CN105138813B - 将病人数据从一种生理状态映射为另一种的系统和方法 - Google Patents
将病人数据从一种生理状态映射为另一种的系统和方法 Download PDFInfo
- Publication number
- CN105138813B CN105138813B CN201510288648.8A CN201510288648A CN105138813B CN 105138813 B CN105138813 B CN 105138813B CN 201510288648 A CN201510288648 A CN 201510288648A CN 105138813 B CN105138813 B CN 105138813B
- Authority
- CN
- China
- Prior art keywords
- patient
- physiological status
- interested amount
- interested
- amount
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- 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
- A61B5/021—Measuring pressure in heart or blood vessels
-
- 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
- A61B5/029—Measuring or recording blood output from the heart, e.g. minute volume
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
- A61B5/1128—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using image analysis
-
- 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
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- A61B2576/023—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the heart
-
- 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]
Abstract
用于将病人数据从一种生理状态映射为另一种生理状态的系统和方法。用于确定病人的感兴趣的量的系统和方法包含接收处于第一生理状态的病人的病人数据。基于病人数据确定处于第一生理状态的病人的感兴趣的量的值。感兴趣的量表示病人的医学特性。从病人数据中提取特征,其中所提取的特征基于针对处于第二生理状态的病人确定的感兴趣的量。基于所提取的特征将处于第一生理状态的病人的感兴趣的量的值映射为处于第二生理状态的病人的感兴趣的量的值。
Description
本申请要求享有于2014年5月29日提交的第62/004,294号美国临时申请的权益,通过引用将其公开的全部内容并入本文。
技术领域
本发明一般涉及表示处于特定的生理状态的病人,并且更具体地涉及将病人数据从一种生理状态映射为另一种生理状态。
背景技术
对于临床诊断、治疗计划以及预后,所感兴趣的不仅是测量或计算处于特定生理状态期间的病人的数据,而且是比较处于两个或多个不同的生理状态的病人的数据。例如,对在病人处于不同的生理状态时比较狭窄(stenosis)的作用(就压降而言)感兴趣。当前,可以通过直接测量处于每种生理状态的感兴趣的数据或者通过使用模型的适当的边界条件模拟每种生理状态来获得处于不同的生理状态的病人数据的比较。然而,这些当前的方案具有缺点。对处于不同的生理状态的相同数据的重复的测量不仅有成本,而且需要另外的临床过程,这可能使病人受到更高的风险。另外,在一些实例中,对处于不同的生理状态的数据的测量可能是不实际的,因为比较的主要目的应当是计划先验的治疗,而不仅仅是在执行它之后评估它。类似地,由于难以获得表示特定生理状态的正确的边界条件,使用生物物理学模型模拟每种生理状态的病人数据可能是耗时的、资源密集的,并且容易不精确。
发明内容
根据实施例,用于确定病人的感兴趣的量的系统和方法包含接收处于第一生理状态的病人的病人数据。基于病人数据确定处于第一生理状态的病人的感兴趣的量的值。感兴趣的量表示病人的医学特性。从病人数据中提取特征,其中所提取的特征基于针对处于第二生理状态的病人确定的感兴趣的量。基于所提取的特征将处于第一生理状态的病人的感兴趣的量的值映射为处于第二生理状态的病人的感兴趣的量的值。
在一个实施例中,在不使用处于第二生理状态的病人的数据的情况下,将处于第一生理状态的病人的感兴趣的量映射为处于第二生理状态的病人的感兴趣的量。处于第一生理状态的病人的感兴趣的量可以是与处于第二生理状态的病人的感兴趣的量相同的感兴趣的量。替代地,处于第一生理状态的病人的感兴趣的量可以不同于处于第二生理状态的病人的感兴趣的量。
可以通过对处于第一生理状态的病人的感兴趣的量的值应用经训练的映射函数将处于第一生理状态的病人的感兴趣的量映射为处于第二生理状态的病人的感兴趣的量。经训练的映射函数可以表示处于第一生理状态的一组病人的感兴趣的量和处于第二生理状态的该组病人的感兴趣的量之间的关系。经训练的映射函数可以在离线步骤中确定。经训练的映射函数可以是基于训练数据训练的基于机器学习的映射函数,训练数据包含处于第一生理状态的该组病人的感兴趣的量和处于第二生理状态的该组病人的对应的感兴趣的量。训练数据可以包含处于第一生理状态的该组病人的模拟的感兴趣的量和处于第二生理状态的模拟的对应的感兴趣的量。
在一些实施例中,提供用于针对处于充血状态的病人的冠状狭窄确定血流储备分数(fractional flow reserve,FFR)的系统和方法。接收处于休息状态的病人的病人数据。基于病人数据计算处于休息状态的病人的冠状狭窄上的压降的值。从病人数据中提取特征。基于所提取的特征将处于休息状态的病人的冠状狭窄上的压降的值映射为处于充血状态的病人的冠状狭窄上的压降的值。基于处于充血状态的病人的冠状狭窄上的压降输出病人的冠状狭窄的FFR。
通过参考下面的详细描述和附图,本发明的这些以及其他优点将本领域的技术人员是显而易见的。
附图说明
图1示出根据一个实施例的将处于一种生理状态的病人数据映射为另一种生理状态的高级框架;
图2示出根据一个实施例的用于将处于一种生理状态的病人数据映射为另一种生理状态的系统;
图3示出根据一个实施例的用于将处于一种生理状态的病人数据映射为另一种生理状态的方法;
图4示出根据一个实施例的用于从处于休息状态的病人数据映射处于充血状态的病人的压降的示例性方法;
图5示出根据一个实施例的用于将处于一种生理状态的病人数据映射为另一种生理状态的高级框图。
具体实施方式
本发明涉及将病人数据从一种生理状态映射到另一种生理状态。在这里描述本发明的实施例以给出用于映射病人数据的方法的直观理解。数字图像经常由一个或多个对象(或形状)的数字表现组成。在本文中,对象的数字表现经常被描述为标识和操作对象。这样的操作是在计算机系统的存储器或其他电路/硬件中完成的虚拟操作。相应地,要理解的是本发明的实施例可以在使用存储在计算机系统内的数据的计算机系统内来执行。
图1示出根据一个或多个实施例的将处于一种生理状态的病人数据映射到另一种生理状态的高级框架100。框架100基于在不同的状态(即,状态1)收集的数据来确定表示处于特定状态的病人的生理数据(即,状态2)。在本申请的各处所使用的术语“状态”是指病人的生理状况。例如,状态1可以表示病人在休息时的基准状态,而状态2可以表示病人由于例如物理活动、施用的药物等而用力的状态。框架100可以在使用存储在计算机系统内的数据的计算机系统内来执行,以向用户提供对可以例如影响诊断或治疗决定的信息的快速访问。
参照图1,针对特定受试体(诸如,例如病人)获取状态1的数据102。病人数据可以包括测量数据、医学图像数据、病人人口统计学信息或者病人的任何其他数据。病人数据可以使用测量设备来测量,使用生物物理计算来计算,或者通过两者的组合。基于病人数据102,确定处于状态1的病人的感兴趣的量(QoI)104。在一个实施例中,QoI表示病人的医学特性。例如,病人的QoI可以是病人的心脏的心输出量、病人的动脉中的压降或者病人的任何其他医学特性。处于状态1的病人的QoI 104基于将针对处于状态2的病人确定的QoI来确定。应用经训练的映射函数将处于状态1的病人的QoI 104映射为处于状态2的病人的QoI106,以确定处于状态2的病人的QoI 106。经训练的映射函数从处于状态1的病人数据102中提取特征,以将处于状态1的病人的QoI 104映射为处于状态2的病人的QoI 106。所提取的特征取决于将针对处于状态2的病人确定的QoI。经训练的映射函数可以在离线训练阶段中使用训练数据学习所提取的具体特征。有利地,框架100可以使用针对处于状态1的病人获得的数据提供处于状态2的病人的QoI 106,并且不依赖于针对处于状态2的病人的测量或生物物理计算。
图2示出根据一个或多个实施例的将处于一种生理状态的病人数据映射为另一种生理状态的系统200。系统200包括输入202,输入202包含从处于状态1的病人数据中提取的特征204和处于状态1的病人的QoI 206。可以从处于状态1的病人的数据中提取特征204和处于状态1的QoI 206。处于状态1的病人数据可以使用一个或多个测量设备来获取,通过基于病人的医学图像数据的模拟来计算(例如,使用数学或物理模型进行生物物理计算),或者通过两者的组合。一个或多个测量设备可以包括能够被用于提供受试体的测量数据的任何设备(例如,侵入式的或非侵入式的),诸如例如成像设备、压力线等。生物物理计算可以包括例如基于病人的医学图像数据的模拟。例如,病人的医学图像数据可以被用于模拟例如血流、压力值等。可以提供模拟的结果作为病人数据。
从状态1的病人数据中提取的特征204可以取决于将针对处于状态2的病人确定的QoI。特征204可以包括例如解剖特征(例如,血管的几何形状)、机能特征(例如,生命统计、血压、心率、氧饱和)或者任何其他病人数据。解剖特征可以从例如处于状态1的病人的医学图像数据中提取,诸如来自磁共振成像(MRI)的医学图像数据、计算断层照相法(CT)、X光血管造影术、超声或者任何适合的成像形式。例如,诸如解剖结构的长度这样的解剖特征可以通过处理医学图像数据来确定,以便提取特征204。机能特征可以例如侵入式地或非侵入式地测量。这样的测量可以直接从病人数据确定以提取特征204。所提取的特定特征204可以被映射函数208使用训练数据210学习。
例如,在心脏病人的情况下,所关心的是确定心输出量作为处于状态2(例如,用力状态)的病人的QoI。心输出量是病人的心脏泵出的血液的量。从状态1(例如,休息状态)的病人数据中提取的特征204基于将针对处于状态2的病人确定的心输出量的QoI。关于心输出量的QoI的状态1的特征204可以包括例如各个心室处的血压和大动脉中的血压,其可以作为病人数据的一部分侵入式地或非侵入式地测量。
状态1的QoI的值206还可以从状态1的病人数据中提取。状态1的QoI的值206可以通过与特征204相类似的方式从状态1的病人数据中提取。例如,状态1的病人数据可以包括医学图像数据,其可以被处理以确定处于状态1的病人的心输出量的QoI的值。心输出量可以通过分割心室或者通过使用多普勒超声、相衬MRI或者任何其他适合的技术从医学图像中提取。在另外的示例中,状态1的病人数据可以包括血流测量(例如,所测量的或所模拟的)以提供处于状态1的病人的心输出量的QoI的值。
在一个实施例中,状态1的QoI对应于在状态2下所期望的相同的感兴趣的量。例如,在上面的心脏病人的示例中,在状态2的感兴趣的量是状态2的心输出量的情况下,状态1的QoI 206是状态1的心输出量。在其他实施例中,状态1的QoI 206可以被用于确定状态2的不同的QoI 214。状态1的QoI 206可以包括多个感兴趣的量,其中存在状态2下的所期望的多个感兴趣的量。
映射函数208接收输入202(包含状态1的特征204和状态1的QoI 206)以确定状态2的QoI 214的值作为输出212。映射函数208的目标是在病人处于不同于执行了测量/计算的生理状态(即,状态1)的某种其他生理状态(即,状态2)的情况下计算QoI的值(例如,心输出量)。例如,映射函数208可以被用于在踏车锻炼期间基于处于在不使病人进行踏车锻炼的情况下的休息中的病人的测量/计算来计算心输出量的QoI的值,因此不进行任何新的测量。在另外的示例中,映射函数208可以被用于计算当病人处于药物引起的充血状况时的心输出量的QoI,而并不实际地对病人施用药物。
映射函数208可以是将状态1的QoI 206映射到状态2的QoI 214的经训练的数学变换。应当理解的是,映射依赖于来自状态1的病人数据,而不依赖于对处于状态2的病人的任何测量/计算。然而,在可以得到处于时期2的病人的病人数据的一些实施例中,该处于时期2的病人的病人数据也可以被经训练的映射函数208用于确定状态2的QoI 214。映射函数208可以被表示为下面的等式(1)中的函数f。
QoI(State 2)=f(QoI(State 1),Features(State 1)) (1)
在等式(1)中,QoI(State 2)表示状态2的感兴趣的量214,其被表示为状态1的感兴趣的量206的函数和从状态1的病人数据中提取的特征204。如可以从等式(1)看到的那样,状态2的QoI 214只取决于来自处于状态1的病人的测量/计算。
等式(1)中的函数f可以是能够表示状态1的QoI和状态2的QoI之前的关系的任何适合的函数。例如,函数f可以使用基于机器学习的方法、参数调节方法、优化方法、统计方法、数据驱动方法、基于控制系统的方法等来确定。
在一个实施例中,映射函数208被训练以在可以在先前的时间点执行的离线步骤中使用训练数据210学习状态1的QoI和状态2的QoI之前的关系。映射函数208从训练数据210学习病人数据中的哪些特征与映射状态1的QoI和状态2的QoI有关。所学习到的状态1的QoI和状态2的QoI之间的关系可以针对所有病人、病人的特定子群,或者个别地针对每个个体(即,病人特定的)。训练数据210可以包括例如可以得到状态1的QoI和对应的状态2的QoI的病人数据库。训练数据210可以包括历史的病人数据(例如,针对所有病人、病人的特定群、个别病人)、合成的病人数据(例如,使用模拟而不用任何病人特定的数据生成的)、从工作台实验获得的病人数据等。
例如,在一个实施例中,映射函数208可以利用参数估计方法,其使用可以得到对应的状态2的QoI的测试数据估计用于状态2的QoI的函数f的参数(例如,状态1的QoI和时期1的特征)。
在另外的示例中,映射函数208可以包括基于机器学习的算法。基于机器学习的算法包括训练阶段和测试阶段。训练阶段表示处理的离线部分,其中通过使用训练数据将输入数据(例如,状态1的QoI和状态1的病人数据)拟合成地面实况(即,状态2的QoI)来确定函数f。训练数据包括针对一组病人的状态1的QoI和对应的状态2的QoI。映射函数208可以使用任何基于机器学习的算法来确定,诸如例如线性或非线性回归、神经网络、支持向量机等。测试阶段是指针对未看见的情况(即,未用于训练的新情况)使用经训练的基于机器学习的算法。在测试阶段中,经训练的基于机器学习的算法使用状态1的QoI 206和状态1的特征204来计算状态2的QoI 214。
在另外的示例中,映射函数208可以包括基于控制系统的方法。在该方法中,映射函数208被表示为将状态1的QoI 206(即,输入)映射为状态2的QoI 214(即,输出)的传递函数,其使用状态1的病人数据特征204对要控制的系统进行建模。函数f通过设计将输入映射为输出的控制器(使用任何控制设计算法)来获得。
映射函数208接收处于状态1的病人的特征204和状态1的QoI 206作为输入202,并且提供状态2的QoI 214作为输出212。应当理解的是,在本文中所描述的实施例不限于状态1和状态2,还可以通过例如串联映射函数208中的数据变换或者通过以重复方式执行映射函数208来应用于多于两个的状态。另外,可以得到多个状态1的QoI,并且每一个都可以通过映射函数208被映射为到它们各自的时期2的QoI的相同或不同的映射。有利地,系统200基于处于状态1的病人的数据并且不依赖于对处于状态2的病人的测量或计算来确定处于状态2的病人的感兴趣的量。系统200从而向用户提供对可以影响诊断或治疗决定的信息的快速访问。
图3示出根据一个或多个实施例的用于将病人数据从第一生理状态(例如,休息状态)映射为第二生理状态(例如,用力状态)的方法300。在步骤302,接收处于第一状态的病人的病人数据。病人数据可以包括病人的任何数据,诸如例如解剖数据、机能数据等,其可以使用一个或多个测量设备获得、通过模拟计算或者通过两者的组合。一个或多个测量设备可以包括例如医学设备、医学成像设备等。在一个实施例中,病人数据可以通过接收病人的医学图像数据而被接收。病人数据也可以作为基于医学图像数据计算的模拟结果被接收。医学图像数据可以包括来自例如MRI、CT、X光、超声或者任何其他成像形式的成像。医学图像数据可以直接从医学成像设备接收,或者可以通过载入病人的先前存储的医学图像来接收。
在步骤304,基于病人数据来确定处于第一生理状态的病人的感兴趣的量的值。在一个实施例中,感兴趣的量表示病人的医学特性。处于第一生理状态的病人的感兴趣的量的值可以直接从病人数据确定,或者可以使用病人数据计算或估算。例如,处于第一生理状态的病人的感兴趣的量的值可以包括可以被测量或模拟以提供处于第一生理状态的病人的感兴趣的量的值的血流测量。在一个实施例中,处于第一生理状态的病人的感兴趣的量对应于将针对处于第二生理状态的病人确定的相同的感兴趣的量。在其他实施例中,处于第一生理状态的病人的感兴趣的量可以被用于确定处于第二生理状态的病人的不同的感兴趣的量。
在步骤306,从病人数据提取特征。所提取的特征基于将针对处于第二生理状态的病人确定的感兴趣的量。特征可以包括解剖特征和机能特征。解剖特征可以从例如病人的医学图像数据中提取。机能特征可以被测量(例如,侵入式地或非侵入式地)。例如,对于心输出量的感兴趣的量,从病人数据中提取的特征可以包括各个心室处的血压以及大动脉的血压。在该示例中的特征可以通过处理病人的医学图像数据来提取或者直接从作为测量或模拟结果的病人数据确定。在另外的示例中,对于动脉中的压降的感兴趣的量,从病人数据提取的特征可以包括诸如血管的几何形状这样的解剖特征和诸如血压、心率、氧饱和以及病人的其他生命统计这样的机能特征。在另外的示例中,对于支架之前和之后的压降的感兴趣的量,特征可以包括血管的解剖方面和支架的属性(例如,长度、直径)。
在步骤308,基于所提取的特征将处于第一生理状态的病人的感兴趣的量映射为处于第二生理状态的病人的感兴趣的量。映射通过对处于第一生理状态的病人的所提取的特征和处于第一生理状态的病人的感兴趣的量应用经训练的映射函数以确定处于第二生理状态的病人的感兴趣的量来执行。经训练的映射函数可以是可以表示针对一组病人的第一状态的感兴趣的量和第二状态的感兴趣的量之间的关系的任何函数。例如,经训练的映射函数可以使用基于机器学习的方法、参数调节方法、优化方法、统计方法、数据驱动方法、基于控制系统的方法等来训练。经训练的映射函数可以基于诸如历史的病人数据、合成的病人数据、从工作台实验获得的病人数据等训练数据在离线步骤中训练。
在存在将针对第二状态的病人确定多个感兴趣的量的一个实施例中,可以对每个感兴趣的量重复步骤304和306。
图4示出根据一个或多个实施例的用于确定病人的狭窄的血流储备分数(FFR)的示例性方法400。FFR是用于量化动脉中的狭窄的血液动力学意义的机能手段。FFR典型地基于充血时的冠状狭窄上的压降使用基于入侵的压力线的手段来确定。充血是指具有多于正常血流的病人的生理状态。根据本发明的实施例,FFR可以替代地通过将处于休息状态的病人的动脉(例如,冠状动脉)上的压降映射为充血时的压降来确定。压降是临床感兴趣的重要的生理量,并且被用于表征狭窄(血管壁的变窄)的机能严重性。
确定充血期间的压降的传统的方法将是直接测量充血期间的压降或者使用模拟充血的计算液体动力学(CFD)算法(通过采用CDF算法中的适当的边界条件并且使用CFD计算的结果来确定充血时的压降)。然而,这两种传统的方法具有缺点。测量处理对于病人是侵入式的、有成本的并且在本质上是有风险的,因为其为另外的临床过程。基于CFD的计算是非侵入式的,但是可能时间密集的并且由于难以获得表示特定病人的充血状态的正确的边界条件而不精确。
参照图4,在步骤402,针对处于休息状态的病人接收病人数据。病人数据可以包括例如对休息时的病人的压力测量(例如,使用压力线)。病人数据还可以包括例如休息时的病人的医学图像数据,其可以被用于使用休息状态边界条件(例如,从医学图像数据和/或其他非入侵的手段确定的)进行例如冠状动脉狭窄上的血流模拟。例如,这样的模拟可以使用在标题为“Method and System for Non-Invasive Functional Assessment ofCoronary Artery Stenosis”的第13/794,113号美国专利申请以及标题为“Method andSystem for Non-Invasive Functional Assessment of Coronary Artery Stenosis”的第14/070,810号美国专利申请(通过引用将其全部内容并入本文)中所公开的方法来进行。
在步骤404,确定处于休息状态的病人的狭窄上的压降的值。压降可以是指示跨越例如狭窄的压力的下降的任何值。例如,压降ΔP可以被表示为狭窄的远端的压力Pd和狭窄的近端的压力Pa之间的差异,使得ΔP=Pd-Pa。压降ΔP还可以被表示为Pd和Pa之间的比率,使得ΔP=Pd/Pa。还想到其他表示。远端和近端压力可以从医学图像数据中提取或者直接从作为测量或模拟结果的病人数据确定。例如,压力可以通过例如将压力线插入到动脉中侵入式地测量。压力也可能通过计算CFD算法来测量。休息状态测量可以比充血测量更容易地、更安全地、更廉价地并且更快速地测量,因为它们不需要病人处于充血状态。
在步骤406,从病人数据中提取特征。所提取的特征基于将针对处于充血状态的病人确定的QoI(即,跨越狭窄的压降)。在该示例中,特征可以包括诸如表示血管的几何形状的特征(例如狭窄的长度、狭窄处/之前/之后的血管的半径)这样的解剖特征。解剖特征可以通过处理医学图像数据以确定血管的几何形状来提取。特征还可以包括诸如处于休息状态的病人的生命统计(例如血压、心率和氧饱和)这样的机能特征。机能特征可以被确定为直接来自病人数据的测量或模拟结果。
在步骤408,跨越处于休息状态的病人的狭窄的压降基于在步骤406提取的特征映射为跨越处于充血状态的病人的狭窄的压降。映射基于跨越处于休息状态的病人的狭窄的压降来确定跨越处于充血状态的病人的狭窄的压降,而不使病人充血或不执行充血时的任何测量或生物物理计算。
映射一般可以被表示为等式(2)以确定充血时的压力ΔP的变化。
ΔP(hyperemia)=f(ΔP(rest),Features(rest)) (2)
可以使用例如机器学习、优化方法、统计方法、数据驱动方法、基于控制系统的方法或可以表示跨越处于休息状态的病人的狭窄的压降和跨越处于充血状态的病人的狭窄的压降之间的关系的任何其他适合的函数来确定映射函数f。映射函数f可以使用训练数据在离线步骤中训练。训练数据可以包括针对跨越处于休息状态和处于充血状态的一组病人的狭窄的压降。跨越狭窄的压降可以基于例如处于休息状态和处于充血状态的该组病人的实际的血流测量、处于休息状态和处于充血状态的该组病人的模拟的血流测量或者这两者的组合来计算。在训练中使用的该组病人可以是具有可以在休息状态和充血状态下得到的压降数据的所有病人、病人的特定子类(例如,基于人口统计学、医疗历史、家族历史等),或者可以是病人特定的(例如,使用来自该特定的病人的数据)。
在一个实施例中,跨越处于充血状态的病人的狭窄的压降可以通过首先在休息状态下确定狭窄的远端的压力Pd(rest)和狭窄的近端的压力Pa(rest)、然后分别将Pd(rest)和Pa(rest)各自映射为充血状态值Pd(hyperemia)和Pa(hyperemia)来确定。然后可以基于Pd(hyperemia)和Pa(hyperemia)针对处于充血状态的病人计算跨越狭窄的压降。在另外的实施例中,跨越处于充血状态的病人的狭窄的压降可以如下确定:首先确定跨越处于休息状态的病人的狭窄的压降(例如ΔP=Pd/Pa)、然后将跨越处于休息状态的病人的狭窄的压降ΔP(rest)映射为跨越处于充血状态的病人的狭窄的压降ΔP(hyperemia)如等式(3)所示。
Pd/Pa(hyperemia)=f(Pd/Pa(rest),Features(rest)) (3)
在步骤410,输出处于充血状态的病人的狭窄的FFR。狭窄的FFR表示跨越处于充血状态的病人的狭窄的压降。狭窄的FFR可以如等式(4)那样地表示。
FFR=Pd/Pa(hyperemia) (4)
在一些实施例中,可以使用不同的休息状态度量来确定处于充血状态的病人的狭窄的FFR。例如,可以基于从处于休息状态的病人的病人数据中提取的特征将处于休息状态的病人的瞬时无波比率(iFR)映射为处于充血状态的病人的狭窄的FFR。映射可以表示为等式(5)。
FFR(hyperemia)=f(iFR(rest),Features(rest)) (5)
在另外的示例中,可以在不实际进行介入或者显式地测量/计算介入后状态下的QoI的情况下确定介入后状态下的病人的感兴趣的量。用于预测对感兴趣的量的介入效果的传统的方法依赖于首先执行虚拟介入(例如,修改组织的解剖模型以模拟对解剖的介入效果)、然后通过执行生物物理计算来计算介入后状态的生理度量。
根据一个实施例,介入后状态下的病人的QoI可以基于介入前状态下的病人的QoI和介入前状态下的病人的特征来确定。介入可以是例如通过插入支架并且使其膨胀以减轻收缩来治疗血管的加支架过程。这允许血液更容易地流动,从而缓和压降。为了确定加支架过程是否成功以及在多个狭窄的情况下进行计划,即使在执行介入之前也将受益于关于可能的介入后压降的知识。加支架前状态下的病人的压降的映射可以被映射以基于加支架前状态下的病人数据特征来确定加支架后状态下的病人的压降。加支架前状态下的病人数据的特征可以包括血管的解剖方面、病人的属性(例如,支架的长度、支架的直径)等。映射可以表示为等式(6)。
ΔP(post-stent)=f(ΔP(pre-stent),Features(pre-stent)) (6)
本发明的另外的示例可以包括可以利用医学设备(例如被植入的或者被用于执行介质的)的侵入式的、最小侵入式的或非侵入式的介入。例如,介入可以包括支架治疗、分流器治疗、切除治疗、电子模拟治疗、血管手术等。介入还可以包括药剂介入。药剂介入的示例包括降低血压的药物、血管扩张或血管收缩药物等。
应当理解的是,在本文中所描述的实施例可以被应用于确定任何状态的任何感兴趣的量。例如,对于心脏再同步化治疗(CRT),感兴趣的量可以包括例如心电图(ECG)(例如,QT波持续时间)和激活时间,其可以基于植入前时期的感兴趣的量和从植入前时期获取的病人数据中提取的特征被确定用于植入后时期(即,在心脏中植入CRT设备之后),其中特征可以包括基于心脏解剖、流动、结构和心电图、CFT设备参数等的特征。在另外的示例中,对于大动脉瓣加支架,感兴趣的量可以包括例如跨狭窄的压降、对瓣膜泄漏以及峰值粘度,其可以基于植入前时期的感兴趣的量和从植入前时期获取的病人数据中提取的特征被确定用于植入后时期(即,在大动脉瓣中植入支架之后),其中特征可以包括例如瓣、大动脉以及流出道解剖、血压和支架大小。
还应当理解的是,在本文中所描述的实施例不限于医学领域,而是可以被利用于基于处于第一状态的任何受试体的数据确定处于第二状态的受试体的任何感兴趣的量。
在本文中所描述的系统、装置和方法可以使用数字电路或者使用已知的计算机处理器、存储单元、存储设备、计算机软件以及其他组件的一个或多个计算机来实现。典型地,计算机包括用于执行指令的处理器以及用于存储指令和数据的一个或多个存储器。计算机还可以包括或耦合到诸如一个或多个硬盘、内部硬盘和可移动盘、磁光盘、光盘等一个或多个海量存储设备。
在本文中所描述的系统、装置和方法可以使用以客户端-服务器关系操作的计算机来实现。典型地,在这样的系统中,客户端计算机远程地位于离开服务器计算机处,并且经由网络进行交互。客户端-服务器关系可以通过运行在各个客户端和服务器计算机上的计算机程序来定义和控制。
在本文中所描述的系统、装置和方法可以实现在基于网络的云计算系统内。在这样的基于网络的云计算系统中,服务器或连接到网络的另外的处理器经由网络与一个或多个客户端计算机通信。例如,客户端计算机可以经由在客户端计算机上存在并操作的网络浏览器应用与服务器通信。客户端计算机可以将数据存储在服务器上,并且经由网络存取数据。客户端计算机可以经由网络向服务器传送数据请求或者在线服务的请求。服务器可以执行所请求的服务并且将数据提供给客户端计算机。服务器还可以传送适合于使客户端计算机执行指定功能(例如,执行计算、在屏幕上显示指定数据等)的数据。例如,服务器可以传送适合于使客户端计算机执行在本文中所描述的一个或多个方法步骤(包括图3和4中的一个或多个步骤)的请求。在本文中的所描述的方法的某些步骤(包括图3和4中的一个或多个步骤)可以由服务器或由基于网络的云计算系统中的另外的处理器来执行。在本文中所描述的方法的某些步骤(包括图3和4中的一个或多个步骤)可以由基于网络的云计算系统中的客户端计算机来执行。在本文中所描述的方法的步骤(包括图3和4中的一个或多个步骤)可以由服务器和/或由基于网络的云计算系统中的客户端计算机以任何组合来执行。
在本文中所描述的系统、装置和方法可以使用有形地实施在信息载体(例如非临时性机器可读存储设备)中以便被可编程的处理器执行的计算机程序产品来实现;并且在本文中所描述的方法步骤(包括图3和4中的一个或多个步骤)可以使用可以由这样的处理器执行的一个或多个计算机程序来实现。计算机程序是可以在计算机中直接或间接使用以执行一定活动或得到一定结果的一组计算机程序指令。计算机程序可以被写为任何形式的编程语言,包括编译型或解释型语言,并且其可以以任何形式被利用,包括作为单独的程序或者作为模块、组件、子例程或适合于在计算环境中使用的其他单元。
在图5中图示可以用于实现在本文中所描述的系统、装置和方法的示例计算机的高级框图500。计算机502包括操作地耦合到数据存储设备512和存储器510的处理器504。处理器504通过执行计算机程序指令来控制计算机502的总体操作,计算机程序指令定义这样的操作。计算机程序指令可以存储在数据存储设备512或其他计算机可读取介质中,并且在期望执行计算机程序指令时被载入到存储器510中。因此,图3和4的方法步骤可以通过存储在存储器510和/或数据存储设备512中的计算机程序指令来定义并且通过执行计算机程序指令的处理器504来控制。例如,计算机程序指令可以被实现为本领域技术人员所编程的计算机可执行的代码以执行图3和4的方法步骤。相应地,通过执行计算机程序指令,处理器504执行图3和4的方法步骤。计算机502还可以包括用于经由网络与其他设备通信的一个或多个网络接口506。计算机502还可以包括使用户能够与计算机502进行交互的一个或多个输入/输出设备508(例如,显示器、键盘、鼠标、扬声器、按钮等)。
处理器504可以包括通用和专用微处理器这两者,并且可以是单独处理器或者计算机502的多个处理器之一。例如,处理器504可以包括一个或多个中央处理单元(CPU)。处理器504、数据存储设备512和/或存储器510可以包括(被补充或被并入)一个或多个专用集成电路(ASIC)和/或一个或多个现场可编程门阵列(FPGA)。
数据存储设备512和存储器510每个都包括有形的非临时性的计算机可读存储介质。数据存储设备512和存储器510可以都包括高速随机存取存储器,诸如动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)、双数据速率同步动态随机存取存储器(DDR RAM)或者其他随机存取固态存储器设备,并且可以包括非易失性存储器,诸如一个或多个磁盘存储设备(诸如硬盘和可移动盘)、磁光盘存储设备、光盘存储设备、闪速存储器设备、半导体存储器设备(诸如可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM))、压缩盘只读存储器(CD-ROM)、数字多功能盘只读存储(DVD-ROM)盘或其他非易失固态存储设备。
输入/输入设备508可以包括外围设备,诸如打印机、扫描仪、显示器屏幕等。例如,输入/输出设备508可以包括用于向用户显示信息的诸如阴极射线管(CRT)或液晶显示器(LCD)监视器这样的显示设备,用户可以向计算机502提供输入的诸如鼠标或跟踪球这样的键盘和指点设备。
在本文中所述的系统和装置的任何一个或全部(包括图2的系统200的元件)可以使用诸如计算机502这样的一个或多个计算机来实现。
本领域的技术人员将意识到,实际的计算机或计算机系统的实现方式可以具有其他结构,并且可以也包含其他计算机,并且图5是用于例示目的的这样的计算机的一些组件的高级表示。
前述的详细描述在各方面都应被理解为图示和示例性的,而不是限制性的,在本文中所公开的本发明的范围不根据详细描述来确定,而是从根据专利法允许的完整范围解释的权利要求来确定。要理解的是,在本文中所示和所描述的实施例只是本发明的原理的示例,本领域的技术人员可以实现各种修改,而不脱离本发明的范围和精神。本领域的技术人员将实现各种其他特征组合,而不脱离本发明的范围和精神。
Claims (22)
1.一种用于确定病人的感兴趣的量的方法,包含:
接收处于第一生理状态的病人的病人数据;
基于病人数据确定处于第一生理状态的病人的感兴趣的量的值,感兴趣的量表示病人的医学特性;
从病人数据中提取特征,其中所提取的特征基于针对处于第二生理状态的病人确定的感兴趣的量;以及
基于所提取的特征将处于第一生理状态的病人的感兴趣的量的值映射为处于第二生理状态的病人的感兴趣的量的值。
2.根据权利要求1所述的方法,其中将处于第一生理状态的病人的感兴趣的量的值映射为处于第二生理状态的病人的感兴趣的量的值还包含:
在不使用处于第二生理状态的病人的数据的情况下,将处于第一生理状态的病人的感兴趣的量的值映射为处于第二生理状态的病人的感兴趣的量的值。
3.根据权利要求1所述的方法,其中处于第一生理状态的病人的感兴趣的量是与处于第二生理状态的病人的感兴趣的量相同的感兴趣的量。
4.根据权利要求1所述的方法,其中处于第一生理状态的病人的感兴趣的量不同于处于第二生理状态的病人的感兴趣的量。
5.根据权利要求1所述的方法,其中将处于第一生理状态的病人的感兴趣的量的值映射为处于第二生理状态的病人的感兴趣的量的值还包含:
对处于第一生理状态的病人的感兴趣的量的值应用经训练的映射函数,映射函数表示处于第一生理状态的一组病人的感兴趣的量和处于第二生理状态的该组病人的感兴趣的量之间的关系。
6.根据权利要求5所述的方法,其中经训练的映射函数在离线步骤中确定。
7.根据权利要求5所述的方法,其中经训练的映射函数是基于训练数据训练的基于机器学习的映射函数,训练数据包含处于第一生理状态的该组病人的感兴趣的量和处于第二生理状态的该组病人的对应的感兴趣的量。
8.根据权利要求7所述的方法,其中训练数据包含处于第一生理状态的该组病人的模拟的感兴趣的量和处于第二生理状态的模拟的对应的感兴趣的量。
9.根据权利要求1所述的方法,其中病人数据包含病人的医学图像数据,并且确定处于第一生理状态的病人的感兴趣的量的值包含:
基于使用边界条件执行的血流的病人特定计算液体动力学模拟来确定处于第一生理状态的病人的感兴趣的量的值,边界条件对应于基于病人的医学图像数据所确定的第一生理状态。
10.根据权利要求1所述的方法,其中病人数据包含病人的医学图像数据,并且从病人数据中提取特征包含:
处理病人的医学图像数据以确定病人的测量。
11.一种用于确定病人的感兴趣的量的装置,包含:
用于接收处于第一生理状态的病人的病人数据的部件;
用于基于病人数据确定处于第一生理状态的病人的感兴趣的量的值的部件,感兴趣的量表示病人的医学特性;
用于从病人数据中提取特征的部件,其中所提取的特征基于针对处于第二生理状态的病人确定的感兴趣的量;以及
用于基于所提取的特征将处于第一生理状态的病人的感兴趣的量的值映射为处于第二生理状态的病人的感兴趣的量的值的部件。
12.根据权利要求11所述的装置,其中用于将处于第一生理状态的病人的感兴趣的量的值映射为处于第二生理状态的病人的感兴趣的量的值的部件还包含:
用于在不使用处于第二生理状态的病人的数据的情况下,将处于第一生理状态的病人的感兴趣的量的值映射为处于第二生理状态的病人的感兴趣的量的值的部件。
13.根据权利要求11所述的装置,其中处于第一生理状态的病人的感兴趣的量是与处于第二生理状态的病人的感兴趣的量相同的感兴趣的量。
14.根据权利要求11所述的装置,其中处于第一生理状态的病人的感兴趣的量不同于处于第二生理状态的病人的感兴趣的量。
15.根据权利要求11所述的装置,其中用于将处于第一生理状态的病人的感兴趣的量的值映射为处于第二生理状态的病人的感兴趣的量的值的部件还包含:
用于对处于第一生理状态的病人的感兴趣的量的值应用经训练的映射函数的部件,映射函数表示处于第一生理状态的一组病人的感兴趣的量和处于第二生理状态的该组病人的感兴趣的量之间的关系。
16.根据权利要求15所述的装置,其中经训练的映射函数在离线步骤中确定。
17.根据权利要求15所述的装置,其中经训练的映射函数是基于训练数据训练的基于机器学习的映射函数,训练数据包含处于第一生理状态的该组病人的感兴趣的量和处于第二生理状态的该组病人的对应的感兴趣的量。
18.根据权利要求17所述的装置,其中训练数据包含处于第一生理状态的该组病人的模拟的感兴趣的量和处于第二生理状态的模拟的对应的感兴趣的量。
19.一种存储用于确定病人的感兴趣的量的计算机程序指令的非临时性计算机可读存储介质,所述计算机程序指令在被处理器执行时使处理器执行操作,包含:
接收处于第一生理状态的病人的病人数据;
基于病人数据确定处于第一生理状态的病人的感兴趣的量的值,感兴趣的量表示病人的医学特性;
从病人数据中提取特征,其中所提取的特征基于针对处于第二生理状态的病人确定的感兴趣的量;以及
基于所提取的特征将处于第一生理状态的病人的感兴趣的量的值映射为处于第二生理状态的病人的感兴趣的量的值。
20.根据权利要求19所述的非临时性计算机可读存储介质,其中将处于第一生理状态的病人的感兴趣的量的值映射为处于第二生理状态的病人的感兴趣的量的值还包含:
在不使用处于第二生理状态的病人的数据的情况下,将处于第一生理状态的病人的感兴趣的量的值映射为处于第二生理状态的病人的感兴趣的量的值。
21.根据权利要求19所述的非临时性计算机可读存储介质,其中病人数据包含病人的医学图像数据,并且确定处于第一生理状态的病人的感兴趣的量的值包含:
基于使用边界条件执行的血流的病人特定计算液体动力学模拟来确定处于第一生理状态的病人的感兴趣的量的值,边界条件对应于基于病人的医学图像数据所确定的第一生理状态。
22.根据权利要求19所述的非临时性计算机可读存储介质,其中病人数据包含病人的医学图像数据,并且从病人数据中提取特征包含:
处理病人的医学图像数据以确定病人的测量。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201462004294P | 2014-05-29 | 2014-05-29 | |
US62/004,294 | 2014-05-29 | ||
US14/599,678 US20150348260A1 (en) | 2014-05-29 | 2015-01-19 | System and Method for Mapping Patient Data from One Physiological State to Another Physiological State |
US14/599,678 | 2015-01-19 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105138813A CN105138813A (zh) | 2015-12-09 |
CN105138813B true CN105138813B (zh) | 2019-05-28 |
Family
ID=53765035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510288648.8A Active CN105138813B (zh) | 2014-05-29 | 2015-05-29 | 将病人数据从一种生理状态映射为另一种的系统和方法 |
Country Status (3)
Country | Link |
---|---|
US (2) | US20150348260A1 (zh) |
EP (1) | EP2949268B1 (zh) |
CN (1) | CN105138813B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016075331A2 (en) * | 2014-11-14 | 2016-05-19 | Siemens Healthcare Gmbh | Method and system for purely geometric machine learning based fractional flow reserve |
US9349178B1 (en) | 2014-11-24 | 2016-05-24 | Siemens Aktiengesellschaft | Synthetic data-driven hemodynamic determination in medical imaging |
WO2016174010A1 (en) * | 2015-04-30 | 2016-11-03 | Koninklijke Philips N.V. | Fractional flow reserve determination |
US10304569B2 (en) * | 2015-12-03 | 2019-05-28 | Heartflow, Inc. | Systems and methods for associating medical images with a patient |
WO2018050806A1 (en) | 2016-09-16 | 2018-03-22 | Koninklijke Philips N.V. | Apparatus and method for determining a fractional flow reserve |
CN110494923B (zh) * | 2017-03-31 | 2023-12-08 | 皇家飞利浦有限公司 | 对经导管主动脉瓣植入术(tavi)引起的对冠状动脉流量和压力的影响的模拟 |
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 |
US11205504B2 (en) | 2018-12-19 | 2021-12-21 | Cardinal Health Commercial Technologies, Llc | System and method for computerized synthesis of simulated health data |
US10861157B2 (en) | 2019-04-04 | 2020-12-08 | Medtronic Vascular, Inc. | System and methods for determining modified fractional flow reserve values |
WO2023230580A1 (en) * | 2022-05-26 | 2023-11-30 | Ntt Research, Inc. | Optimizing drug combinations for treating acute heart failure |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1995026006A1 (en) * | 1994-03-23 | 1995-09-28 | Silverman Sidney I | Method for generating and accessing patient specific health index |
CN1497494A (zh) * | 2002-10-17 | 2004-05-19 | 精工爱普生株式会社 | 用于低景深图像分割的方法和装置 |
WO2005089641A1 (en) * | 2004-03-16 | 2005-09-29 | Medtronic, Inc. | Detecting sleep |
CN102525443A (zh) * | 2010-09-16 | 2012-07-04 | 西门子公司 | 非侵入性冠状动脉病评估的方法和系统 |
CN103300820A (zh) * | 2012-03-13 | 2013-09-18 | 西门子公司 | 用于冠状动脉狭窄的非侵入性功能评估的方法和系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8315812B2 (en) * | 2010-08-12 | 2012-11-20 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
US20120176412A1 (en) * | 2011-01-07 | 2012-07-12 | General Electric Company | Method and system for improved medical image analysis |
US10373700B2 (en) * | 2012-03-13 | 2019-08-06 | Siemens Healthcare Gmbh | Non-invasive functional assessment of coronary artery stenosis including simulation of hyperemia by changing resting microvascular resistance |
JP2015509820A (ja) * | 2012-03-15 | 2015-04-02 | シーメンス アクティエンゲゼルシャフト | 安静および充血時における冠血流のパーソナライゼーション用フレームワーク |
US9247918B2 (en) * | 2012-07-09 | 2016-02-02 | Siemens Aktiengesellschaft | Computation of hemodynamic quantities from angiographic data |
US9092743B2 (en) * | 2013-10-23 | 2015-07-28 | Stenomics, Inc. | Machine learning system for assessing heart valves and surrounding cardiovascular tracts |
US9600628B2 (en) * | 2014-05-15 | 2017-03-21 | International Business Machines Corporation | Automatic generation of semantic description of visual findings in medical images |
-
2015
- 2015-01-19 US US14/599,678 patent/US20150348260A1/en not_active Abandoned
- 2015-05-28 EP EP15169585.5A patent/EP2949268B1/en active Active
- 2015-05-29 CN CN201510288648.8A patent/CN105138813B/zh active Active
-
2020
- 2020-10-15 US US17/070,993 patent/US20210027466A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1995026006A1 (en) * | 1994-03-23 | 1995-09-28 | Silverman Sidney I | Method for generating and accessing patient specific health index |
CN1497494A (zh) * | 2002-10-17 | 2004-05-19 | 精工爱普生株式会社 | 用于低景深图像分割的方法和装置 |
WO2005089641A1 (en) * | 2004-03-16 | 2005-09-29 | Medtronic, Inc. | Detecting sleep |
CN102525443A (zh) * | 2010-09-16 | 2012-07-04 | 西门子公司 | 非侵入性冠状动脉病评估的方法和系统 |
CN102525443B (zh) * | 2010-09-16 | 2016-05-11 | 西门子公司 | 用于基于医学图像数据对心血管循环建模的方法和设备 |
CN103300820A (zh) * | 2012-03-13 | 2013-09-18 | 西门子公司 | 用于冠状动脉狭窄的非侵入性功能评估的方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
EP2949268B1 (en) | 2019-03-27 |
CN105138813A (zh) | 2015-12-09 |
US20210027466A1 (en) | 2021-01-28 |
EP2949268A1 (en) | 2015-12-02 |
US20150348260A1 (en) | 2015-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105138813B (zh) | 将病人数据从一种生理状态映射为另一种的系统和方法 | |
JP7206024B2 (ja) | 解剖モデリングシステム及びその作動方法 | |
US20230360803A1 (en) | Methods and systems for predicting sensitivity of blood flow calculations to changes in anatomical geometry | |
US11660143B2 (en) | Systems and methods for diagnosis and assessment of cardiovascular disease by comparing arterial supply capacity to end-organ demand | |
US10249048B1 (en) | Method and system for predicting blood flow features based on medical images | |
CN105792738B (zh) | 用于改善功能狭窄分析的局部ffr估计和可视化 | |
JP7039544B2 (ja) | 血流特性及び病理を心筋血液供給のモデリングを介して決定するためのシステム及び方法 | |
US10971271B2 (en) | Method and system for personalized blood flow modeling based on wearable sensor networks | |
CN104736046B (zh) | 用于数字评估脉管系统的系统和方法 | |
CN108962381B (zh) | 用于动脉粥样硬化的个性化评定、长期预测和管理的基于学习的方法 | |
JP2020503095A (ja) | 解剖学的モデルパラメータの機械学習 | |
AU2016242999B2 (en) | Systems and methods for predicting perfusion deficits from physiological, anatomical, and patient characteristics | |
CN108665449B (zh) | 预测血流矢量路径上的血流特征的深度学习模型及装置 | |
CN106446504B (zh) | 用于生物医学模拟的系统和方法 | |
US20220051401A1 (en) | Providing a scene with synthetic contrast | |
EP3624132A1 (en) | Calculating boundary conditions for virtual ffr and ifr calculation based on myocardial blush characteristics | |
Liu et al. | Physiologically personalized coronary blood flow model to improve the estimation of noninvasive fractional flow reserve | |
JP6685319B2 (ja) | 定量的フロー分析のための方法および装置 | |
US20210137393A1 (en) | Systems and methods to improve management and monitoring of cardiovascular disease | |
CN108366761A (zh) | 用于校准医学监测设备的方法和装置 | |
JP2022510879A (ja) | 血行力学的シミュレーションのための最も関連のあるx線画像の選択 | |
JP7443197B2 (ja) | 医用画像処理装置、システム及び方法 | |
US11399757B1 (en) | Medical imaging with features to determine emotional state |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220128 Address after: Erlangen Patentee after: Siemens Healthineers AG Address before: Munich, Germany Patentee before: SIEMENS AG |