动脉脉搏波速度的系统和方法
CN109475303A (zh) * 2016-07-14 2019-03-15 皇家飞利浦有限公司 用于对血管中的性质测量结果的质量进行反馈的装置、系统和方法
CN109688908A (zh) * 2016-09-16 2019-04-26 皇家飞利浦有限公司 用于确定血流储备分数的装置和方法
CN109688908B (zh) * 2016-09-16 2023-01-03 皇家飞利浦有限公司 用于确定血流储备分数的装置和方法
CN112543618A (zh) * 2018-06-15 2021-03-23 帕伊医疗成像有限公司 用于进行定量血液动力学流量分析的方法和装置
CN112543618B (zh) * 2018-06-15 2024-05-07 帕伊医疗成像有限公司 用于进行定量血液动力学流量分析的方法和装置
CN108742570A (zh) * 2018-06-20 2018-11-06 博动医学影像科技（上海）有限公司 基于冠脉优势类型获取血管压力差的方法及装置
CN108742586A (zh) * 2018-06-20 2018-11-06 博动医学影像科技（上海）有限公司 基于糖尿病病史信息获取血流特征值的方法及装置
CN109410182A (zh) * 2018-09-30 2019-03-01 语坤（北京）网络科技有限公司 一种图像处理方法及图像处理设备
CN109567776A (zh) * 2018-12-31 2019-04-05 深圳北芯生命科技有限公司 用于测试ffr主机系统的导管模拟器

Also Published As

Publication number Publication date
US20210358634A1 (en) 2021-11-18
EP3473184A1 (en) 2019-04-24
JP6138972B2 (ja) 2017-05-31
JP2016511682A (ja) 2016-04-21
US20160103972A1 (en) 2016-04-14
US9424395B2 (en) 2016-08-23
CN105007819B (zh) 2018-11-23
US20140249784A1 (en) 2014-09-04
US20210335497A1 (en) 2021-10-28
JP6466992B2 (ja) 2019-02-06
AU2016244309B2 (en) 2018-11-01
CA2903146C (en) 2017-09-05
CA2903146A1 (en) 2014-09-12
KR101818645B1 (ko) 2018-01-15
JP6751170B2 (ja) 2020-09-02
US20170357773A1 (en) 2017-12-14
EP2800517A1 (en) 2014-11-12
AU2020244586B2 (en) 2023-10-19
CN109378076B (zh) 2022-04-05
AU2014226326B2 (en) 2016-07-14
KR20150113157A (ko) 2015-10-07
WO2014137742A1 (en) 2014-09-12
JP2020192357A (ja) 2020-12-03
EP2800517B1 (en) 2018-11-14
US20210358635A1 (en) 2021-11-18
JP2017153977A (ja) 2017-09-07
CN109378076A (zh) 2019-02-22
JP2019076750A (ja) 2019-05-23
AU2020244586A1 (en) 2020-11-05
AU2019200682A1 (en) 2019-02-21
US11087884B2 (en) 2021-08-10
AU2016244309A1 (en) 2016-11-03
US9805168B2 (en) 2017-10-31
AU2014226326A1 (en) 2015-10-15

Similar Documents

Publication Publication Date Title
US20210358634A1 (en) Systems and methods for image processing to determine blood flow
JP6409114B2 (ja) 患者固有の幾何学的形状モデルを変更することによって治療を決定する方法及びシステム
EP3127026B1 (en) Systems and methods for determining blood flow characteristics using flow ratio
CN104736046B (zh) 用于数字评估脉管系统的系统和方法
CN108109698B (zh) 计算血流储备分数的系统和设置边界条件的方法
CN106537392A (zh) 用于冠状动脉中的血液动力学计算的方法和系统
CN107427268A (zh) 用于基于纯几何机器学习的血流储备分数的方法和系统
CN102525443A (zh) 非侵入性冠状动脉病评估的方法和系统
JP2022517995A (ja) 冠動脈における血行動態パラメータの患者固有モデリング

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant