CN105051784A - 对模拟准确度和性能的图像质量评估 - Google Patents

对模拟准确度和性能的图像质量评估 Download PDF

Info

Publication number
CN105051784A
CN105051784A CN201480015889.9A CN201480015889A CN105051784A CN 105051784 A CN105051784 A CN 105051784A CN 201480015889 A CN201480015889 A CN 201480015889A CN 105051784 A CN105051784 A CN 105051784A
Authority
CN
China
Prior art keywords
patient
image
computer system
anatomical
processor
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
CN201480015889.9A
Other languages
English (en)
Other versions
CN105051784B (zh
Inventor
蒂莫西·A·方特
莱昂·J·格雷迪
吴仲乐
米希尔·沙普
斯坦利·C·洪利
苏马·森古普塔
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
Publication of CN105051784A publication Critical patent/CN105051784A/zh
Application granted granted Critical
Publication of CN105051784B publication Critical patent/CN105051784B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • A61B5/026—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
    • A61B5/02—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
    • A61B5/0261—Measuring blood flow using optical means, e.g. infrared light
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/481—Diagnostic techniques involving the use of contrast agents
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0883—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the heart
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • 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
    • A61B5/0263—Measuring blood flow using NMR
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/037—Emission tomography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/507—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for determination of haemodynamic parameters, e.g. perfusion CT
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5294—Devices using data or image processing specially adapted for radiation diagnosis involving using additional data, e.g. patient information, image labeling, acquisition parameters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/563—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution of moving material, e.g. flow contrast angiography
    • G01R33/5635—Angiography, e.g. contrast-enhanced angiography [CE-MRA] or time-of-flight angiography [TOF-MRA]
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/10104—Positron emission tomography [PET]
    • 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
    • G06T2207/10108—Single photon emission computed tomography [SPECT]
    • 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
    • G06T2207/10132—Ultrasound image
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G06T2207/30104—Vascular flow; Blood flow; Perfusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30172—Centreline of tubular or elongated structure
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06T2207/30196—Human being; Person
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Optics & Photonics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Physiology (AREA)
  • Cardiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Hematology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Pulmonology (AREA)
  • Vascular Medicine (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了用于使用计算机系统评估患者的解剖结构的至少一部分的医学图像的质量的系统和方法。一种方法包括：接收所述患者的解剖结构的至少一部分的一个或多个图像；使用所述计算机系统的处理器确定所述接收的图像的一个或多个图像属性；使用所述计算机系统的处理器基于所述接收的图像执行所述患者的解剖结构的至少一部分的解剖学定位或建模；基于所述解剖学定位或建模获取与所述患者的解剖结构的解剖特征相关联的一个或多个图像特性的识别；以及使用所述计算机系统的处理器基于所述一个或多个图像属性和所述一个或多个图像特性计算图像质量分数。

Description

对模拟准确度和性能的图像质量评估
描述
优先权
本申请案要求于2014年1月24日提交的美国申请案第14/163,589号(其要求于2013年3月15日提交的美国临时申请案第61/793,162号的优先权的权益)的优先权，所述申请案中的每一个以引用的方式整体并入。
技术领域
本公开的实施方案涉及用于评估医学图像质量的方法和系统，且更具体而言，涉及用于评估关于解剖和/或血流的患者特定建模的医学图像质量的方法和系统。
背景技术
医学成像是一项被用来获取有关患者的身体、器官、组织或其一部分的解剖结构和生理学数据以供临床诊断和治疗计划的重要技术。医学成像包括(但不限于)放射照相术、计算机化断层摄影术(CT)、核磁共振成像(MRI)、荧光透视、单光子发射计算机化断层摄影术(SPECT)、正电子发射断层摄影术(PET)、闪烁摄影术、超声波和特定技术，诸如心回波描记术、乳房摄影术、血管内超声波和血管造影术。可通过非侵入式或侵入式程序获取成像数据。心脏病学、神经系统科学、肿瘤学、矫形术的领域以及许多其它领域受益于医学成像中获取的信息。
具体而言，在心脏病学领域中，众所周知，冠状动脉疾病可导致向心脏提供血液的血管生成病变，诸如狭窄(血管的异常变窄)。因此，流向心脏的血流可能受到限制。罹患冠状动脉疾病的患者可在身体用力期间经历胸痛(称为慢性稳定性心绞痛)或当患者在休息时经历不稳定性心绞痛。较严重的疾病表现可引起心肌梗塞或心脏病发作。需要提供有关冠状动脉病变的较精确数据，诸如大小、形状、位置、功能意义(例如，病变是否会影响血流)等。可对罹患胸痛和/或显示冠状动脉疾病症状的患者进行一种或多种测试(诸如基于医学成像)，所述测试可提供一些有关冠状动脉病变的间接证据。
除了CT、SPECT和PT，对用于非侵入式冠状评价的医学成像的使用还可包括心电图、来自血液测试的生物标记评价、平板测试(treadmilltest)和心回波描记术(echocardiography)。然而，这些非侵入式测试通常不提供冠状动脉病变的直接评估或评估血流率。非侵入式测试可通过寻找以下的变化来提供冠状动脉病变的间接证据：心脏电活动(例如，使用心电描记术(ECG))、心肌活动(例如，使用应力心回波描记术)、心肌灌注(例如，使用PET或SPECT)或代谢变化(例如，使用生物标记)。
例如，解剖学数据可使用冠状动脉计算机化断层摄影血管造影术(CCTA)以侵入方式获取。CCTA可用于对患有胸痛的患者进行成像，并且涉及使用CT技术以在静脉内输注对比剂之后对心脏和冠状动脉进行成像。然而，CCTA也无法提供有关冠状动脉病变的功能意义(例如，病变是否会影响血流)的直接信息。此外，因为CCTA纯粹是一种诊断性测试，所以它不能用于预测以下的变化：在其它生理状态(例如，运动)下的冠状动脉血流、压力、心肌灌注的变化，它也不能用于预测介入的结果。
因此，患者可能需要侵入式测试，诸如诊断性心导管插入术以使冠状动脉病变可视化。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)以收集有关冠状动脉病变的解剖学数据，所述解剖学数据是由医生用动脉的大小和形状的图像来提供。然而，CCA不提供用于评估冠状动脉病变的功能意义的数据。例如，医生在没有确定病变是否具有功能意义情况下不能诊断冠状动脉病变是否有害。因此，CCA已引起被称为“眼狭窄反射(oculostenoticreflex)”的程序，其中介入性心脏病专家对使用CCA发现的每一病变都插入支架，无论病变是否具有功能意义。因此，CCA可导致对患者执行不必要的操作，所述不必要的操作可对患者造成增加的风险，并且可对患者引起不必要的健康护理成本。
在诊断性心导管插入术期间，冠状动脉病变的功能意义可能通过测量观察到的病变的血流储备分数(FRR)以侵入方式评估。FFR被定义为在冠状动脉血流量增大(例如由静脉内施用腺苷诱导)的条件下，病变下游的平均血压除以病变上游的平均血压(例如主动脉压)的比率。血压可通过将压力线插入患者体内而得以测量。因此，可在诊断性心导管插入术的初始成本和风险已生成之后基于所确定的FFR做出治疗病变的决定。
为了填补上述纯医学成像和侵入式程序中的每一个留下的间隙，HeartFlow公司已基于患者特定成像数据研发出模拟与建模技术。例如，各种模拟、建模和计算技术包括(但不限于)：计算力学、计算流体动力学(CFD)、数值模拟、多尺度建模、蒙特卡罗模拟、机器学习、人工智能和各种其它计算方法以求解数学模型。这些技术可提供有关下列项的信息：生物力学、流体力学、解剖学和生理学随时间发生的变化、电生理学、对组织的应力与应变、器官功能和神经功能等。该信息可在进行成像研究或预测由于医学程序或时间流逝和疾病发展而随时间发生的变化时提供。
计算模拟与建模的一个说明性应用由HeartFlow公司描述用于从非侵入式成像数据对血管的血流建模，包括评估各种医药治疗、介入治疗或手术治疗的效果(参见美国专利号8,386,188；8,321,150；8,315,814；8,315,813；8,315,812；8,311,750；8,311,748；8,311,747；和8,157,742)。具体而言，HeartFlow公司已经研发了用于非侵入式地评估冠状动脉解剖、心肌灌注和冠状动脉流的方法，以减少侵入式FFR测量的上述缺点。特定而言，CFD模拟已经成功地用于预测动脉中的血液的流速和压力的时空变化，包括FFR。这种方法和系统使执行下列项的心脏病专家受益：对患有疑似冠状动脉疾病的患者进行诊断并计划治疗，以及预测在无法被直接测量的条件(例如，运动)下的冠状动脉血流和心肌灌注，且预测对冠状动脉血流和心肌灌注的医药治疗、介入治疗和手术治疗的结果。
对于上述技术和基于图像的建模和模拟的许多其它应用，图像数据的特性和质量是重要的。在医学成像数据的采集期间，可能存在各种影响图像的质量的伪影或限制。例如，下列项的设置和能力可影响所得的图像质量：时空分辨率、能量-组织相互作用、患者或器官运动、重构算法、硬件故障、时序或采集、检测器敏感度、药物或对比剂施用、患者准备和各种其它因素。效果包括(但不限于)分辨率低、运动伪影或模糊伪影、高噪声、组织对比度低、不良灌注、部分容积效应、失真、结构的裁剪、阴影等。因为这些质量问题可影响基于成像数据的模型和模拟的性能和准确度，所以需要确定图像质量是否合适或确定图像质量对建模和模拟结果的影响。
因此，需要用于评估并量化医学图像质量的方法和系统，且更具体而言，需要用于评估并量化关于血流的患者特定建模的医学图像质量的方法和系统。前述一般描述和以下详细描述仅是示例性和解释性的，且不限制本公开。
发明内容
根据实施方案，公开了用于使用计算机系统评估患者的解剖结构的至少一部分的医学图像的质量。一种方法包括：接收患者的解剖结构的至少一部分的一个或多个图像；使用计算机系统的处理器确定所接收的图像的一个或多个图像属性；使用计算机系统的处理器基于所所接收的图像执行患者的解剖结构的至少一部分的解剖学定位或建模；基于解剖学定位或建模获取与患者的解剖结构的解剖学特征相关联的一个或多个图像特性的识别；以及使用计算机系统的处理器基于所述一个或多个图像属性和所述一个或多个图像特性计算图像质量分数。
根据另一实施方案，公开了用于评估患者的解剖结构的至少一部分的医学图像的质量的系统。一种系统包括：数字存储设备，其存储用于评估患者的解剖结构的至少一部分的医学图像的质量的指令；和处理器，其被配置来执行所述指令以执行包括下列项的方法：接收患者的解剖结构的至少一部分的一个或多个图像；使用计算机系统的处理器确定所接收的图像的一个或多个图像属性；使用计算机系统的处理器基于所接收的图像执行患者的解剖结构的至少一部分的解剖学定位或建模；基于解剖学定位或建模获取与患者的解剖结构的解剖学特征相关联的一个或多个图像特性的识别；以及使用计算机系统的处理器基于所述一个或多个图像属性和所述一个或多个图像特性计算图像质量分数。
根据另一实施方案，公开了一种非临时性计算机可读介质，其在包含计算机可执行编程指令的至少一个计算机系统上使用，所述计算机可执行编程指令用于评估患者的解剖结构的至少一部分的医学图像的质量，且当所述计算机可执行编程指令被至少一个计算机系统执行时，促使执行包括下列项的方法：接收患者的解剖结构的至少一部分的一个或多个图像；使用计算机系统的处理器确定所接收的图像的一个或多个图像属性；使用计算机系统的处理器基于所接收的图像执行患者的解剖结构的至少一部分的解剖学定位或建模；基于解剖学定位或建模获取与患者的血管结构的解剖学特征相关联的一个或多个图像特性的识别；以及使用计算机系统的处理器基于所述一个或多个图像属性和所述一个或多个图像特性计算图像质量分数。
另外的实施方案和优势将在接下来的描述中部分地阐述，而部分地将从描述中显而易见，或可从本公开的实践中学习到。可通过下文特别指出的元件和组合的方式实现并获得实施方案和优势。
附图说明
并入并构成本说明书的一部分的附图图示了若干实施方案，且与描述一起用于解释本公开的原理。
图1是根据示例性实施方案的用于确定有关特定患者中的冠状动脉血流的各种信息的系统的示意图；
图2是根据示例性实施方案的用于确定有关特定患者中的冠状动脉血流的各种信息的方法的流程图；
图3是描述根据各种示例性实施方案的用于评估医学图像质量、生成图像质量度量并使用图像质量度量的示例性方法的流程图；
图4是描述根据示例性实施方案的用于实现并执行医学图像质量的用户指导的评估的示例性方法的流程图；
图5是描述根据各种示例性实施方案的用于执行医学图像质量的计算机自动化的评估、图像质量度量的生成和图像质量度量的使用的示例性过程的流程图；
图6是描述根据各种实施方案的用于在估计冠状动脉血流储备分数值的上下文中评估医学图像质量、生成图像质量度量并使用图像质量度量的示例性过程的流程图；
图7A是根据各种示例性实施方案的基于CT图像质量评审的血流储备误差分数与接受或拒绝的示例性箱线图；
图7B是根据各种示例性实施方案的基于CT图像质量评审的血流储备分数误差与评分的示例性箱线图；
图8是描绘根据各种示例性实施方案的基于图像质量、血管数量在血流储备分数与计算化断层摄影术的性能或准确度之间所进行的比较的示例性柱状图；
图9是描绘根据各种示例性实施方案的用于基于心血管的内腔特征对图像特性评分的示例性量规的表格；以及
图10是根据各种示例性实施方案的用于显示计算机化断层摄影术质量评级与基准性能的示例性界面的屏幕截图。
具体实施方式
现在将详细参考示例性实施方案，其实例在附图中图示。尽可能地，在所有附图中将使用相同的参考标号表示相同或相似的部件。
综述
本公开涉及评估并量化医学图像的质量。在一个实施方案中，本公开描述用于评估图像质量的系统和方法，以用于预测或分析医学成像模拟与建模的精确性和性能的目的。在一个实施方案中，一种用于评估医学图像质量的方法包括：接收图像数据和可能的患者信息；通过计算机自动化、用户指导或组合的手段以局部级和/或全局级执行图像质量的评估；以及生成区域性(例如，针对血管)的或针对全部数据集或多个数据集的图像质量度量。在一个实施方案中，一种评估医学图像质量的方法包括将图像质量度量应用于下列项中的一个或多个：(i)评价成像数据是否适于实现期望的模拟准确度、精确度和/或性能；(ii)估计模拟结果的准确度、精确度或置信度；(iii)指导最适于实现期望的准确度、精确度和/或性能的模拟或建模技术；和/或(iv)选择、组合或校正来自接收到的各种数据的最佳数据，以便实现期望的准确度、精确度和/或性能。
在一个实施方案中，质量问题或异常可包括(但不限于)低对比度、噪声、运动或模糊、误配准或错位、低分辨率、局部容积效应、射束硬化、从扫描中排除的剪裁解剖、条纹、扫描仪故障、缺失数据和/或不一致的对比时序。如果这些问题以使得它们可影响血流模型和模拟的质量、准确度或性能的方式影响关注信息，诸如冠状动脉的解剖，那么可期望检测并评分图像质量问题。接着，成像数据的质量可针对其对从患者图像提取期望信息的能力的影响而被分析。
在示例性实施方案中，所公开的方法和系统涉及对被配置来接收含有至少一些冠状动脉血管的患者特定成像数据的至少一个计算机的使用。为了从成像数据对冠状动脉血流建模，冠状动脉解剖结构的至少一些部分可被测量、建模、分割或估计。此外，心脏、主动脉、心肌、心室、瓣膜、静脉或心脏的其它结构的至少一些部分可被测量、建模、分割或估计。与解剖结构表示一起，关于对比度、对比梯度或其它图像分析度量的信息可被提取来通知模型。
因此，在这种示例性实施方案中，公开了用于从患者特定成像数据确定图像质量的方法和系统，以用于血流建模和模拟的目的。这种实施方案可包括对冠状动脉计算机化断层摄影血管造影术(cCTA)成像数据的评估，以模拟包括(但不限于)下列项的信息：冠状动脉血流、速率、压力、斑块和壁应力、以及血流储备分数(FFR)。所述方法和系统可适用于血管结构的其它区域，包括(但不限于)颈动脉、周边、腹部、肾和大脑，以及适用于其它成像模式，包括(但不限于)MRI、PET、SPECT、超声波和血管造影术。
因此，在接下来的某些实施方案中，在冠状动脉血管结构的图像的上下文中，描述了用于评估并量化图像质量的系统和方法，以用于实例的目的。更具体而言，在某些实施方案中，在分析用于对患者特定冠状动脉血管结构建模并模拟通过患者特定冠状动脉血管结构的血流的图像的质量的上下文中，描述了用于评估并量化图像断电系统和方法，以用于实例的目的。然而，应明白，在任何其它医学诊断技术中，目前公开的用于评估并量化图像质量的技术同样适用于评价并操纵关于任何解剖结构、或关于任何心血管评价的医学成像。
示例性心血管上下文
在一个实施方案中，本公开涉及用于在确定特定患者的血流信息的上下文中，使用以非侵入方式从患者检索的信息来评估图像质量的方法和系统。在2011年1月25日提交、标题为“MethodandSystemforPatient-SpecificModelingofBloodFlow”的美国专利第8,315,812号中更详细地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，通过方法和系统确定的信息可涉及患者的冠状动脉血管结构中的血流。替代地，所确定的信息可涉及患者的血管结构(诸如，颈动脉血管结构、周边血管结构、腹部血管结构、肾血管结构和大脑血管结构)的其它区域中的血流。冠状动脉血管结构包括在大动脉到小动脉、毛血管、小静脉、静脉等的范围内的复杂血管网状结构。冠状动脉血管结构使血液循环到心脏并在心脏内循环，并且包括主动脉，其向多条主要冠状动脉(例如，左前降支(LAD)动脉、左旋支(LCX)动脉、右冠状(RCA)动脉等)提供血液，其还可分成动脉的分支，或主动脉和主要冠状动脉下游的其它类型血管的分支。因此，示例性方法和系统可确定有关主动脉、主要冠状动脉和/或主要冠状动脉下游的其它冠状动脉或血管内血流的信息。尽管下文讨论了主动脉和冠状动脉(和由此延伸的分支)，但所公开的方法和系统也可适用于其它类型血管。
在示例性实施方案中，通过所公开的方法和系统确定的信息可包括(但不限于)主动脉、主要冠状动脉和/或主要冠状动脉下游的其它冠状动脉或血管中各种位置的各种血流特性或参数，如血流速度、压力(或其比率)、流动速率和FFR。这信息可用以确定病变是否具有功能意义和/或是否要治疗病变。这信息可使用以非侵入方式从患者获取的信息来确定。因此，是否要治疗病变的决定可在没有与侵入性程序相关的成本和风险下做出。
图1展示根据示例性实施方案的一种用于提供给有关特定患者的冠状动脉血流的信息的系统的方面。患者的解剖结构的三维模型10可使用以非侵入方式从患者获取的数据创建，如下文较详细描述。其它患者特定信息也可以非侵入方式获取。在示例性实施方案中，由三维模型10表示的患者的解剖结构的部分可包括主动脉的至少一部分，和与主动脉连接的主要冠状动脉(和由此延伸或发源的分支)的邻近部分。
有关冠状动脉血流的各种生理规律或关系20可例如从实验数据推导，如下文较详细描述。使用三维解剖模型10和所推导的生理规律20，有关冠状动脉血流的多个等式30可如下文较详细描述来确定。例如，等式30可使用任何数值方法(例如有限差分方法、有限体积方法、光谱方法、晶格波耳兹曼(latticeBoltzmann)方法、基于颗粒的方法、水平集(levelset)方法、有限元方法等)来确定和求解。等式30可被求解以确定关于在由模型10表示的解剖结构中各种点的患者的解剖结构中冠状动脉血流的信息(例如压力、速度、FFR等)。
等式30可使用计算机系统40来求解。基于已求解的等式，计算机系统40可输出一个或多个图像或模拟结果，其指示有关由模型10表示的患者的解剖结构中血流的信息。例如，图像可包括模拟血压模型50、模拟血液流量或速度模型52、计算FFR(cFFR)模型54等，如下文将更详细地描述。模拟血压模型50、模拟血流模型52和cFFR模型54提供关于以下的信息：在由模型10表示的患者的解剖结构中沿三维的各种位置的各自压力、速度和cFFR。在冠状动脉血流增大(例如常规地由静脉内施用腺苷所诱导)的条件下，cFFR可计算为模型10中具体位置的血压除以主动脉中(例如在模型10的流入边界处)的血压的比率。
在示例性实施方案中，计算机系统40可包括一个或多个存储指令的非临时性计算机可读存储设备，所述指令当由处理器、计算机系统等执行时可进行本文所述的用于提供有关患者血流的信息的各种来源的任一行为。计算机系统40可包括台式计算机或便携式计算机、工作站、服务器、个人数字助理或任何其它计算机系统。计算机系统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、存储设备等)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、语音输入和/或其它设备)的用户界面适配器，用于连接计算机系统40至网络的通讯适配器，用于连接计算机系统40至显示器的显示器适配器等。例如，显示器可用以显示三维模型10和/或通过求解等式30生成的任何图像，如模拟血压模型50、模拟血流模型52和/或cFFR模型54。
图2展示根据另一示例性实施方案的一种用于提供有关特定患者的血流的信息的各种来源的方法60的方面。所述方法可包括获取患者特定解剖学数据，诸如关于以下的信息：患者的解剖结构(例如主动脉的至少一部分和与主动脉连接的主要冠状动脉的邻近部分(和由此延伸的分支))，以及预处理所述数据(步骤62)。患者特定解剖学数据可以非侵入方式，例如通过CCTA获取。
患者的解剖结构的三维模型可基于所获取的解剖学数据创建(步骤64)。例如，三维模型可为上文关于图1描述的患者的解剖结构的三维模型10。
可制作三维模型以用于分析，并且可确定边界条件(步骤66)。例如，上文关于图1描述的患者的解剖结构的三维模型10可被修剪并且离散化成体积网(volumetricmesh)，例如有限元网或有限体积网。体积网可用于生成上文关于图1描述的等式30。
边界条件也可被赋值并且并入上文关于图1描述的等式30中。边界条件提供关于三维模型10在其边界处的信息，例如流入边界、流出边界、血管壁边界等。流入边界可包括流被引入三维模型的解剖结构中所经过的边界，诸如在靠近主动脉根的主动脉末端。每个流入边界可例如使用速度、流率、压力或其它特性的规定值或值域、通过将心脏模型和/或集中参数模型与边界耦合等来赋值。流出边界可包括流被向外引出三维模型的解剖结构所经过的边界，诸如在靠近主动脉弓的主动脉末端，以及主要冠状动脉和由此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布(例如，一维波传播)模型来赋值。流入和/或流出边界条件的规定值可通过以非侵入方式测量患者生理学特性来确定，患者生理学特性诸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、主要冠状动脉和/或其它冠状动脉或血管的实体边界。
计算分析可使用所制作的三维模型和所确定的边界条件来执行(步骤68)以确定患者的血流信息。例如，计算分析可用等式30并且使用上文关于图1描述的计算机40来执行，以生成上文关于图1描述的图像，诸如模拟血压模型50、模拟血流模型52和/或cFFR模型54。
方法还可包括使用结果来提供患者特定治疗选择(步骤70)。例如，在步骤64中创建的三维模型10和/或在步骤66中赋值的边界条件可被调整以为一种或多种治疗(例如，将冠状动脉支架放在三维模型10中呈现的冠状动脉中的一个中)或其它治疗选择建模。接着，计算分析可诸如上在步骤68中所述来进行，以便生成新图像，诸如更新版本的血压模型50、血流模型52和/或cFFR模型54。如果采用所述治疗选择，那么这些新图像可用于确定血流速度和压力的变化。
本文公开的系统和方法可并入医师可得的软件工具中，以提供定量冠状动脉中的血流并且评估冠状动脉疾病的功能意义的非侵入性手段。另外，医师可使用软件工具来预测医药治疗、介入治疗和/或手术治疗对冠状动脉血流的影响。软件工具可预防、诊断、管理和/或治疗心血管系统的其它部分的疾病，所述其它部分包括颈部动脉(例如，颈动脉)、头部动脉(例如，脑动脉)、胸部动脉、腹部动脉(例如，腹主动脉和其分支)、臂动脉或腿动脉(例如，大腿动脉和腿弯部动脉)。软件工具可具有互动性以使医师能够为患者生成最优的个人化疗法。
例如，软件工具可至少部分并入医师或其他用户使用的计算机系统，例如图1中所示的计算机系统40中。计算机系统可接收以非侵入方式从患者获取的数据(例如，用以创建三维模型10的数据、用以应用边界条件或执行计算分析的数据等)。例如，数据可由医师输入或可从能够存取和提供此类数据的另一来源(诸如放射实验室或其它医药实验室)接收。数据可经由网络或用于传递数据的其它系统传输，或直接传入计算机系统。软件工具可使用所述数据以生成并显示三维模型10或其它模型/网和/或任何模拟或其它结果(通过求解上文关于图1描述的等式30来确定)，如模拟血压模型50、模拟血流模型52和/或cFFR模型54。因此，软件工具可执行步骤62-70。在步骤70中，医师可向计算机系统提供进一步输入以选择可行的治疗选择，并且计算机系统可向医师显示基于所选可行的治疗选择的新模拟。进一步地，图2中所示的步骤62-70中每一个都可使用单独软件包或软件模块来执行。
替代地，软件工具可作为基于网络的服务或其它服务(例如，与医师分开的实体提供的服务)的部分来提供。服务提供者可例如操作基于网络的服务，并且可提供网络入口或其它基于网络的应用(例如，在服务器或由服务提供者操作的其它计算机系统上运行)，所述网络入口或其它基于网络的应用为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它方法可得。例如，以非侵入方式从患者获取的数据可提供给服务提供者，并且服务提供者可使用所述数据来生成三维模型10或其它模型/网和/或任何模拟或其它结果(通过求解上文关于图1描述的等式30来确定)，诸如模拟血压模型50、模拟血流模型52和/或cFFR模型54。接着，基于网络的服务可传输有关三维模型10或其它模型/网和/或模拟的信息，使得三维模型10和/或模拟可在医师的计算机系统上向医师显示。因此，基于网络的服务可执行步骤62-70和用于提供患者特定信息的下述任何其它步骤。在步骤70中，医师可提供进一步输入，例如以选择可能的治疗选择或对计算分析进行其它调整，并且输入可被传输到由服务提供者操作的计算机系统(例如，经由网络入口)。基于网络的服务可基于所选的可能治疗选择来生成新的模拟或其它结果，并且可将有关新模拟的信息传回医师，使得新模拟可向医师显示。
图像质量评估
有关用于非侵入式地计算FFR的计算建模的上述技术可受益于对图像质量的评估。因此，本公开描述用于量化并评估有关在模拟血流特性中使用的解剖模型和数学模型的可用数据的图像质量的影响。另外，本公开描述了用于基于局部和全局的图像属性评估血管和其它解剖模型的不确定性，并且基于所预测的不确定性计算模拟血流计算的置信区间的方法和系统。
在示例性实施方案中，方法和系统可实施被配置来检测并评分图像质量问题的至少一个计算机。在示例性实施方案中，冠状动脉成像数据可通过自动化方法和用户指导方法的组合使用至少一个计算机系统来分析。如下文将进行更详细描述，所公开的方法和系统可以是全自动化的、完全由用户指导或可以是自动化和由用户指导二者结合的。所公开的方法和系统可被配置来执行可包括下文所列出的潜在图像质量问题中的一个或多个的评价或量化的评估。
-图像分辨率
-切片厚度
-重构内核
-扫描仪切片的数量
-缺失切片或缺失数据
-采集的阶段
-在采集时提供的药物
-采集时的心率
-被期望但不包含在图像数据中的解剖学数据
-解剖异常的存在
-植入设备或先前手术的存在
-对比度
-噪声电平
-对比噪声比
-误配准或错位
-运动或模糊
-部分容积效应或浮散
-射束硬化
-通常无法解释或不好定义的区域
在示例性实施方案中，可以全局级、局部级或全局级和局部级二者检测到这些问题。全局级问题可涉及基于整个图像容积检测图像质量问题，且在一些情况下可被称为“图像属性”。局部级问题可涉及例如沿一条或多条血管中线等的一些或全部冠状动脉、冠状动脉斑块周围的特定区域的检测空间，且在一些情况下可被称为“图像特性”。
在示例性实施方案中，用于确定并评估图像质量的系统和方法可基于先前提到的质量问题而使用对局部和全局图像质量问题的自动化和用户指导的定量和定性评估的组合。
图像质量问题，诸如CT成像伪影可来自多个来源，包括：(ⅰ)基于物理的来源，诸如来自管(kVP，mA)和光子(波动，饥饿)、射束硬化(条纹，暗带等)、部分容积(浮散)、欠采样(浮散)和门架旋转速度；(ⅱ)基于患者的来源，诸如心率、规则节律(运动)、金属材料和BMI(射束硬化)；(ⅲ)基于扫描仪的来源，诸如无法校准的检测器阵列实体或重构内核和方法；和/或(ⅳ)基于协议的来源，诸如β-受体阻滞药施用(以降低HR)、对比剂施用(高浓度、流率、单相、双相、三相)、对比时序控制等，ECG同步和校正、硝酸甘油(以扩大血管并增加显影)，以及左对左+右心室显影。
图3是描述根据各种示例性实施方案的用于评估医学图像质量、生成图像质量度量并使用图像质量度量的示例性方法100的流程图。在一个实施方案中，方法100包括接收患者图像数据(步骤102)。具体而言，根据一个实施方案，步骤102可包括实施至少一个计算机系统以通过接收关于患者的身体、器官、组织或其部分的患者特定数据而确定模拟和建模的图像质量。例如，步骤102可包括在计算机系统40或任何其它计算系统(其可为(但不限于)：计算机、膝上型计算机、移动电话、移动平板、DSP、云计算系统、服务器机群等)处获取患者特定数据10。
方法100可包括执行所接收的图像数据的局部和/或全局质量的自动化、用户指导或组合的自动化和用户指导的评估(步骤104)。例如，在自动化的实施方案中，计算机系统可自动化地确定整个图像或图像组的全局质量评估以及单个图像的具体部分或患者的成像解剖结构的部分的局部质量评估。在用户指导的实施方案中，计算机系统可提示用户确定并键入整个图像或图像组的全局质量评估，并且确定单个图像的具体部分或患者的成像解剖结构的部分的局部质量评估。在某些实施方案中，局部和/或全局质量评估的某些方面可由自动化评估和用户指导评估的任何组合形成。
所述至少一个计算机系统和方法可评估或评分图像质量的单个特征、各个特征或特征的组合，以为关注区域或为整个图像数据集生成图像质量度量(步骤106)。具体而言，所述至少一个计算机系统可基于所评价的图像质量的特征而使用分数来制定区域性或数据集图像质量度量。所述至少一个计算机系统可将图像质量评估的结果用作输入，以使用患者特定数据执行建模或模拟。然而，除了患者特定数据的建模和模拟(诸如血流)之外，图像质量度量也可被用作输入以用于任何其它活动或评估。
在一个实施方案中，方法100可包括使用所生成的度量来评价成像数据是否适用于实现期望的模拟准确度(步骤108)。例如，方法100可包括基于与准确度、精确度、性能或其它要求相关的预定标准而使用图像质量评估的结果来接受或拒绝用于建模或模拟的图像数据。此外，方法100可包括使用图像质量评估的结果来估计性能度量(例如，完成分析的时间、分析的成本)或基于那些度量而做出使用至少一个计算机系统执行或不执行关于患者特定数据的建模或模拟的决定。例如，计算机系统可基于图像质量评估的结果而计算并显示完成分析的时间。此外，或替代地，计算机系统可基于图像质量评估的结果而计算并显示分析的成本。此外，或替代地，计算机系统可基于图像质量评估的结果而使用至少一个计算机系统显示和/或传输执行或不执行有关患者特定数据的建模或模拟的建议或要求。此类计算信息中的任何信息(诸如完成分析的计算时间、分析的成本和/或执行/不执行分析)可通过电子显示器和/或通过电子网络显示给医师、技术员或任何其他健康护理提供者。
根据另一实施方案，方法100可包括使用所生成的度量估计模拟结果的准确度或置信度(步骤110)。例如，方法100可包括使用图像质量评估的结果来执行建模或模拟，并输出具有与模拟结果相关联的置信度量的结果(例如，误差、置信度百分比、置信区间、准确度或精确度估计)。
根据另一实施方案，方法100可包括使用所生成的度量来指导最适于实现期望的模拟准确度的模拟技术(步骤112)。例如，方法100可包括：使用图像质量评估的结果在整个图像数据集或相关受影响的部分(取决于图像质量评估)中使用不同的技术或算法进行建模或模拟，以增强或实现期望的性能、准确度、精确度或其它要求。
根据另一实施方案，方法100可包括使用所生成的度量来选择、组合或校正来自多个接收到的选项中的最佳可用数据以实现期望的模拟准确度(步骤114)。例如，方法100可包括在执行建模或模拟之前使用图像质量评估的结果来纠正图像质量问题，以增强或实现期望性能、准确度、精确度或其它要求。此外或替代地，方法100可包括使用图像质量评估的结果来从许多可用数据(例如，交错级数或重构数据)选择最适于执行建模或模拟的数据集，以增强或实现期望性能、准确度、精确度或其它要求。此外或替代地，方法100可包括使用图像质量评估的结果来组合许多不同的成像数据(例如，其它相或其它重构或形态)以补偿图像质量问题，并使用至少一个计算机系统执行关于患者特定数据的建模或模拟，以增强或实现期望性能、准确度、精确度或其它要求。
根据另一实施方案，方法100可包括使用所生成的度量来提供反馈以获取更好的图像质量，从而实现期望的准确度(步骤116)。例如，方法100可包括使用图像质量评估的结果以评估或评分一段时间内的图像质量的单个特征、各个特征或特征的组合，在这段时间内，允许向提供图像数据的个人提供反馈，使得他们可以校正、重做或更新图像数据以满足一些预定标准，从而增强或实现期望性能、准确度、精确度或其它要求。使用所更新或校正的图像数据，所述至少一个计算机系统和方法可执行建模或模拟的一个或多个附加迭代。
图4是描述根据示例性实施方案的用于执行图像质量的用户指导的评估的示例性方法120的流程图。如图4示出，在一个实施方案中，方法120可包括接收患者解剖学图像数据(步骤122)。例如，步骤122可包括在计算机系统40处获取解剖学图像数据10，与上文图1和图2的任何公开内容一致。方法120可进一步包括确定患者血管结构的一条或多条中线(步骤124)。例如，步骤124可包括使用计算机系统40的处理器来自动化地识别患者的血管结构的一条或多条中线，与上文图1和图2的任何公开内容一致。在一个实施方案中，计算机系统40的处理器可将中线增加到主要血管(RCA、LAD和LCX)，或直径大于2mm的任何其它血管。
方法120可进一步包括提示用户使用一组可视化标准(例如，模糊伪影、运动伪影、图像伪影等)沿每条中线输入图像质量问题、图像异常、图像伪影或其它“无法解释的区域”(步骤126)。例如，计算机系统40的处理器可初始化一个或多个图像和中线的显示，并且提示用户评审并检查图像，以及在发现任何误配准伪影、模糊、支架、不期望的对比噪声比、运动伪影、浮散伪影、钙、扫描仪误差、缺失切片、不完全数据等时键入图像质量问题的输入。例如，计算机系统40的处理器可生成用户界面元素，用户可操纵用户界面元素来指示用户识别本文描述的任何图像质量问题以及那些问题的位置、数量或程度的某些特性。在一个实施方案中，计算机系统40的用户或处理器可将每个无法解释的区域表征为短的(例如，0-5mm)或长的(例如，大于5mm)。
在一个实施方案中，如果图像展示出高对比度、低噪声和轻度右对比度，则可提示用户将对比时序和噪声识别为“良好”；如果图像展示出中度对比度、中度噪声和高右对比度，则识别为“及格”；如果图像展示出低对比度、高噪声和高右对比度，则识别为“差”。在一个实施方案中，如果图像展示没有影响内腔几何结构的误配准，则可提示用户将误配准识别为“良好”；如果图像展示几乎垂直于血管且可被校正的误配准伪影，则识别为“及格”；如果图像展示无法被校正或存在于疾病区使得内腔无法被确定的误配准，则识别为“差”。在一个实施方案中，如果运动不影响内腔或斑块，则可提示用户将运动识别为“良好”；如果图像反映内腔被影响，但假设血管可被解释和模制，则识别为“及格”；如果图像反映内腔解释性被运动严重地影响，则识别为“差”。在一个实施方案中，如果轻度浮散不影响内腔解释性，则可提示用户将浮散识别为“良好”；如果高度浮散可能需要校正但图像仍保持内腔可见性，则识别为“及格”；如果重度浮散伪影完全遮蔽内腔，则识别为“差”。
方法120可进一步包括基于区域的长度接收或计算每个无法解释的区域的分数(步骤128)。在示例性实施方案中，图像质量问题的分数—不论基于定性标度(例如，利开特氏标度(Likertscale))还是定量测量—可被确定并分析它们如何影响或预测建模和模拟准确度、精确度和性能。图像质量评估可具有绝对的失效标准(其中数据集被视为不可接受)，其可具有在区域、血管或整个数据集上评分、组合和加权的各种度量，或其可具有二者的组合。例如，在某些实施方案中，当一些单一的或组合的图像质量问题导致25％或更多的动脉难以辨识(无论是由于噪声、运动、浮散、对比度低、误配准等)时，可触发自动失效。
根据示例性实施方案，可由图像质量分数系统和方法基于先前描述的图像质量问题中的至少一些的评级而为区域(例如，血管)或数据集生成度量。在一个实施方案中，每个无法解释的区域可接收基于长度的分数(例如，在一个实施方案中，短长度为1.5分而较长的长度为3分)。在一个实施方案中，拒绝患者的图像(即，“病例”)的分数可涉及6分的单个主要血管、8分的整个病例和/或已经被赋值为10分的所谓的“红标记”。
图9描绘了根据各种示例性实施方案的用于基于心血管的内腔特征而对图像特性评分的示例性量规的表格。具体而言，图9描绘了用于将分数分配到无法解释的区域或其它图像质量问题的评分量规的一个示例性实施方案。例如，如在图9的示例性量规示出，可基于受影响的区域量(例如，“全部”或“少”、或“长”或“短”)并基于所识别的特性是否满足以下条件而将不同的分数分配给每个特性(即组合(噪声、运动、对比度)、运动、错位、噪声、浮散、对比度或浑浊)：(ⅰ)使内腔完全闭塞或导致缺失信息并且妨碍对疾病的识别；(ⅱ)妨碍对精确内腔边界的确定，但实现对所存在的疾病的识别(例如，示出最小内腔直径(“MLD”)所在的位置)；或(ⅲ)妨碍对精确内腔边界的确定并妨碍对疾病的识别。应明白，图9的评分量规仅是实例，以及在本公开的范围内可预期任何替代的评分机制。例如，评分系统可被倒置，使得较低的分数指示较低的图像质量，而较高的分数指示较高的图像质量。替代地或此外，评分系统可基于指数刻度、对数刻度或分数刻度。替代地或此外，评分系统可基于颜色编码和/或字母级刻度而生成，其中颜色和/或字母指示被评分的图像的某个质量等级。
在某些实施方案中，图像质量分数可被加权并与包括(但不限于)下列项的其它因素组合：效果的强度、问题的大小、受影响的区域、问题类型(例如，噪声或运动)、疾病的存在/不存在、血管大小、心脏中的位置、内腔界定的不确定性、与其它问题的组合、可视解释性、算法置信度等。可推导出使用一些、全部或附加的加权因素的区域或数据集的函数。下文提供了一个这样的实例：：
质量区域＝f(Σi 血管问题i*强度*类型*疾病*大小*血管大小*位置*内腔不确定性)
质量数据集＝f(Σi 数据集问题i*强度*类型*疾病*大小*血管大小*位置*内腔不确定性)
在示例性实施方案中，可为以下标准定义限制，并且不可接受的分数可导致拒绝用于冠状动脉血流建模和模拟的数据：
-图像分辨率：像素＜0.5mm
-切片厚度≤1.0mm
-扫描仪切片的数量≥64
-不可接受的缺失切片或缺失数据
-在CT采集时必须具有舌下硝酸脂
-冠状动脉和心肌必须完全被包括在数据集中
-解剖学异常(诸如严重的先天性心脏病)的存在不可接受
-植入设备(诸如起搏器)或先前手术(诸如旁路移植术)的存在不可接受
在示例性实施方案中，可以局部级定义以下标准。例如，针对每个图像质量问题，可生成效果的强度的分数。可基于下列项增加其它信息，诸如问题的位置和大小：
-对比度
-噪声电平
-误配准或错位
-运动或模糊
-局部容积效应或浮散
-通常无法解释的或不好定义的区域
方法120可进一步包括计算并输出图像的无法解释的区域的总分数作为图像质量的定量度量(步骤130)。例如，在一个实施方案中，按大小和位置加权的每个问题的分数可根据每根血管和病例进行求和。
图5是描述根据各种示例性实施方案的用于执行医学图像质量的计算机自动化的评估、图像质量度量的生成和对图像质量度量的使用的示例性方法150的流程图。在一个实施方案中，方法150可包括接收患者解剖学图像数据，并且生成患者血管结构的血管模型(步骤152)。方法150可进一步包括使用处理器确定一个或多个全局图像属性(步骤154)。
在示例性实施方案中，所公开的系统和方法可涉及自动化地评估可从包括(但不限于)下列项的成像数据提取的定量信息：图像分辨率、切片厚度、重构内核、扫描仪切片的数量、缺失切片或缺失数据和采集的阶段。所述信息可通过分析图像数据的尺寸或标签(例如，DICOM头)而提取。这些类别中的每一个可具有简单的接受/拒绝标准。以下项用作实例规格：
-图像分辨率：像素＜0.5mm
-切片厚度≤0.9mm
-重构内核等于制造商特定的滤波器
-扫描仪切片的数量≥64
-不可接受的缺失切片或缺失数据
-采集的阶段＞65％且≤80％
在示例性实施方案中，分辨率、切片、相位和数据完整度可能不具有绝对的接受/拒绝标准，而是具有将构成数据集的总的图像质量度量的一系列分数。例如，分辨率和切片厚度可被组合以获取体素容积(例如，0.4mm×0.4mm×0.75mm)。更高或更低的分辨率可从总的数据集分数中增加或减去。
在示例性实施方案中，关于成像研究期间的药物施用和心率的信息可随研究提交给计算机系统。计算机系统可基于该信息接受/拒绝数据集，例如，舌下硝酸脂的不存在可能需要拒绝信息集。替代地，药物的存在、不存在或剂量、HR或其它生理学度量可影响总的分数，或引导方法和计算机系统使用不同的方法来执行建模和模拟。例如，舌下硝酸脂的不存在可引导使用替代的冠状动脉内腔分割算法以确保正确的血管大小。
在示例性实施方案中，缺失的解剖学数据、解剖异常的存在和植入设备或先前手术的存在可被计算机系统的用户检测。这些问题的存在或不存在可能会增加分数或导致有关数据集的接受/拒绝决定。这些评估也可以是自动化的。
方法150可进一步包括使用处理器基于血管模型确定患者的血管结构的一条或多条中线(步骤156)。方法150可进一步包括在多个中线位置中的每一个位置处确定一个或多个局部图像属性(例如，模糊、运动、对比度等)(步骤158)。在示例性实施方案中，计算机系统可被配置来：基于本文描述的图像质量问题中的任何一个或多个，通过实施对图像质量的全自动化定量评估而自动化地确定此类局部图像属性，或局部或全局图像质量。例如，计算机系统40的处理器可以上文关于图4的用户指导方法讨论的任何方式自动化地确定一个或多个局部图像属性，不同之处在于，根据下文描述的示例性概念，在一些情况下，计算机系统40可自动化地实现，诸如通过执行算法。
在示例性实施方案中，可局部地(例如，在血管的某个部段)或全局地(例如，跨多条血管或较大的代表性的血管或结构)评估对比度和噪声电平。该评估可通过采取对比度的测量(例如，关注区域的平均对比度)和噪声电平(例如，关注区域的对比度的标准偏差)而执行。通过划分对比度和噪声测量，这些测量还可被组合来创建信噪比。此外，对比度和噪声测量可考虑背景或周围的组织对比度和噪声以指示关注区域(例如，冠状动脉)与背景数据(例如，心肌和心外膜脂肪)之间的差。替代地，可通过相较于参考标准(例如，1＝差，2＝及格，3＝良好)对噪声的程度进行评级而以局部或全局标度定量评估对比度、噪声和对比噪声比。在一个实施方案中，计算机系统40的处理器可基于以下算法来计算噪声：接收(例如，从零频率文件)一些CT容积数据和主动脉掩模数据作为输入，且输出主动脉平均霍斯菲耳德氏单位(“HU”)值、噪声标准偏差、周围的平均HU值和CNR。在一个实施方案中，计算机系统40的处理器可基于以下算法来计算左右心室之间的对比度差：接收一些CT容积和肌瘤(长轴和分割)作为输入，并且输出LV平均HU值和RV平均HU值。
在示例性实施方案中，误配准或错位可通过以下方式检测：搜索数据或全局地搜索数据集或在动脉附近局部地搜索以识别偏移发生在邻近图像之间的哪个位置。这些可被用户或被计算机系统检测。误配准的程度可按照数据被移位的距离、受影响的区域的量(例如，受影响的血管的长度)或按照受影响的区域的定向(例如，垂直或平行于血管)来分类。替代地，可通过相较于参考标准(例如，1＝差，2＝及格，3＝良好)对误配准的程度进行评级而以局部或全局标度定量评估误配准。在一个实施方案中，计算机系统40的处理器可基于接收CT图像、输出峰位置和评分值的算法来计算索引切片误配准。
在示例性实施方案中，运动或模糊伪影可通过以下方式检测：扫描全局数据或在动脉附近局部地扫描以识别图像数据模糊或具有软边缘(例如，具有软边缘和涂阴边缘的血管的边缘)的区域。这些可被用户或被计算机系统检测。运动的程度可按照数据模糊的距离、图像数据的梯度或其它定量手段来分类。替代地，可通过相较于参考标准(例如，1＝差，2＝及格，3＝良好)对运动的程度进行评级而以局部或全局标度定量评估运动。
在示例性实施方案中，局部容积或浮散伪影可通过以下方式检测：扫描全局数据或在动脉附近局部地扫描，以识别图像数据包含干扰其它部分的数据的鲜明特征的区域。这些可被用户或被计算机系统检测。浮散的程度可按照强度、大小和/或对其扩散到邻近结构的距离(例如，浮散遮住内腔的范围)的测量来分类。替代地，可通过相较于参考标准(例如，1＝差，2＝及格，3＝良好)对浮散的程度进行评级而以局部或全局标度定量评估浮散。
在示例性实施方案中，射束硬化可通过以下方式检测：全局地扫描数据或在动脉附近局部地扫描，以识别图像数据包含干扰其它部分数据的暗斑点或条纹的区域。这些可被用户或被计算机系统检测。射束硬化的程度可按照强度、大小和/或对其扩散到邻近结构的距离(例如，射束硬化遮住内腔的范围)的测量来分类。替代地，可通过相较于参考标准(例如，1＝差，2＝及格，3＝良好)对射束硬化的程度进行评级而以局部或全局标度定量评估射束硬化。
在示例性实施方案中，影响图像质量的任何其它一般特性可通过以下方式检测：扫描全局数据或在动脉附近局部地扫描，以识别图像数据不可解释的区域或特征定义(诸如内腔)不清晰的区域。这些可被用户或被计算机系统检测。这些特性可按照其影响内腔的程度(与邻近区域相比)并按照受影响的量而被量化。替代地，可通过相较于参考标准(例如，1＝差，2＝及格，3＝良好)对特性的程度进行评级而以局部或全局标度定量评估所述特性。
方法150可进一步包括基于局部或全局图像属性预测血管模型中的局部不确定性(步骤160)。例如，在某些实施方案中，机器学习、回归和其它统计技术可用于导出使图像质量与建模、模拟和性能相关的函数或模型。如在下一章节中描述，这些度量可被调整来实现不同的需求。
方法150可进一步包括使用局部不确定性预测来计算模拟血流计算的置信区间(步骤162)。方法150可进一步包括：计算并输出血管模型的总的不确定性作为图像质量的定量度量(步骤164)。
现在将更详细地描述使用局部不确定性预测来计算模拟血流计算的置信区间的步骤(步骤162)的示例性实施方案。在示例性实施方案中，度量可被调整且具有与其相关联的各种相关性或标准，以实现包括(但不限于)下列项的目的：评估用于自动化建模的数据的充分性，评估用于用户指导解释和/或建模的数据的充分性，指导被用于建模数据的方法和系统，接受/拒绝成像数据，确定许多所接收到的数据中的哪一个最适合用于建模(例如，交替相或重构)，提供有关成像数据的反馈以便获取改进或校正的数据，根据图像质量分数而有区别地标注结果，以及根据与图像质量问题相关联的不确定性来提供置信度估计。所有的这些目的均在测量并预测模拟与建模准确度、精确度和性能的上下文内。
在示例性实施方案中，可导出用于使图像质量与FFR模拟结果的误差和测量FFR的参考标准相关的标准。通过标准的冠状动脉血管和/或全部数据集可被接受用于处理，以便确保解具有一定程度的准确度和精确度。未通过标准的血管或全部数据集可与具有比期望高的误差相关。替代地，未通过标准的血管或全部数据集可涉及可实现更高准确度的其它方法和/或系统。
在示例性实施方案中，可导出使图像质量度量与基于不同的用户的模拟FFR的可变性相关的标准。通过标准的冠状动脉血管和/或全部数据集可被接受用于处理，以便确保解具有一定程度的精确度。未通过标准的血管或全部数据集可与具有比期望高的可变性相关。替代地，未通过标准的血管和/或全部数据集可涉及可实现更高准确度的其它方法和/或系统。
在示例性实施方案中，可导出使图像质量度量与建模并模拟血流的性能效率相关的标准。高于某些分数的数据集可被拒绝，可与特别的手续费相关联，或可涉及不同的资源以获取期望效率。替代地，可基于图像质量分数提供对模拟成本和/或时间的估计。例如，如果图像质量变得越来越差，则可能估计与手动识别并校正图像质量特性或解剖学特性相关联的更高成本或价格。
在示例性实施方案中，可导出标准以标注来自FFR模拟的结果，该FFR模拟在包含无法满足标准的低图像质量区域的冠状动脉血管和/或全部数据集中执行。这种标注可用于提供对模型的所述区域中的解存在不确定性的指示，和/或根据不确定性(例如，假设)解释对什么建模。
在示例性实施方案中，可导出标准以标注需要特殊处理的模型中的区域以确保准确度(例如，检查、不同的算法、专家评审)。
在示例性实施方案中，标准可被设定成在存在某些图像质量问题的情况下，使用某些方法来确定血管大小。例如，当在钙化斑块周围存在浮散伪影时，用于确定伪影附近的内腔边界(以及后续的血流)的方法和系统可不同于不存在伪影的情况下使用的方法和系统。
在示例性实施方案中，可导出标准以评估FFR模拟结果的不确定性或置信度，该FFR模拟结果在包含无法满足标准的低图像质量区域的冠状动脉血管和/或全部数据集中执行。不确定性或置信度可导致FFR结果基于图像质量的影响而被报告有％的置信度或置信区间(例如，FFR为0.87+/-0.05或FFR＜0.80，置信度为76％)。
在示例性实施方案中，可导出使图像质量度量与FFR模拟结果的误差和测量FFR的参考标准相关的标准。冠状动脉血管和/或全部数据集可根据它们的分数对照该标准进行排序，以确定许多数据中的哪一个最适用于模拟FFR结果并获取最高准确度。
在示例性实施方案中，至少一个计算机系统可位于创建成像数据的部位或从该部位快速地进入。可设定标准来评估图像质量，因为其与影响或预测FFR模拟结果相关。冠状动脉血管和/或全部数据集可根据它们的分数对照该标准进行排序以提供瞬时反馈，使得创建成像数据的部位可校正或更新数据，直到其满足需要获取期望的准确度的标准。替代地，瞬时反馈可提供有与降低的准确度相关联的估计或置信度，从而允许在具有临床效益的情况下创建成像数据以接受更低的准确度。
图6是描述根据各种示例性实施方案的用于在估计冠状动脉血流储备分数值的上下文中评估医学图像质量、生成图像质量度量并使用图像质量度量的示例性方法200。例如，图6描绘了基于本文公开的某些图像质量评估技术以及美国专利第8,315,812号中描述的FFR计算技术而估计冠状动脉血流储备分数(FFR)的方法。
如图6中示出，方法200可始于：选择特定患者(步骤202)并接收患者图像和心理学数据(步骤204)。方法200可包括使用已知的患者信息验证所接收到的成像和数据(步骤206)，例如，针对用户身份或出于私人原因。方法200可包括确定所接收到的数据是否可接受(步骤208)。例如，步骤208可包括基于图像评估和本文公开的评分技术中的任何一个或组合而接受或拒绝一个或多个所接收到的图像中的每一个。如果任何一个或多个图像被拒绝，则方法200可包括生成拒绝报告(步骤210)。例如，方法可包括获取被拒绝的图像并向用户提供有关被拒绝的图像的反馈，以帮助用户获取将不被拒绝的新图像。例如，计算机系统可向技术员、医师或任何其他健康护理专业人员发送被拒绝的图像的报告连同用于调整将能够获取具有更高图像质量分数的图像的图像采集参数的指南和/或建议。这种报告、被拒绝的图像、指南和/或建议可通过电子显示器和/或通过电子网络被显示给医师、技术员或任何其他健康护理提供者。
如果数据可接受，则方法200可包括执行数据的放射性工作站预处理和评估(步骤212)。方法200可随后包括计算心肌质量(步骤214)，生成冠状动脉血管和分支的初始树(步骤216)，找到一个或多个血管内腔边缘(步骤218)，使主要血管中的阈值与边缘分割匹配(步骤220)，以及检测、分割、移除任何斑块或钙并使其变得光滑(步骤222)。方法200可随后包括使用算法确定分割是否成功(步骤224)。如果否，则方法200可包括手动地分割或校正所述分割(步骤226)。如果分割成功，则方法200可包括确定分割的独立验证是否可接受(步骤228)。如果否，则方法200可返回生成冠状动脉血管和分支的初始树的步骤216。
如果分割可接受(步骤228；是)，则方法200可包括输出实体模型并使其变得光滑(步骤230)，提取一个或多个血管中线(步骤232)，计算血管的横截面积(步骤234)，修剪模型(步骤236)，生成实体模型(步骤238)，设置充血条件的边界条件(步骤240)，以及生成最终的网格(步骤242)。方法200可随后包括验证网格和边界条件是否可接受(步骤244)。如果否，则方法200可返回计算横截面积的步骤234。
如果网格和边界条件可接受(步骤244；是)，则方法200可包括模拟充血流(步骤246)并验证解结果是否可接受(步骤248)。如果否，则方法200可包括细化狭窄几何结构，校正边界条件等(步骤258)。如果解结果可接受(步骤248；是)，则方法200可包括沿血管提取cFFR及其证明文件，以及生成用于报告的图像(步骤250)。方法200可随后包括确定最终结果的独立验证是否可接受(步骤252)。如果否，则方法200可包括返回到生成冠状动脉血管和分支的初始树的步骤216。
如果最终结果的独立验证可接受(步骤252；是)，则方法200可包括完成报告(步骤254)，并且向医师转发完成的报告(步骤256)。
图7A是根据各种示例性实施方案的基于CT图像质量评审的血流储备误差分数和接受或拒绝的示例性箱线图。例如，图7A的箱线图可图示拒绝病例的FFRct误差的变化可多于接受病例。
图7B是根据各种示例性实施方案的基于CT图像质量评审的血流储备误差分数以及评分的示例性箱线图。例如，图7B的箱线图可图示FFRct误差的变化可随图像质量下降分数的增加而增加。换言之，与分数在0与1之间的病例相比，分数在7与10之间的病例可具有实质上更高的FFRct误差的变化。
图8是描绘根据各种示例性实施方案的基于图像质量、血管数量在血流储备分数与计算化断层摄影术的性能或准确度之间所进行的比较的示例性柱状图。具体而言，图8的柱状图可将性能描绘成与CT可解释性的血管特定的质量评级相关。
图10是根据各种示例性实施方案的用于描绘计算机化断层摄影术质量评级与基准性能的示例性屏幕截图。例如，图10中示出，计算机系统40的处理器可提供用户界面。用户(诸如图像技术员、医师或任何其他健康护理提供者)可通过该用户界面查看有关多个患者或“病例”中的每一个的CT图像质量评估。如在图10中示出，在一个实施方案中，每个病例可被显示为具有“良好”、“及格”或“差”的图像质量中的一个。诸如通过在柱状图或其它图标显示，也可将图像质量与图像质量的某些基准性能标准进行比较。界面可生成并显示质量报告，和/或做出用于提高所获取的质量的建议。通过举例的方式，如果检测到高电平的噪声，则用户界面可建议查看“mA/kV设定”，并且可提供到关于噪声的指导的链接。当然，用户界面和指南可向用户提供图像质量的评估和用于提高关于本文讨论的任何图像质量问题的图像质量的建议。
目前公开的系统和方法可实现对图像质量问题的解剖学估计和校正，从而在如今与图像数据的质量控制评审相关联之前减少人类时间和可变性。此外，目前公开的系统和方法可提供对模拟与建模准确度(例如，FFR误差)与图像质量分数之间的关系的更好理解。仍进一步地，目前公开的系统和方法可使用户能够更好地且自动化地选择可期望的图像基体相以供分析师评审，并且提供更好的“红色标记”以进一步评审或拒绝某些扫描。
在一个实施方案中，目前公开的技术可包括根据于2013年4月17日提交的美国申请案第13/864,996号(该申请案的全部内容以引用的方式并入)中描述的任何一种技术来定义输入不确定性，计算FFR分析敏感性，以及计算FFR的置信区间。
在一个实施方案中，目前公开的技术可包括执行在2012年9月24日提交的美国申请案第13/625,628号中描述的各种预求解技术中的任何一种技术，该申请案的全部内容以引用的方式并入。
在一个实施方案中，FFR值可使用与基于物理的模拟相反的机器学习估计来获取。换言之，并非执行有关多个配置点中的每一个的冠状动脉求解程序(诸如在’812患者中)，而是所公开的系统和方法可基于从分析许多其他患者的血流而得出的知识来估计血流特性。例如，所公开的系统和方法可包括执行于2012年9月12日提交的美国临时专利申请案第61/700,213号(其全部内容以引用的方式并入)中描述的各种机器学习技术中的任何一种技术。因此，在一个实施方案中，FFR值可通过以下方式获取：基于患者生理学参数和测量的血流特性，训练机器学习算法以估计患者的几何结构的各个点的FFR值，并且随后将机器学习算法应用到特定患者的几何结构和生理学参数，以获取预测的FFR值。
本文描述的一个或多个步骤可由一个或多个人工操作员(例如，心脏病专家或其他医师、患者、提供基于网络的服务或由第三方提供的其它服务的服务提供者的雇员、其他用户等)或由这类人工操作员所使用的一个或多个计算机系统，诸如台式计算机或便携式计算机、工作台、服务器、个人数字助理等执行。计算机系统可经由网络或传送数据的其它方法连接。
任何实施方案中阐述的任何方面可与本文阐述的任何其它实施方案一起使用。本文中阐述的每一设备和装置可用于任何合适的医学程序，可被推送通过任何合适的身体内腔和体腔，并且可用于使任何合适的身体部分成像。
在不脱离本公开的范围的情况下，可在公开系统和方法中进行各种修改和变化。考虑本文公开的公开内容的说明书和实践后，本领域的技术人员将显而易知其它实施方案。旨在将说明书和实施例视为仅具有示例性，公开内容的真实范围和精神由以下权利要求指示。

Claims (20)

1.一种用于使用计算机系统评估患者的解剖结构的至少一部分的医学图像的质量的方法，所述方法包括：
接收所述患者的解剖结构的至少一部分的一个或多个图像；
使用所述计算机系统的处理器确定所述接收的图像的一个或多个图像属性；
使用所述计算机系统的处理器基于所述接收的图像执行所述患者的解剖结构的至少一部分的解剖学定位或建模；
基于所述解剖学定位或建模获取与所述患者的解剖结构的解剖特征相关联的一个或多个图像特性的识别；以及
使用所述计算机系统的处理器基于所述一个或多个图像属性和所述一个或多个图像特性计算图像质量分数。
2.根据权利要求1所述的方法，其中基于接收自用户的输入识别所述一个或多个图像特性。
3.根据权利要求1所述的方法，其中使用所述计算机系统的处理器识别所述一个或多个图像特性。
4.根据权利要求1所述的方法，其中所述一个或多个图像特性包括下列项中的一个或多个：局部对比度、局部噪声电平、误配准、错位、局部运动异常、局部模糊异常、部分容积效应、浮散效应和伪影。
5.根据权利要求1所述的方法，其中所述一个或多个图像属性包括下列项中的一个或多个：图像分辨率、医学解剖切片厚度、扫描仪切片的数量、药物参数和患者特性。
6.根据权利要求1所述的方法，其进一步包括：
计算关于所述一个或多个图像特性中的每一个的局部分数；以及
进一步基于为所述一个或多个图像特性中的每一个计算的所述局部分数而计算所述图像质量分数。
7.根据权利要求1所述的方法，其进一步包括：
基于所述解剖学定位或建模生成所述患者的解剖结构的至少一部分的解剖模型；
基于所述一个或多个图像属性和所述一个或多个图像特性预测所述解剖模型的局部不确定值；
基于所述预测的局部不确定值计算模拟的血流计算的置信区间；以及
将所述解剖模型的总不确定值计算为所述一个或多个图像的图像质量的定量度量。
8.根据权利要求1所述的方法，其进一步包括：
基于所述解剖学定位或建模生成所述患者的解剖结构的至少一部分的解剖模型；
基于所述解剖模型创建血流特性的计算模型；以及
基于所述患者的血管结构的所述血流特性的所述解剖模型和所述计算模型确定所述患者的解剖结构内的血流特性。
9.根据权利要求1所述的方法，其中所述患者的解剖结构包括所述患者的血管结构的一部分，所述方法进一步包括：
基于所述解剖学定位或建模创建血流特性的计算模型；以及
基于所述确定的血流特性确定在所述患者的血管结构的血管中功能性显著狭窄的位置。
10.根据权利要求9所述的方法，其中：
所述血流特性是血流储备分数值；
所述血流储备分数指示所述患者的血管结构中的第一位置中的压力与第二位置中的压力之间的比率；以及
所述血流储备分数是在所述患者的血管结构中的多个位置处确定。
11.一种用于评估患者的解剖结构的至少一部分的医学图像的质量的系统，所述系统包括：
数字存储设备，其存储用于评估患者的解剖结构的至少一部分的医学图像的质量的指令；和
处理器，其被配置来执行所述指令以执行包括下列项的方法：
接收所述患者的解剖结构的至少一部分的一个或多个图像；
使用所述计算机系统的处理器确定所述接收的图像的一个或多个图像属性；
使用所述计算机系统的处理器基于所述接收的图像执行所述患者的解剖结构的至少一部分的解剖学定位或建模；
基于所述解剖学定位或建模获取与所述患者的解剖结构的解剖特征相关联的一个或多个图像特性的识别；以及
使用所述计算机系统的处理器基于所述一个或多个图像属性和所述一个或多个图像特性计算图像质量分数。
12.根据权利要求11所述的系统，其中基于接收自用户的输入识别所述一个或多个图像特性。
13.根据权利要求11所述的系统，其中使用所述计算机系统的处理器识别所述一个或多个图像特性。
14.根据权利要求11所述的系统，其中所述一个或多个图像特性包括下列项中的一个或多个：局部对比度、局部噪声电平、误配准、错位、局部运动异常、局部模糊异常、部分容积效应、浮散效应和伪影。
15.根据权利要求11所述的系统，其中所述一个或多个图像属性包括下列项中的一个或多个：图像分辨率、医学解剖切片厚度、扫描仪切片的数量、药物参数和患者特性。
16.根据权利要求11所述的系统，其中所述处理器被进一步配置用于：
计算关于所述一个或多个图像特性中的每一个的局部分数；以及
进一步基于为所述一个或多个图像特性中的每一个计算的所述局部分数而计算所述图像质量分数。
17.根据权利要求11所述的系统，其中所述处理器被进一步配置用于：
基于所述解剖学定位或建模生成所述患者的解剖结构的至少一部分的解剖模型；
基于所述一个或多个图像属性和所述一个或多个图像特性预测所述解剖模型的局部不确定值；
基于所述预测的局部不确定值计算模拟的血流计算的置信区间；以及
将所述解剖模型的总不确定值计算为所述一个或多个图像的图像质量的定量度量。
18.根据权利要求11所述的系统，其中所述患者的解剖结构包括患者的血管结构的至少一部分，且所述处理器被进一步配置用于：
基于所述解剖学定位或建模生成所述患者的解剖结构的至少一部分的解剖模型；
基于所述解剖模型创建血流特性的计算模型；以及
基于所述患者的血管结构的所述血流特性的所述解剖模型和所述计算模型确定所述患者的解剖结构内的血流特性。
19.根据权利要求11所述的系统，其中所述患者的解剖结构包括所述患者的血管结构的至少一部分，且其中所述处理器被进一步配置用于：
基于所述解剖学定位或建模创建血流特性的计算模型；以及
基于所述确定的血流特性确定在所述患者的血管结构的血管中功能显著狭窄的位置。
20.一种非临时性计算机可读存储介质，其在包含计算机可执行编程指令的至少一个计算机系统上使用，所述计算机可执行编程指令用于评估患者的解剖结构的至少一部分的医学图像的质量，且当所述计算机可执行编程指令被所述至少一个计算机系统执行时，促使执行包括下列项的方法：
接收所述患者的解剖结构的至少一部分的一个或多个图像；
使用所述计算机系统的处理器确定所述接收的图像的一个或多个图像属性；
使用所述计算机系统的处理器基于所述接收的图像执行所述患者的解剖结构的至少一部分的解剖学定位或建模；
基于所述解剖学定位或建模获取与所述患者的解剖结构的解剖特征相关联的一个或多个图像特性的识别；以及
使用所述计算机系统的处理器基于所述一个或多个图像属性和所述一个或多个图像特性计算图像质量分数。
CN201480015889.9A 2013-03-15 2014-02-27 对模拟准确度和性能的图像质量评估 Active CN105051784B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201361793162P 2013-03-15 2013-03-15
US61/793,162 2013-03-15
US14/163,589 2014-01-24
US14/163,589 US8824752B1 (en) 2013-03-15 2014-01-24 Methods and systems for assessing image quality in modeling of patient anatomic or blood flow characteristics
PCT/US2014/019008 WO2014149496A1 (en) 2013-03-15 2014-02-27 Image quality assessment for simulation accuracy and performance

Publications (2)

Publication Number Publication Date
CN105051784A true CN105051784A (zh) 2015-11-11
CN105051784B CN105051784B (zh) 2017-05-17

Family

ID=51400051

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201480015889.9A Active CN105051784B (zh) 2013-03-15 2014-02-27 对模拟准确度和性能的图像质量评估

Country Status (9)

Country Link
US (11) US8824752B1 (zh)
EP (2) EP2803038B1 (zh)
JP (4) JP6255473B2 (zh)
KR (2) KR102172182B1 (zh)
CN (1) CN105051784B (zh)
AU (2) AU2014238124A1 (zh)
CA (1) CA2904832C (zh)
DE (2) DE202014010689U1 (zh)
WO (1) WO2014149496A1 (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107174198A (zh) * 2016-03-10 2017-09-19 苏志民 生物的系统及器官功能的检查系统及方法
CN107174199A (zh) * 2016-03-10 2017-09-19 苏志民 生物的系统及器官功能的微型化检查装置
CN108701493A (zh) * 2016-02-29 2018-10-23 皇家飞利浦有限公司 用于验证医学图像的图像相关信息的设备、系统和方法
CN109363661A (zh) * 2018-09-25 2019-02-22 杭州晟视科技有限公司 血流储备分数确定系统、方法、终端及存储介质
CN109965892A (zh) * 2017-12-27 2019-07-05 通用电气公司 冠状动脉ct成像方法及计算机可读存储介质
CN111052180A (zh) * 2017-08-30 2020-04-21 威里利生命科学有限责任公司 用于可视化流动的使用机器学习的散斑对比度分析
CN111052186A (zh) * 2017-08-08 2020-04-21 维申Rt 有限公司 用于测量由患者监测系统生成的模型的准确度的方法和设备
CN111145141A (zh) * 2018-11-06 2020-05-12 西门子医疗有限公司 使用经训练的网络检测梗塞
CN111279424A (zh) * 2017-07-25 2020-06-12 皇家飞利浦有限公司 用于优化图像采集工作流的设备、系统和方法
CN111513754A (zh) * 2019-09-16 2020-08-11 深圳迈瑞生物医疗电子股份有限公司 一种超声成像设备、超声图像的质量评估方法
CN111902879A (zh) * 2018-03-15 2020-11-06 皇家飞利浦有限公司 使用医学图像数据估计生理参数的方法
CN112087971A (zh) * 2018-04-05 2020-12-15 皇家飞利浦有限公司 超声成像系统和方法
CN112106146A (zh) * 2018-03-08 2020-12-18 皇家飞利浦有限公司 用于高风险斑块负担评估的交互式自我改进注释系统
CN113873950A (zh) * 2019-05-24 2021-12-31 皇家飞利浦有限公司 用于针对连续监测引导重复的超声检查的设备、系统和方法
CN117687554A (zh) * 2023-12-11 2024-03-12 上海梅斯医药科技有限公司 基于视觉模拟评分的标尺元件灵活配置系统及方法

Families Citing this family (91)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006058160A2 (en) 2004-11-26 2006-06-01 Hologic, Inc. Integrated multi-mode mammography/tomosynthesis x-ray system and method
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
US20140324400A1 (en) * 2013-04-30 2014-10-30 Marquette University Gesture-Based Visualization System for Biomedical Imaging and Scientific Datasets
US9135381B2 (en) 2013-05-10 2015-09-15 Stenomics, Inc. Modeling and simulation system for optimizing prosthetic heart valve treatment
JP6466435B2 (ja) * 2013-07-19 2019-02-06 ボルケーノ コーポレイション 導管を評価するためのシステム
JP6297699B2 (ja) * 2013-09-06 2018-03-20 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 心臓データを処理する処理装置、そのような処理装置を有するイメージングシステム、処理装置の作動方法、イメージングシステムの作動方法及びコンピュータプログラム
US9092743B2 (en) 2013-10-23 2015-07-28 Stenomics, Inc. Machine learning system for assessing heart valves and surrounding cardiovascular tracts
EP3061015A2 (en) 2013-10-24 2016-08-31 Cathworks Ltd. Vascular characteristic determination with correspondence modeling of a vascular tree
US10496729B2 (en) * 2014-02-25 2019-12-03 Siemens Healthcare Gmbh Method and system for image-based estimation of multi-physics parameters and their uncertainty for patient-specific simulation of organ function
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
JP6411073B2 (ja) * 2014-06-02 2018-10-24 キヤノンメディカルシステムズ株式会社 医用画像処理装置および医用画像処理方法
EP3192053B1 (en) * 2014-09-11 2021-03-31 Koninklijke Philips N.V. Quality metric for multi-beat echocardiographic acquisitions for immediate user feedback
US10080872B2 (en) 2014-11-04 2018-09-25 Abbott Cardiovascular Systems Inc. System and method for FFR guidewire recovery
WO2016092420A1 (en) * 2014-12-08 2016-06-16 Koninklijke Philips N.V. Devices, systems, and methods for vessel assessment and intervention recommendation
JP6810037B2 (ja) * 2014-12-11 2021-01-06 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 超音波出力パワー調整方法、装置及び記憶媒体
DE102014226685A1 (de) * 2014-12-19 2016-06-23 Siemens Healthcare Gmbh Verfahren zum Identifizieren von Versorgungsgebieten,Verfahren zur graphischen Darstellung von Versorgungsgebieten, Computerprogramm und maschinenlesbares Medium sowie bildgebendes Gerät
KR20160107528A (ko) * 2015-03-04 2016-09-19 삼성전자주식회사 컴퓨터 보조 진단을 위한 신뢰도 제공 장치 및 방법
JP6713690B2 (ja) * 2015-04-02 2020-06-24 イービーエム株式会社 血管形状構築装置、その方法及びコンピュータソフトウエアプログラム
EP3282936B1 (en) * 2015-04-17 2020-08-19 HeartFlow, Inc. Systems and methods for assessment of tissue function based on vascular disease
KR102486700B1 (ko) * 2015-08-11 2023-01-11 삼성전자주식회사 혈압 추정 방법 및 장치
US11094058B2 (en) 2015-08-14 2021-08-17 Elucid Bioimaging Inc. Systems and method for computer-aided phenotyping (CAP) using radiologic images
US10176408B2 (en) 2015-08-14 2019-01-08 Elucid Bioimaging Inc. Systems and methods for analyzing pathologies utilizing quantitative imaging
US11676359B2 (en) 2015-08-14 2023-06-13 Elucid Bioimaging Inc. Non-invasive quantitative imaging biomarkers of atherosclerotic plaque biology
US11113812B2 (en) 2015-08-14 2021-09-07 Elucid Bioimaging Inc. Quantitative imaging for detecting vulnerable plaque
US12008751B2 (en) 2015-08-14 2024-06-11 Elucid Bioimaging Inc. Quantitative imaging for detecting histopathologically defined plaque fissure non-invasively
US11087459B2 (en) 2015-08-14 2021-08-10 Elucid Bioimaging Inc. Quantitative imaging for fractional flow reserve (FFR)
US11071501B2 (en) 2015-08-14 2021-07-27 Elucid Bioiwaging Inc. Quantitative imaging for determining time to adverse event (TTE)
US10492754B2 (en) * 2015-11-20 2019-12-03 International Business Machines Corporation Real-time cloud-based virtual fractional flow reserve estimation
US10402967B2 (en) * 2015-12-21 2019-09-03 Koninklijke Philips N.V. Device, system and method for quality assessment of medical images
JP7197358B2 (ja) * 2016-01-27 2022-12-27 コーニンクレッカ フィリップス エヌ ヴェ 臨床業務フローを最適化するための予測モデル
EP3424403B1 (en) * 2016-03-03 2024-04-24 Sony Group Corporation Medical image processing device, system, method, and program
CN105869218B (zh) * 2016-03-28 2018-08-14 中国科学院深圳先进技术研究院 血管数字模型的肿瘤病变编辑方法及装置
CA3021697A1 (en) 2016-04-21 2017-10-26 The University Of British Columbia Echocardiographic image analysis
US10674986B2 (en) 2016-05-13 2020-06-09 General Electric Company Methods for personalizing blood flow models
WO2017199245A1 (en) 2016-05-16 2017-11-23 Cathworks Ltd. System for vascular assessment
EP3461253B1 (en) 2016-05-16 2023-08-09 Cathworks Ltd. Selection of vascular paths from images
WO2017200913A1 (en) 2016-05-20 2017-11-23 Bayer Healthcare Llc Flexible, extensible and automated systems and methods for scoring the quality of radiology examinations
JP7090592B2 (ja) * 2016-07-15 2022-06-24 コーニンクレッカ フィリップス エヌ ヴェ 医療デバイス品質を評価するための装置
US10839299B2 (en) * 2016-10-28 2020-11-17 International Business Machines Corporation Non-leading computer aided detection of features of interest in imagery
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
CN110072466B (zh) 2016-12-15 2022-07-19 皇家飞利浦有限公司 产前超声成像
WO2018123801A1 (ja) * 2016-12-28 2018-07-05 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 三次元モデル配信方法、三次元モデル受信方法、三次元モデル配信装置及び三次元モデル受信装置
US11523744B2 (en) 2017-03-31 2022-12-13 Koninklijke Philips N.V. Interaction monitoring of non-invasive imaging based FFR
EP3607558A1 (en) * 2017-04-06 2020-02-12 Koninklijke Philips N.V. Fractional flow reserve simulation parameter customization, calibration and/or training
CN107296627B (zh) * 2017-07-14 2020-05-26 深圳市德力凯医疗设备股份有限公司 脑血流自动调节指数的输出方法、存储介质及超声设备
EP3437559B1 (de) * 2017-08-03 2020-06-24 Siemens Healthcare GmbH Ermitteln eines funktionsparameters betreffend eine lokale gewebefunktion für mehrere gewebebereiche
US11707244B2 (en) * 2017-08-16 2023-07-25 Hologic, Inc. Techniques for breast imaging patient motion artifact compensation
CA3078623A1 (en) 2017-10-06 2019-04-11 Emory University Methods and systems for determining hemodynamic information for one or more arterial segments
EP3471054B1 (en) * 2017-10-16 2022-02-09 Siemens Healthcare GmbH Method for determining at least one object feature of an object
US11871995B2 (en) 2017-12-18 2024-01-16 Hemolens Diagnostics Sp. Z O.O. Patient-specific modeling of hemodynamic parameters in coronary arteries
EP3503022A1 (en) * 2017-12-20 2019-06-26 Koninklijke Philips N.V. System for assessing a pulmonary image
EP3762937A1 (en) * 2018-03-08 2021-01-13 Koninklijke Philips N.V. Resolving and steering decision foci in machine learning-based vascular imaging
US11389130B2 (en) 2018-05-02 2022-07-19 Siemens Healthcare Gmbh System and methods for fast computation of computed tomography based fractional flow reserve
EP3564963A1 (en) * 2018-05-02 2019-11-06 Siemens Healthcare GmbH System and methods for fast computation of computed tomography based fractional flow reserve
US10631791B2 (en) 2018-06-25 2020-04-28 Caption Health, Inc. Video clip selector for medical imaging and diagnosis
US10751029B2 (en) 2018-08-31 2020-08-25 The University Of British Columbia Ultrasonic image analysis
JP6879277B2 (ja) * 2018-09-03 2021-06-02 コニカミノルタ株式会社 画像表示装置、放射線撮影システム、画像表示プログラム及び画像表示方法
CN109215764B (zh) * 2018-09-21 2021-05-04 苏州瑞派宁科技有限公司 一种医学图像四维可视化的方法及装置
US10803585B2 (en) 2018-10-09 2020-10-13 General Electric Company System and method for assessing image quality
JP7059391B2 (ja) * 2018-10-09 2022-04-25 富士フイルム株式会社 流体解析装置、方法およびプログラム
KR102236826B1 (ko) * 2018-11-30 2021-04-06 아주대학교산학협력단 기계학습용 의료 영상 데이터셋의 품질을 평가하는 방법 및 시스템
US10813612B2 (en) 2019-01-25 2020-10-27 Cleerly, Inc. Systems and method of characterizing high risk plaques
CN109949250B (zh) * 2019-03-29 2021-05-18 北京奇艺世纪科技有限公司 一种图像处理方法及装置
ES2938687T3 (es) * 2019-04-03 2023-04-13 Mecwins S A Procedimiento de detección óptica de biomarcadores
CN110084800B (zh) * 2019-04-28 2021-03-16 上海海事大学 一种用于四肢软组织肉瘤病人的肺转移预测方法
CN110428412B (zh) * 2019-07-31 2022-06-03 北京奇艺世纪科技有限公司 图像质量的评价及模型生成方法、装置、设备和存储介质
US11508063B2 (en) 2019-08-05 2022-11-22 Elucid Bioimaging Inc. Non-invasive measurement of fibrous cap thickness
US11367179B2 (en) * 2019-09-30 2022-06-21 GE Precision Healthcare LLC Determining degree of motion using machine learning to improve medical image quality
JP7350595B2 (ja) * 2019-10-01 2023-09-26 キヤノンメディカルシステムズ株式会社 画像処理装置、医用画像診断装置及び画像処理プログラム
US20210169455A1 (en) * 2019-12-04 2021-06-10 GE Precision Healthcare LLC System and methods for joint scan parameter selection
CN111028180B (zh) * 2019-12-23 2021-11-09 腾讯科技（深圳）有限公司 图像处理方法、视频处理方法以及对应的装置
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
WO2021141921A1 (en) 2020-01-07 2021-07-15 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
WO2021213519A1 (zh) * 2020-04-23 2021-10-28 上海联影医疗科技股份有限公司 图像获取、判断图像质量、医学图像采集的方法和系统
EP3910644A1 (en) * 2020-05-12 2021-11-17 Koninklijke Philips N.V. Quality control in medical imaging
US11487651B2 (en) 2020-07-06 2022-11-01 Fujifilm Medical Systems U.S.A., Inc. Systems and methods for quantifying the effectiveness of software at displaying a digital record
US20220215956A1 (en) * 2021-01-05 2022-07-07 Shenzhen Keya Medical Technology Corporation System and method for image analysis using sequential machine learning models with uncertainty estimation
US11744535B2 (en) 2021-03-23 2023-09-05 International Business Machines Corporation Automated population based assessment of contrast absorption phases
US11786191B2 (en) 2021-05-17 2023-10-17 Hologic, Inc. Contrast-enhanced tomosynthesis with a copper filter
WO2023097312A1 (en) * 2021-11-29 2023-06-01 Heartflow, Inc. Systems and methods for processing electronic images using user inputs
US12014807B2 (en) * 2021-12-10 2024-06-18 Merative Us L.P. Automated report generation using artificial intelligence algorithms
US11538163B1 (en) 2022-01-06 2022-12-27 Rowan University Training a neural network for a predictive aortic aneurysm detection system
EP4209994A1 (en) 2022-01-10 2023-07-12 Median Technologies Method and system for automatic classification of radiographic images having different acquisition characteristics
US20230289963A1 (en) 2022-03-10 2023-09-14 Cleerly, Inc. Systems, devices, and methods for non-invasive image-based plaque analysis and risk determination
EP4332982A1 (de) * 2022-08-29 2024-03-06 Siemens Healthineers AG Steuereinrichtung und verfahren zur steuerung eines medizintechnischen bildgebenden systems
KR102580749B1 (ko) * 2022-10-05 2023-09-19 서울대학교산학협력단 의료영상의 화질평가 방법 및 장치

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101320526A (zh) * 2008-07-11 2008-12-10 深圳先进技术研究院 一种手术预测和训练的设备及其方法
CN102016957A (zh) * 2008-02-25 2011-04-13 发明医药有限公司 医疗训练方法及设备
US7940970B2 (en) * 2006-10-25 2011-05-10 Rcadia Medical Imaging, Ltd Method and system for automatic quality control used in computerized analysis of CT angiography
CN102058432A (zh) * 2009-11-11 2011-05-18 美国西门子医疗解决公司 用于动态地改善医学图像获取质量的系统
CN102186404A (zh) * 2008-10-20 2011-09-14 皇家飞利浦电子股份有限公司 基于图像的定位方法和系统

Family Cites Families (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5861731A (ja) * 1981-10-06 1983-04-12 株式会社東芝 コンピユ−タ・トモグラフイ装置
JPS5861731U (ja) 1981-10-20 1983-04-26 木原　裕 容器の蓋落下防止装置
US5872859A (en) * 1995-11-02 1999-02-16 University Of Pittsburgh Training/optimization of computer aided detection schemes based on measures of overall image quality
JP3502513B2 (ja) * 1996-09-25 2004-03-02 株式会社東芝 超音波画像処理方法および超音波画像処理装置
US6633686B1 (en) * 1998-11-05 2003-10-14 Washington University Method and apparatus for image registration using large deformation diffeomorphisms on a sphere
US6909794B2 (en) * 2000-11-22 2005-06-21 R2 Technology, Inc. Automated registration of 3-D medical scans of similar anatomical structures
JP2004105437A (ja) * 2002-09-18 2004-04-08 Fuji Photo Film Co Ltd 医用画像処理装置及び医用画像撮影システム
JP2005028114A (ja) * 2003-06-18 2005-02-03 Canon Inc 放射線撮影装置及び放射線撮影方法
DE602006013864D1 (de) * 2005-09-15 2010-06-02 Hitachi Medical Corp Röntgen-ct-gerät
WO2007074697A1 (ja) 2005-12-26 2007-07-05 Ibm Japan, Ltd. 複数の表示オブジェクトの表示を操作するための方法、プログラム、データ処理システム
JP2007260292A (ja) * 2006-03-29 2007-10-11 Toshiba Corp 画像処理装置及びプログラム
EP2081494B1 (en) * 2006-11-16 2018-07-11 Vanderbilt University System and method of compensating for organ deformation
EP2358269B1 (en) * 2007-03-08 2019-04-10 Sync-RX, Ltd. Image processing and tool actuation for medical procedures
US8023714B2 (en) * 2007-06-06 2011-09-20 Aperio Technologies, Inc. System and method for assessing image interpretability in anatomic pathology
JP5586835B2 (ja) * 2007-06-15 2014-09-10 オーソ−クリニカル・ダイアグノスティックス・インコーポレイテッド 臨床診断分析器性能推定器
US20090138318A1 (en) * 2007-11-20 2009-05-28 General Electric Company Systems and methods for adaptive workflow and resource prioritization
DE102008040804B4 (de) * 2008-07-28 2021-07-29 Carl Zeiss Meditec Ag Verfahren, Operationsmikroskop und Analysesystem zur quantitativen Darstellung des Blutflusses
US8270695B2 (en) * 2008-10-07 2012-09-18 Carestream Health, Inc. Diagnostic image processing with automatic self image quality validation
JP5400588B2 (ja) * 2008-12-11 2014-01-29 富士フイルム株式会社 放射線画像撮影システム
JP5514450B2 (ja) * 2009-02-23 2014-06-04 株式会社日立メディコ Ｘ線ｃｔ装置
US20110235885A1 (en) * 2009-08-31 2011-09-29 Siemens Medical Solutions Usa, Inc. System for Providing Digital Subtraction Angiography (DSA) Medical Images
JP5677757B2 (ja) * 2010-03-16 2015-02-25 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 超音波診断装置
US8645165B2 (en) * 2010-06-03 2014-02-04 General Electric Company Systems and methods for value-based decision support
US8682626B2 (en) * 2010-07-21 2014-03-25 Siemens Aktiengesellschaft Method and system for comprehensive patient-specific modeling of the heart
JP5868052B2 (ja) * 2010-07-21 2016-02-24 シーメンス アクチエンゲゼルシヤフトＳｉｅｍｅｎｓ Ａｋｔｉｅｎｇｅｓｅｌｌｓｃｈａｆｔ 包括的な患者固有の心臓のモデリング方法およびシステム
US8157742B2 (en) 2010-08-12 2012-04-17 Heartflow, Inc. Method and system for patient-specific modeling of blood flow
US8315812B2 (en) 2010-08-12 2012-11-20 Heartflow, Inc. Method and system for patient-specific modeling of blood flow
JP5642476B2 (ja) * 2010-09-28 2014-12-17 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 画像処理装置およびプログラム並びにｘ線ｃｔ装置
JP5697422B2 (ja) * 2010-12-10 2015-04-08 株式会社日立メディコ Ｘ線診断装置
JP5550586B2 (ja) * 2011-03-01 2014-07-16 株式会社東芝 医用画像診断装置と超音波診断装置と画像処理方法
JPWO2013062049A1 (ja) * 2011-10-25 2015-04-02 株式会社東芝 Ｘ線コンピュータ断層撮影装置
US9262581B2 (en) 2012-09-24 2016-02-16 Heartflow, Inc. Method and system for facilitating physiological computations
PL2929238T3 (pl) 2012-12-05 2018-08-31 Philips Lighting Holding B.V. Płaskie urządzenie oświetleniowe
US9424395B2 (en) 2013-03-04 2016-08-23 Heartflow, Inc. Method and system for sensitivity analysis in modeling blood flow characteristics
KR20150061055A (ko) * 2013-11-25 2015-06-04 삼성전자주식회사 관상동맥 cta 영상으로부터 관상동맥의 병변을 검출하는 방법 및 장치
JP5861731B2 (ja) 2014-03-27 2016-02-16 カシオ計算機株式会社 携帯端末
US10074038B2 (en) * 2016-11-23 2018-09-11 General Electric Company Deep learning medical systems and methods for image reconstruction and quality evaluation
DE102017221297A1 (de) * 2017-11-28 2019-05-29 Siemens Healthcare Gmbh Verfahren und Vorrichtung zur automatisierten Auswertung wenigstens eines mit einer medizinischen Bildaufnahmeeinrichtung aufgenommenen Bilddatensatzes, Computerprogramm und elektronisch lesbarer Datenträger

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7940970B2 (en) * 2006-10-25 2011-05-10 Rcadia Medical Imaging, Ltd Method and system for automatic quality control used in computerized analysis of CT angiography
CN102016957A (zh) * 2008-02-25 2011-04-13 发明医药有限公司 医疗训练方法及设备
CN101320526A (zh) * 2008-07-11 2008-12-10 深圳先进技术研究院 一种手术预测和训练的设备及其方法
CN102186404A (zh) * 2008-10-20 2011-09-14 皇家飞利浦电子股份有限公司 基于图像的定位方法和系统
CN102058432A (zh) * 2009-11-11 2011-05-18 美国西门子医疗解决公司 用于动态地改善医学图像获取质量的系统

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108701493A (zh) * 2016-02-29 2018-10-23 皇家飞利浦有限公司 用于验证医学图像的图像相关信息的设备、系统和方法
CN107174199A (zh) * 2016-03-10 2017-09-19 苏志民 生物的系统及器官功能的微型化检查装置
CN107174198A (zh) * 2016-03-10 2017-09-19 苏志民 生物的系统及器官功能的检查系统及方法
CN111279424A (zh) * 2017-07-25 2020-06-12 皇家飞利浦有限公司 用于优化图像采集工作流的设备、系统和方法
CN111279424B (zh) * 2017-07-25 2024-05-24 皇家飞利浦有限公司 用于优化图像采集工作流的设备、系统和方法
CN111052186B (zh) * 2017-08-08 2023-06-02 维申Rt 有限公司 患者监测系统生成的模型的准确度的测量方法和设备
CN111052186A (zh) * 2017-08-08 2020-04-21 维申Rt 有限公司 用于测量由患者监测系统生成的模型的准确度的方法和设备
CN111052180A (zh) * 2017-08-30 2020-04-21 威里利生命科学有限责任公司 用于可视化流动的使用机器学习的散斑对比度分析
US11514270B2 (en) 2017-08-30 2022-11-29 Verily Life Sciences Llc Speckle contrast analysis using machine learning for visualizing flow
CN109965892A (zh) * 2017-12-27 2019-07-05 通用电气公司 冠状动脉ct成像方法及计算机可读存储介质
CN112106146A (zh) * 2018-03-08 2020-12-18 皇家飞利浦有限公司 用于高风险斑块负担评估的交互式自我改进注释系统
CN111902879A (zh) * 2018-03-15 2020-11-06 皇家飞利浦有限公司 使用医学图像数据估计生理参数的方法
CN112087971A (zh) * 2018-04-05 2020-12-15 皇家飞利浦有限公司 超声成像系统和方法
CN109363661A (zh) * 2018-09-25 2019-02-22 杭州晟视科技有限公司 血流储备分数确定系统、方法、终端及存储介质
CN111145141A (zh) * 2018-11-06 2020-05-12 西门子医疗有限公司 使用经训练的网络检测梗塞
CN111145141B (zh) * 2018-11-06 2023-12-12 西门子医疗有限公司 使用经训练的网络检测梗塞
CN113873950A (zh) * 2019-05-24 2021-12-31 皇家飞利浦有限公司 用于针对连续监测引导重复的超声检查的设备、系统和方法
CN111513754A (zh) * 2019-09-16 2020-08-11 深圳迈瑞生物医疗电子股份有限公司 一种超声成像设备、超声图像的质量评估方法
CN117687554A (zh) * 2023-12-11 2024-03-12 上海梅斯医药科技有限公司 基于视觉模拟评分的标尺元件灵活配置系统及方法
CN117687554B (zh) * 2023-12-11 2024-05-28 上海梅斯医药科技有限公司 基于视觉模拟评分的标尺元件灵活配置系统及方法

Also Published As

Publication number Publication date
WO2014149496A1 (en) 2014-09-25
JP2020080165A (ja) 2020-05-28
AU2016222402A1 (en) 2016-09-15
US20140270427A1 (en) 2014-09-18
US9008405B2 (en) 2015-04-14
DE202014010690U1 (de) 2016-04-27
EP3664026B1 (en) 2022-02-09
US11803965B2 (en) 2023-10-31
AU2016222402B2 (en) 2018-07-05
KR102172182B1 (ko) 2020-10-30
CA2904832C (en) 2017-04-25
US8824752B1 (en) 2014-09-02
US10719931B2 (en) 2020-07-21
US20140275947A1 (en) 2014-09-18
KR102312011B1 (ko) 2021-10-14
US20140376797A1 (en) 2014-12-25
JP2016513530A (ja) 2016-05-16
JP2017170262A (ja) 2017-09-28
US11494904B2 (en) 2022-11-08
JP6656331B2 (ja) 2020-03-04
US9672615B2 (en) 2017-06-06
CN105051784B (zh) 2017-05-17
US9836840B2 (en) 2017-12-05
US20150086093A1 (en) 2015-03-26
EP3664026A1 (en) 2020-06-10
AU2014238124A1 (en) 2015-09-10
EP2803038B1 (en) 2020-01-15
US8831314B1 (en) 2014-09-09
JP6410891B2 (ja) 2018-10-24
US20180068445A1 (en) 2018-03-08
JP2019048060A (ja) 2019-03-28
US20140275946A1 (en) 2014-09-18
JP6255473B2 (ja) 2017-12-27
EP2803038A1 (en) 2014-11-19
CA2904832A1 (en) 2014-09-25
US20200311936A1 (en) 2020-10-01
US8861820B2 (en) 2014-10-14
US20160300349A1 (en) 2016-10-13
US8831315B1 (en) 2014-09-09
US20240013388A1 (en) 2024-01-11
KR20150132191A (ko) 2015-11-25
KR20200124767A (ko) 2020-11-03
US20140275945A1 (en) 2014-09-18
US20220277446A1 (en) 2022-09-01
DE202014010689U1 (de) 2016-04-27

Similar Documents

Publication Publication Date Title
US11803965B2 (en) Methods and systems for assessing image quality in modeling of patient anatomic or blood flow characteristics
JP2019171151A (ja) 脈管構造を数値的に評価するためのシステムおよび方法
CN105144173A (zh) 用于通过修改病人特定几何模型来确定治疗的方法和系统

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