CN105184086A - 用于冠状动脉中改进的血液动力学计算的方法及系统 - Google Patents

用于冠状动脉中改进的血液动力学计算的方法及系统 Download PDF

Info

Publication number
CN105184086A
CN105184086A CN201510589311.0A CN201510589311A CN105184086A CN 105184086 A CN105184086 A CN 105184086A CN 201510589311 A CN201510589311 A CN 201510589311A CN 105184086 A CN105184086 A CN 105184086A
Authority
CN
China
Prior art keywords
candidate
multiple grid
component
value
stenosis area
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
CN201510589311.0A
Other languages
English (en)
Other versions
CN105184086B (zh
Inventor
F·绍尔
Y·郑
P·莎玛
B·乔治斯库
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.)
Siemens Medical Ag
Original Assignee
Siemens AG
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 Siemens AG filed Critical Siemens AG
Publication of CN105184086A publication Critical patent/CN105184086A/zh
Application granted granted Critical
Publication of CN105184086B publication Critical patent/CN105184086B/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
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B90/00—Instruments, implements or accessories specially adapted for surgery or diagnosis and not covered by any of the groups A61B1/00 - A61B50/00, e.g. for luxation treatment or for protecting wound edges
    • A61B90/36—Image-producing devices or illumination devices not otherwise provided for
    • A61B90/37—Surgical systems with images on a monitor during operation
    • 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
    • G06F18/23—Clustering techniques
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/101—Computer-aided simulation of surgical operations
    • A61B2034/105—Modelling of the patient, e.g. for ligaments or bones
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/107—Visualisation of planned trajectories or target regions
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/108—Computer aided selection or customisation of medical implants or cutting guides
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B90/00—Instruments, implements or accessories specially adapted for surgery or diagnosis and not covered by any of the groups A61B1/00 - A61B50/00, e.g. for luxation treatment or for protecting wound edges
    • A61B90/36—Image-producing devices or illumination devices not otherwise provided for
    • A61B90/37—Surgical systems with images on a monitor during operation
    • A61B2090/374—NMR or MRI
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B90/00—Instruments, implements or accessories specially adapted for surgery or diagnosis and not covered by any of the groups A61B1/00 - A61B50/00, e.g. for luxation treatment or for protecting wound edges
    • A61B90/36—Image-producing devices or illumination devices not otherwise provided for
    • A61B90/37—Surgical systems with images on a monitor during operation
    • A61B2090/376—Surgical systems with images on a monitor during operation using X-rays, e.g. fluoroscopy
    • A61B2090/3762—Surgical systems with images on a monitor during operation using X-rays, e.g. fluoroscopy using computed tomography systems [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B90/00—Instruments, implements or accessories specially adapted for surgery or diagnosis and not covered by any of the groups A61B1/00 - A61B50/00, e.g. for luxation treatment or for protecting wound edges
    • A61B90/36—Image-producing devices or illumination devices not otherwise provided for
    • A61B90/37—Surgical systems with images on a monitor during operation
    • A61B2090/378—Surgical systems with images on a monitor during operation using ultrasound
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20124—Active shape model [ASM]
    • 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
    • G06T2207/30048—Heart; Cardiac
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G06T2207/30104—Vascular flow; Blood flow; Perfusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Robotics (AREA)
  • Software Systems (AREA)
  • Gynecology & Obstetrics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Pathology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明涉及用于冠状动脉中改进的血液动力学计算的方法及系统。一种用于动脉狭窄的非侵入性评估的系统和方法，包含包括根据医学成像数据而分割用于患者的包括狭窄区的动脉的解剖学模型的多个网格候选。在多个网格候选的每一个中计算针对狭窄区的血液动力学指数。确定多个网格候选的每一个中针对狭窄区的血液动力学指数的值之间的变化相对于与关于狭窄区的临床决策相关联的阈值是否显著。

Description

用于冠状动脉中改进的血液动力学计算的方法及系统
本申请要求2014年6月16日提交的美国临时申请No.62/012,599的权益，所述申请的公开内容在本文中通过引用以其全部被并入。
背景技术
本发明一般涉及用于动脉狭窄的血液动力学指数(indices)的非侵入性计算，以及更具体地涉及基于非侵入性计算的血液动力学指数来改进临床决策的准确性。
心血管疾病(CVD)是全世界范围死亡的主要原因。在各种CVD之中，冠状动脉疾病(CAD)占那些死亡的几乎百分之五十。尽管医学成像和其它诊断模态中有显著改进，但对于CAD患者的过早发病率和死亡率中的增加仍然非常高。对于冠状动脉狭窄的诊断以及管理的当前临床实践涉及视觉上或通过定量冠状动脉血管造影术(QCA)对患病血管进行评估。这样的评估为临床医生提供了对狭窄段以及母血管的解剖学概观，包括面积减小、损伤(lesion)长度以及最小的管腔(lumen)直径，但是不提供损伤对通过血管的血流造成的影响的功能评估。通过往狭窄的血管中插入压力线来测量血流储备分数(FFR)已经被示出为是用于指导血管重建决策的更好的选项，因为FFR在标识局部缺血引发的损伤方面如与侵入性血管造影术相比更加有效。QCA仅评估狭窄的形态学意义并且具有许多其它限制。基于压力线的FFR测量涉及与对于将压力线插入到血管中所必要的干预相关联的风险，并且对于非常窄的狭窄，压力线可能引起附加的压降。
发明内容
根据实施例，用于动脉狭窄的非侵入性评估的系统和方法，包含包括根据医学成像数据而分割用于患者的包括狭窄区的动脉的解剖学模型的多个网格侯选(meshcandidate)。在多个网格侯选的每一个中计算对于狭窄区的血液动力学指数。确定多个网格侯选的每一个中的对于狭窄区的血液动力学指数的值之间的变化相对于与关于狭窄区的临床决策相关联的阈值是否显著。
根据实施例，用于支持关于感兴趣的解剖学对象的临床决策的系统和方法，包括根据医学成像数据而分割用于患者的感兴趣的解剖学对象的解剖学模型的多个网格侯选。针对多个网格侯选中的每一个而计算定量度量。确定对于多个网格侯选中每一个的定量度量的值之间的变化关于相对于与关于感兴趣的解剖学对象的临床决策相关联的阈值是否显著。
对于本领域普通技术人员来说通过参考下面的详细描述以及附图，本发明的这些以及其它优点将会显而易见。
附图说明
图1示出根据一个实施例的用于冠状动脉狭窄的非侵入性评估的方法；
图2示出根据一个实施例的用于根据医学成像数据而分割用于患者的冠状动脉的解剖学模型的多个网格侯选的方法；
图3图示根据一个实施例的用于生成患者特定的冠状血管树解剖学模型的示例性结果；
图4示出根据一个实施例的具有灰区的FFR值的范围；
图5描绘根据一个实施例的MPR平面，其具有叠覆在其上的多个网格侯选；
图6示出根据一个实施例的用于改进临床决策的工作流的方法；以及
图7示出根据一个实施例的用于基于血液动力学指数而改进临床决策工作流的计算机的高级框图。
具体实施方式
本发明一般涉及基于血液动力学指数而改进临床决策的工作流。本发明的实施例在本文中被描述以给出用于改进临床决策工作流的方法的可视理解。数字图像通常由一个或多个对象(或形状)的数字表示组成。本文中通常在标识并且操纵对象的方面来描述对象的数字表示。这样的操纵是在计算机系统的存储器或者其它电路/硬件中实现的虚拟操纵。因此，将理解的是本发明的实施例可以通过使用被存储在计算机系统内的数据而在计算机系统内执行。
另外，应当理解的是尽管本文讨论的实施例可以关于患者的医学成像数据而进行讨论，但是本原理并不如此受限。本发明的实施例可以用于任何成像数据。
血流储备分数(FFR)是用于将动脉中狭窄的血液动力学意义量化的功能度量。FFR典型地通过使用基于侵入式压力线的测量、基于充血的冠状动脉狭窄上的压降来确定。充血指的是患者具有多于正常的血流量的生理状态。是否通过安置支架(stent)来治疗冠状动脉狭窄的临床决策可以基于FFR值。例如，至少为0.8的FFR值可以指示狭窄在功能上并不显著，并且不建议治疗。然而，小于0.8的FFR值可以指示狭窄在功能上是显著的，并且建议治疗。
计算性FFR(cFFR)试图经由不太侵入性的手段来重现(replicate)FFR值。在一个实施例中，通过以下来确定cFFR：利用计算的层析X射线摄影法(CT)扫描仪获取患者心脏的医学成像数据，分割医学成像数据以提取冠状动脉的几何模型，并且应用计算性流体动力学来得出冠状动脉狭窄的FFR值。cFFR计算可以导致由于分割结果中的变化引起的多个不同FFR值，所述分割结果中的变化导致多个几何模型侯选。常规的工作流涉及用户选择最佳几何模型侯选，或者编辑分割结果来确定FFR值，这增加成本并且需要来自用户的附加时间和努力。然而，根据本发明的实施例，如果FFR值的结果的范围并不在临床上影响临床决策，那么不需要用户输入。例如，如果FFR值的结果的范围在0.8以上，那么不治疗狭窄的临床决策不受影响，并且不需要用户输入或交互。
图1示出根据一个或多个实施例的用于冠状动脉狭窄的非侵入性评估的方法100。血液动力学指数是与血液流动相关的度量。例如，血液动力学指数可以包括FFR和瞬时无波比(iFR)。尽管本文关于基于血液动力学指数的有关冠状动脉狭窄的临床决策来描述图1的方法100，但应该理解的是本发明并不如此受限，并且本发明的实施例可以类似地适用于任何临床决策。图1的方法100提供了通过减小用户输入和交互量的经改进的冠状动脉狭窄非侵入性评估。
参考图1，在步骤102处，接收主体(例如，患者)的医学成像数据。医学成像数据可以包括患者的感兴趣的目标解剖学区域(诸如例如，心脏的冠状动脉)的医学图像或者帧。在一个实施例中，医学成像数据为三维(3D)CT医学成像数据。然而，本发明不限于此，并且医学成像数据可以为任何合适的模态，诸如例如，磁共振成像(MRI)、X射线血管造影术、超声(US)等。在一个实施例中，直接从对患者成像的图像获取设备(诸如例如，CT扫描仪)接收医学成像数据。在另一个实施例中，通过从计算机系统的存储器或存储装置中加载之前存储的主体的成像数据而接收医学成像数据。
在有利实施例中，在CT扫描仪上获取3D冠状动脉CT血管造影术(CTA)图像。CTA图像确保冠状脉管系统(vasculature)，包括含有狭窄的(多个)血管，通过使用被注入到患者体内的对比剂而被充分成像。在该阶段处，可以向临床医生提供以下选项：通过在图像上交互性地查看感兴趣的损伤(狭窄)来标识它们。该步骤也可以在提取自图像数据的患者特定的解剖学模型上执行。可替换地，通过使用用于冠状动脉狭窄的自动检测的算法可以在图像数据中自动检测狭窄，所述算法诸如美国公布的专利申请No.2011/0224542中所述的用于冠状动脉狭窄的自动检测的方法，所述专利申请题为“MethodandSystemforAutomaticDetectionandClassificationofCoronaryStenosesinCardiacCTVolumes”，其公开内容在本文中通过引用以其全部被并入。除了医学成像数据之外，还可以获取其它非侵入性临床测量，诸如患者的心率以及收缩和舒张血压。
在步骤104处，根据医学成像数据来分割用于患者的冠状动脉的解剖学或几何表面模型的多个网格候选。在一个实施例中，通过采用不同的分割方法可以生成多个网格候选，所述分割方法诸如例如，区域增长、形状模型拟合、图形切割、基于机器学习的方法、或者任何其它合适的分割方法。采用各种方法将自然导致各种网格候选。另外，在另一实施例中，通过变化分割方法的参数可以生成多个网格候选。例如，参数可以是用于基于阈值的分割的强度水平。强度水平中的变化将导致分割结果的变化。
在优选实施例中，采用判别式(discriminative)主动形状模型框架，其中用从局部斑块(localpatch)提取的图像特征来训练边界检测器。通常，给定初始的形状估计(即，分割)，每个网格点被独立地调整，这通过沿着网格表面法线在某个范围(例如[-2，2mm])内将其移动到最优位置。常规地，将网格点移动到由来自边界检测器的最高得分(score)所标识的单个边界位置。然后将网格投射到形状子空间中，以实施之前的形状约束。然而，为了生成多个分割候选，扩展判别式主动形状模型框架。
暂时参考图2，示出根据一个或多个实施例的用于根据医学成像数据而分割用于患者的冠状动脉的解剖学模型的多个网格侯选的方法104。图2的方法104基于经扩展的判别式主动形状模型框架。
在步骤202处，根据医学成像数据来分割患者的冠状动脉，以生成几何表面模型。在一个实施例中，通过使用自动化的冠状动脉中心线提取算法可以在医学成像数据中将冠状动脉进行分割。例如，通过使用题为“MethodandSystemforAutomaticCoronaryArteryDetection”的美国公布的专利申请No.2010/0067760中所述的方法，可以在CT容积中分割冠状动脉，所述专利申请的公开内容在本文中通过引用以其全部被并入。一旦提取了冠状动脉中心线树，就可以在中心线树的每个点处生成横截面轮廓。每个中心线点处的横截面轮廓给出了冠状动脉中该点处相对应的横截面面积测量。还可以采用其它分割方法。
然后针对经分割的冠状动脉而生成解剖学表面模型。例如，在题为“Three-Dimensional(3D)ModelingofCoronaryArteries”的美国专利No.7,860,290中以及题为“RobustVesselTreeModeling”的美国专利No.7,953,266中描述了用于冠状动脉的解剖学建模的方法，所述美国专利的公开内容在本文中通过引用以其全部被并入。除了冠状动脉之外，患者特定的解剖学模型可以包括主动脉根部连同主动脉的近端部分。通过使用类似算法还可以提取每个狭窄的详细3D模型，所述类似算法包括近端血管直径和面积、远端血管直径和面积、最小管腔直径和面积、以及狭窄长度的量化。
图3图示根据一个或多个实施例的针对生成冠状血管树的患者特定的解剖学模型的示例性结果。图3的图像300示出冠状动脉CTA数据。图像310示出从CTA数据中提取的中心线树312。图像320示出在中心线树312的每个点处提取的横截面轮廓322。图像330示出冠状动脉、主动脉根部以及主动脉近端部分的2D表面网格332。要理解的是患者的冠状动脉树的解剖学模型可以被输出和显示，例如在计算机系统的显示屏上。
返回到图2，在步骤204处，基于不确定性而确定针对解剖学表面模型的每个顶点的多个候选位置。几何表面模型中的不确定性或模糊性可能是由于，例如图像边界没有被清晰描绘出或者不存在，或者可能由于具有某个范围中的多个响应的图像边界。确定针对每个顶点的沿表面法线的可接受边界点的范围；在一个实施例中，利用从经注释的训练数据的集合中提取的图像特征而被训练的分类器，诸如例如概率提升树(PBT)分类器，被用于确定针对每个顶点的可接受的边界点的范围。每个顶点对应于经分割的表面的边界上的点。例如，点可以对应于沿表面法线的可接受边界点的范围内的像素或体素(voxel)。经训练的分类器检测针对在每个点处沿表面法线的点的概率。可接受边界点的范围基于由分类器确定的概率值来被定义(例如，如与阈值相比较)。可接受边界点的范围可以对应于对可接受边界点的范围中的每个点准确地标识图像边界的概率进行指示的概率分布。
在一个实施例中，对于具有低的不确定性的网格点，网格点可以被移动到与最高概率相关联的单个最优位置。例如，具有与沿着表面法线的位置相关联的唯一峰值概率值的网格点可以被认为具有低的不确定性。在另一个示例中，具有满足阈值的唯一概率值的网格点可以被视为具有低的不确定性。然而，如果网格点具有高的不确定性，则基于不确定性而确定对于网格点的多个候选位置。在一个示例中，将多个候选位置确定为与峰值概率值相关联的每个点。
在另一个实施例中，评估与针对解剖学表面模型的每个顶点的沿着表面法线的每个网格点相关联的概率。将与满足(例如超过)阈值的概率相关联的点确定为多个候选位置。
在步骤206处，基于多个候选位置而生成多个网格侯选。从实际立场来看，追求多个候选位置的所有置换将会导致过多的网格候选。因此将会有利的是将所得的网格候选的数量减少到可管理的数量。
在一个实施例中，实施连接规则以从多个候选位置生成多个网格候选。连接规则的一个示例包括用以连接与每个邻近的顶点(即，网格点)相关联的外层候选位置的规则。连接规则的其它示例包括用以连接与每个邻近的顶点相关联的候选位置的内层或中间层的规则，或者用以连接每个顶点的候选位置的平均位置的规则。也可以使用导致附加的网格候选的其它连接规则。
多个网格候选中的每一个通过使用主动形状模型而被投射到冠状动脉的经学习的形状子空间上。除了实施针对每个网格候选的之前的形状约束之外，将网格候选投射到形状子空间上具有使网格候选平滑并且移除各个表面法线上的异常值候选位置的效果。
在另外的实施例中，可以将置信度得分分配给每个网格候选。例如，置信度得分可以是由边界检测器确定的相应候选位置的平均概率得分。然后可以应用聚类分析以通过保留具有最高得分的不同分割来减少多个网格候选。
返回到图1，在步骤106处，对多个网格候选中的每一个计算针对狭窄的血液动力学指数。在一个实施例中，针对狭窄的血液动力学指数包括FFR。狭窄的FFR是针对充血的患者的跨狭窄的压降的表示。针对狭窄的FFR可以如等式(1)中那样来表示。
FFR＝Pd/Pa(充血)(1)
充血期间在狭窄上的压降可以通过使用计算性流体动力学(CFD)算法来被确定，所述计算性流体动力学算法通过在CFD算法中采用适当的边界条件并且使用CFD算法的结果来确定充血处的压降来模拟充血。例如，可以通过使用题为“MethodandSystemforNon-InvasiveFunctionalAssessmentofCoronaryArteryStenosis”的美国专利申请No.13/794,113以及题为“MethodandSystemforNon-InvasiveFunctionalAssessmentofCoronaryArteryStenosis”的美国专利申请No.14/070,810中所述的方法来执行这样的模拟，所述美国专利申请的公开内容在本文中通过引用以其全部被并入。在其它实施例中，通过基于机器学习的算法可以确定FFR，其中从医学成像数据中(或者从自医学成像数据所构造的几何模型中)提取的特征与经训练的分类器一起使用来计算FFR值。这样的基于机器学习的算法可以通过使用题为“MethodandSystemforMachineLearningBasedAssessmentofFractionalFlowReserve”的美国专利申请No.14/516,163中所述的方法来被执行，所述美国专利申请的公开内容在本文中通过引用以其全部被并入。
在另一实施例中，血液动力学指数包括iFR。iFR提供关于狭窄是否引起冠状动脉中血液流动的限制的指示。例如，iFR可以是通过使用题为“MethodandSystemforNon-InvasiveComputationofHemodynamicIndicesforCoronaryArteryStenosis”的美国专利申请No.14/689,083中所述的方法、基于血液流动和压力模拟而非侵入性计算的，所述美国专利申请的公开内容在本文中通过引用以其全部被并入。还可以使用其它血液动力学指数。
在步骤108处，做出以下确定：针对多个网格候选中每一个的狭窄的血液动力学指数的值之间的变化关于临床决策是否是显著的。例如，被限制到完全在阈值(例如，0.8)以上或者完全在所述阈值以下的FFR值之间的变化是不模糊的，并且关于狭窄治疗的临床决策并不显著。不存在用户相对于其它而选择候选解决方案之一的需要。
尽管本文中的实施例可以关于单个阈值来进行讨论，从而导致二元决策(例如，基于为0.8的阈值FFR值的治疗狭窄或者不治疗狭窄的决策)，但是应当理解的是在一些实施例中，可以采用任何数量的阈值，从而导致对应于多个类别的多个值范围。例如，在一个实施例中，由血液动力学指数产生的值的范围可以包括值的灰区，其中不存在清楚的临床决策支持。图4示出根据一个或多个实施例的FFR值的范围400。值范围400包括区402、404和406。区402被称为黑区，其具有在第一阈值0.7以下的FFR值。区406被称为白区，其具有在第二阈值0.9以上的FFR值。黑区402和白区406对应于关于是否治疗狭窄的临床决策具有非显著变化的FFR值。第一阈值和第二阈值之间的区404被称为灰区，其中关于是否治疗狭窄不存在清楚的决策。还可以使用对第一和第二阈值的其它阈值来限定各区。例如，可以从临床数据(例如，通过观察对照侵入性FFR结果的cFFR的性能)中推断或者可以由用户设定阈值。
如果确定了变化并不显著，则方法100继续进行到步骤110。如果确定了变化显著，则方法100继续进行到步骤112。
在步骤110处，如果变化关于临床决策来说并不显著，则针对多个网格候选的血液动力学指数计算的结果被输出，例如，通过使用显示设备。例如，FFR值的结果的输出可以包括显示针对多个网格候选的狭窄的FFR值的范围。在另一示例中，FFR值的结果的输出可以包括显示针对多个网格候选中每个的狭窄的FFR值的列表。在一些实施例中，为了额外的质量控制，用户可以选择通过使用例如输入/输出设备而交互式访问分割结果的可视化。在其它实施例中，默认提供分割结果(网格候选)的可视化。
在步骤112处，如果变化关于临床决策来说是显著的，则向用户告警：建议用户输入和交互。例如，可以建议用户进一步分析分割结果。
在步骤114处，显示针对解剖学模型的一个或多个网格候选。在用于显示网格候选以使能用户选择的有利实施例中，多平面重建的(multiplanarreformatted，MPR)平面从医学成像数据中被生成。MPR平面描绘血管横截面(基本上垂直于血管中心线)以及血管段(与血管中心线对齐)。在一个实施例中，MPR平面位置也可以在原始医学成像数据中或者在解剖学对象的模型或其它表示中被显示。在一些实施例中，可以基于解剖学对象中的相关特征(例如，冠状动脉树中的狭窄)位于何处和/或网格候选之间的相关差异发生在何处而生成MPR平面。通过测量沿着血管中心线的血管直径可以自动检测狭窄位置。在其它实施例中，用户可以选择MPR平面位置。
网格候选可以叠覆在MPR平面上作为细的和/或半透明的线，以使得用户能够比较每个网格候选如何拟合于原始医学成像数据。在一些实施例中，多个网格候选可以被同时显示在相同MPR平面上，其中不同的网格候选用不同的颜色、不同的型式(例如，实线、虚线等)、或者任何其它视觉差示符(differentiator)来表示。在其它实施例中，可以以并排配置来显示网格候选，其中每个显示的网格候选叠覆在相同MPR平面的分离实例上。还可以以3D来显示网格候选。
图5描绘根据一个或多个实施例的具有叠覆在其上的多个网格候选的MPR平面500。MPR平面500包括网格候选502(被表示为点划线)、504(被表示为实线)以及506(被表示为虚线)。还可以通过使用不同的颜色表示不同的候选来表示网格候选502、504和506。还设想其它视觉差示符。
在一个有利的实施例中，针对其而言狭窄的血液动力学指数在阈值以上的所有网格候选可以显示在MPR平面的集合上的显示的第一部分上，并且针对其而言狭窄的血液动力学指数在阈值以下的所有网格候选可以显示在MPR平面的相同集合的实例的显示的第二部分上。例如，阈值可以基于临床决策。在FFR的示例中，阈值可以是0.8。在一些实施例中，为了帮助用户做出快速评估，可以指示在该处分割偏离最多的位置，例如，利用指向这些位置的叠覆箭头或者其它视觉差示符。
在一些实施例中，显示每个网格候选的概率。每个概率指示从图像中提取的初始测量的准确性方面的置信度。例如，可以作为分割方法的部分而计算概率并且概率可以表述为相对数量来帮助比较不同的候选解决方案。
返回到图1，在步骤116处，接收用户输入。在一个实施例中，可以接收用户输入以选择最准确的网格候选。例如，可以为用户显示具有最高概率的网格候选，并且在考察(review)时，用户可以选择具有最高概率的那个网格候选用于解剖学模型。在另一示例中，为用户显示具有前N个概率的网格候选，并且在考察时，用户可以选择具有前N个概率的网格候选中的一个用于解剖学模型。在另外的示例中，如果网格候选的阈值数目或比例关于临床决策来说并不显著，那么为用户显示剩余的网格候选以作为可能的异常值而被考察。对此的示例是其中几乎所有网格候选导致在0.8的阈值FFR值以上(或者在其它示例中在其以下)的FFR值，并且少数剩余的网格候选导致在0.8的阈值FFR值以下(或者在其它示例中在其以上)的FFR值的情况下，可以为用户显示所述少数剩余的网格候选，并且在考察时，用户可以不予理会那些少数的剩余网格候选，作为异常值。
在另一实施例中，诸如其中用户不满意任何分割结果的情况，可以接收用户输入以通过使用患者的医学成像数据来编辑一个或多个分割结果，直到用户满意为止。可以响应于经由输入/输出设备(诸如，例如鼠标、触摸屏等)而接收的用户输入、使用已知方法来执行编辑分割结果。
在步骤118处，基于用户输入而输出结果，例如通过使用显示设备。结果可以包括血液动力学指数值(例如FFR值)、所选网格候选或者任何其它相关信息。
尽管本文所述的实施例一般地关于基于血液动力学指数(诸如例如FFR)的临床决策来进行讨论，但是应当理解的是本发明并不如此受限。FFR仅仅是本文所讨论的实施例的一个示例应用。本发明的实施例可以类似地适用于任何临床决策或者任何非临床决策。本发明的实施例可以适用于其中最终值从提取自初始数据的测量而被计算的情况，以及其中这些测量中的不准确性只有当其轻触(tip)超过临界阈值的最终值时才变得相关的情况。如果多个候选解决方案关于是否达到临界值全部达成一致，则用户不需要干预和做出修正或选择。
本发明的实施例的其它示例性应用包括主动脉瓣狭窄、用于损伤定等级的标准定量冠状动脉血管造影术(QCA)、以及移植物、支架、瓣膜的大小确定等等。还设想其它应用。对于主动脉瓣狭窄，使用主动脉瓣孔口面积，以用于基于某个预定义的截止值而将狭窄分类为轻度、中度或重度。只要保留分类，就没必要选择或者编辑网格分割候选。标准QCA可以用于进行损伤定等级(例如，小于50％，50-70％，70-90％或者大于90％)。只要所有的分割候选指向相同的损伤定等级类别，就没有对于进一步细化或者编辑分割的需要。分割经常用于评估解剖学结构的大小，以用于移植物、支架、瓣膜等的大小确定。器件典型地以标准固定的大小出现。只要所有的分割候选指向一个标准器件大小，就没有对于进一步细化分割的需要。
例如，图6示出根据一个或多个实施例的用于改进临床决策工作流的方法600。方法600可以应用于任何临床决策。在步骤602处，根据医学成像数据而分割用于目标解剖学对象的解剖学模型的多个网格候选。在步骤604处，针对多个网格候选中的每一个计算定量度量，其支持临床决策。定量度量可以包括任何定量度量，诸如例如，狭窄的直径、狭窄的长度等。在一些实施例中，不从分割中确定定量度量。在步骤606处，确定在定量度量之间的变化关于临床决策是否是显著的。特别地，针对多个网格候选中的每个所计算的定量度量与阈值进行比较。在其中例如针对多个网格侯选中每一个的定量度量全部在阈值以上或者全部在阈值以下的情况中，确定定量度量之间的变化关于临床决策并不显著。在其中例如针对多个网格侯选中每一个的定量度量跨越阈值以使得定量度量中的一些在阈值以上并且定量度量中的一些在阈值以下的情况中，确定定量度量之间的变化关于临床决策是显著的。在步骤608处，仅在定量度量之间的变化被确定为显著的情况下接收用户输入来用于确定临床决策。
本文所述的系统、装置和方法可以使用数字电路，或者使用一个或多个使用众所周知的计算机处理器、存储器单元、存储设备、计算机软件以及其它组件的计算机来实现。典型地，计算机包括用于执行指令的处理器和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一个或多个大容量存储设备，诸如一个或多个磁盘、内部硬盘和可移除盘、磁光盘、光盘等。
本文所述的系统、装置和方法可以使用以客户端-服务器的关系而进行操作的计算机来实现。典型地，在这样的系统中，客户端计算机远离服务器计算机而定位，并且经由网络交互。客户端-服务器关系可以由运行在相应的客户端和服务器计算机上的计算机程序来定义和控制。
本文所述的系统、装置和方法可以在基于网络的云计算系统内实现。在这样的基于网络的云计算系统中，连接到网络的服务器或者另一处理器经由网络而与一个或者多个客户端计算机通信。客户端计算机可以经由例如驻留和操作于客户端计算机上的网络浏览器应用来与服务器通信。客户端计算机可以在服务器上存储数据并且经由网络访问数据。客户端计算机可以经由网络向服务器传输针对数据的请求，或者针对在线服务的请求。服务器可以执行所请求的服务，并且向(多个)客户端计算机提供数据。服务器还可以传输这样的数据：所述数据被适配成使得客户端计算机执行指定的功能，例如执行计算、在屏幕上显示所指定的数据等。例如，服务器可以传输请求，所述请求被适配成使客户端计算机执行本文所述的方法步骤中的一个或多个，包括图1-2和6的步骤中的一个或多个。本文所述的方法的某些步骤，包括图1-2和6的步骤中的一个或多个，可以由服务器或者由基于网络的云计算系统中的另一处理器来执行。本文所述的方法的某些步骤，包括图1-2和6的步骤中的一个或多个，可以由基于网络的云计算系统中的客户端计算机来执行。本文所述的方法的步骤，包括图1-2和6的步骤中的一个或多个，可以由基于网络的云计算系统中的服务器和/或客户端计算机以任何组合来执行。
本文所述的系统、装置和方法可以使用计算机程序产品来实现，所述计算机程序产品有形地体现在信息载体中，例如，体现在非暂时性机器可读存储设备中，以供由可编程处理器执行；以及本文所述的方法步骤，包括图1-2和6的步骤中的一个或多个，可以使用由这样的处理器可执行的一个或多个计算机程序来实现。计算机程序是计算机程序指令集，所述计算机程序指令可以直接或者间接被使用于计算机中来执行某个活动或者带来某个结果。可以以任何形式的编程语言来编写计算机程序，包括编译或解译的语言，并且计算机程序可以以任何形式而被部署，包括作为独立程序，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它单元。
图7中描绘可以用于实现本文所述的系统、装置和方法的示例计算机的高级框图700。计算机702包括处理器704，所述处理器操作地耦合到数据存储设备712以及存储器710。处理器704通过执行定义这样的操作的计算机程序指令而对计算机702的整体操作进行控制。计算机程序指令可以存储在数据存储设备712或者其它计算机可读介质中，并且当期望执行计算机程序指令时计算机程序指令被加载到存储器710中。因此，图1-2和6的方法步骤可以由被存储在存储器710和/或数据存储设备712中的计算机程序指令来定义，并且受执行计算机程序指令的处理器704控制。例如，计算机程序指令可以实现为计算机可执行代码，所述计算机可执行代码由本领域技术人员进行编程以执行图1-2和6的方法步骤。因此，通过执行计算机程序指令，处理器704执行图1-2和6的方法步骤。图像获取设备714，诸如CT扫描设备、C型臂图像获取设备、MR扫描设备、超声设备等可以连接到计算机702，以将图像数据输入到计算机702。可能的是将图像获取设备714和计算机702实现为一个设备。还可能的是图像获取设备712和计算机702通过网络而无线通信。计算机704还可以包括一个或多个网络接口706，用于经由网络与其它设备通信。计算机702还可以包括一个或多个输入/输出设备708，所述输入/输出设备使得能够实现与计算机702的用户交互(例如，显示器，键盘，鼠标，扬声器，按钮等)。
处理器704可以包括通用和专用微处理器二者，并且可以是单一处理器或者计算机702的多个处理器中的一个。例如，处理器704可以包括一个或多个中央处理单元(CPU)。处理器704、数据存储设备712和/或存储器710可以包括以下各项、由以下各项补充或者被并入在以下各项中：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712和存储器710各自包括有形、非暂时性计算机可读存储介质。数据存储设备712和存储器710可以各自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(DDRRAM)，或者其它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(诸如内部硬盘和可移除盘、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)、光盘只读存储器(CD-ROM)、数字通用盘只读存储器(DVD-ROM)盘)、或者其它非易失性固态存储设备。
输入/输出设备708可以包括外围设备，诸如打印机、扫描仪、显示屏等。例如，输入/输出设备780可以包括用于向用户显示信息的显示设备，诸如阴极射线管(CRT)或液晶显示器(LCD)监视器，通过其用户可以向计算机702提供输入的键盘和定点设备，诸如鼠标或跟踪球。
本文讨论的任何或全部系统和装置可以使用一个或多个计算机(诸如计算机702)来实现。
本领域技术人员将认识到实际计算机或计算机系统的实现可以具有其它结构并且也可以包含其它组件，并且图7是这样的计算机的某些组件的高级表示以用于说明性的目的。
前面的具体实施方式要理解为在每个方面都是说明性和示例性的，但不是限制性的，并且本文所公开的本发明的范围不是从具体实施方式确定的，而是相反从如根据专利法所准许的完整宽度所解释的权利要求来确定的。要理解的是，本文所示出和描述的实施例仅仅说明本发明的原理，并且可以由本领域技术人员在不偏离本发明的范围和精神的情况下实现各种修改。本领域技术人员可以在不偏离本发明的范围和精神的情况下实现各种其它的特征组合。

Claims (30)

1.一种用于动脉狭窄的非侵入性评估的方法，包括：
根据医学成像数据而分割用于患者的包括狭窄区的动脉的解剖学模型的多个网格候选；
在多个网格候选的每一个中计算针对狭窄区的血液动力学指数；并且
确定多个网格候选的每一个中针对狭窄区的血液动力学指数的值之间的变化相对于与关于狭窄区的临床决策相关联的阈值是否是显著的。
2.如权利要求1中所述的方法，其中根据医学成像数据而分割用于患者的包括狭窄区的动脉的解剖学模型的多个网格候选包括：
根据医学成像数据而分割动脉以生成解剖学模型；
确定针对解剖学模型的每个顶点的一个或多个候选位置；以及
基于一个或多个候选位置而生成多个网格侯选。
3.如权利要求2中所述的方法，其中确定针对解剖学模型的每个顶点的一个或多个候选位置包括：
确定相应体素是针对每个顶点处沿着表面法线在预定距离内的每个体素的边界点的概率。
4.如权利要求3中所述的方法，其中确定针对解剖学模型的每个顶点的一个或多个候选位置还包括：
将与阈值以上的概率相关联的体素确定为针对每个顶点的多个候选位置。
5.如权利要求3中所述的方法，其中基于一个或多个候选位置而生成多个网格侯选包括：
通过将与相应网格候选中的每个顶点相关联的概率取平均值而将置信度得分分配给多个网格候选中的每一个；以及
基于置信度得分来应用聚类分析以减少多个网格侯选的数量。
6.如权利要求2中所述的方法，其中基于一个或多个候选位置而生成多个网格侯选包括：
通过实施多个连接规则以用于连接解剖学模型的邻近顶点的多个候选位置来生成多个网格侯选，其中多个连接规则中的每一个导致对应的网格候选。
7.如权利要求6中所述的方法，其中基于一个或多个候选位置而生成多个网格侯选还包括：
通过使用主动形状模型而将多个网格候选中的每一个投射到动脉的经学习的形状空间上。
8.如权利要求1中所述的方法，其中确定多个网格候选的每一个中针对狭窄区的血液动力学指数的值之间的变化相对于与关于狭窄区的临床决策相关联的阈值是否显著包括：
确定多个网格候选的每一个中针对狭窄区的血液动力学指数的值之间的变化是否完全处于针对临床决策的阈值以下或者完全处于针对临床决策的阈值以上。
9.如权利要求1中所述的方法，还包括：
响应于确定了值之间的变化不显著，显示血液动力学指数的结果，而不接收用户输入。
10.如权利要求1中所述的方法，还包括：
响应于确定了值之间的变化显著：
显示多个网格侯选中的至少一个；并且
接收用户输入以选择和/或编辑多个网格侯选中的所述至少一个。
11.如权利要求10中所述的方法，其中显示多个网格侯选中的至少一个包括：
显示叠覆在动脉的相同多平面重建的平面上的多个网格候选中的每一个。
12.如权利要求10中所述的方法，其中显示多个网格侯选中的至少一个包括：
以并排的配置来显示叠覆在动脉的相同多平面重建的平面的实例上的多个网格候选中的每一个。
13.如权利要求10中所述的方法，其中显示多个网格侯选中的至少一个包括：
在显示的第一部分上显示具有在阈值以上的针对狭窄区的血液动力学指数的值的多个网格侯选中的网格候选；以及
在显示的第二部分上显示具有在阈值以下的针对狭窄区的血液动力学指数的值的多个网格侯选中的网格候选。
14.如权利要求1中所述的方法，其中在多个网格候选的每一个中计算针对狭窄区的血液动力学指数包括：
在用于患者动脉的多个网格候选的每一个中模拟血液流动和压力；以及
基于血液流动和压力模拟而在多个网格候选的每一个中计算针对狭窄区的血流储备分数值。
15.一种用于动脉狭窄的非侵入性评估的装置，包括：
用于根据医学成像数据而分割用于患者的包括狭窄区的动脉的解剖学模型的多个网格候选的构件；
用于在多个网格候选的每一个中计算针对狭窄区的血液动力学指数的构件；以及
用于确定多个网格候选的每一个中针对狭窄区的血液动力学指数的值之间的变化相对于与关于狭窄区的临床决策相关联的阈值是否显著的构件。
16.如权利要求15中所述的装置，其中用于根据医学成像数据而分割用于患者的包括狭窄区的动脉的解剖学模型的多个网格候选的构件包括：
用于根据医学成像数据而分割动脉以生成解剖学模型的构件；
用于确定针对解剖学模型的每个顶点的一个或多个候选位置的构件；以及
用于基于一个或多个候选位置而生成多个网格侯选的构件。
17.如权利要求16中所述的装置，其中用于确定针对解剖学模型的每个顶点的一个或多个候选位置的构件包括：
用于确定相应体素是针对每个顶点处沿着表面法线在预定距离内的每个体素的边界点的概率的构件。
18.如权利要求17中所述的装置，其中用于确定针对解剖学模型的每个顶点的一个或多个候选位置的构件还包括：
用于将与阈值以上的概率相关联的体素确定为针对每个顶点的多个候选位置的构件。
19.如权利要求17中所述的装置，其中用于基于一个或多个候选位置而生成多个网格侯选的构件包括：
用于通过将与相应网格候选中的每个顶点相关联的概率取平均值而将置信度得分分配给多个网格候选中的每一个的构件；以及
用于基于置信度得分来应用聚类分析以减少多个网格侯选的数量的构件。
20.如权利要求16中所述的装置，其中用于基于一个或多个候选位置而生成多个网格侯选的构件包括：
用于通过实施多个连接规则以用于连接解剖学模型的邻近顶点的多个候选位置而生成多个网格侯选的构件，其中多个连接规则中的每一个导致对应的网格候选。
21.如权利要求20中所述的装置，其中用于基于一个或多个候选位置而生成多个网格侯选的构件还包括：
用于通过使用主动形状模型而将多个网格候选中的每一个投射到动脉的经学习的形状空间上的构件。
22.如权利要求15中所述的装置，其中用于确定多个网格候选的每一个中针对狭窄区的血液动力学指数的值之间的变化相对于与关于狭窄区的临床决策相关联的阈值是否显著的构件包括：
用于确定多个网格候选的每一个中针对狭窄区的血液动力学指数的值之间的变化是否完全处于针对临床决策的阈值以下或完全处于针对临床决策的阈值以上的构件。
23.如权利要求15中所述的装置，还包括：
响应于确定了值之间的变化不显著，用于显示血液动力学指数的结果而不接收用户输入的构件。
24.如权利要求15中所述的装置，还包括：
响应于确定了值之间的变化显著：
用于显示多个网格侯选中的至少一个的构件；以及
用于接收用户输入以选择和/或编辑多个网格侯选中的所述至少一个的构件。
25.一种非暂时性计算机可读介质，其存储用于动脉狭窄的非侵入性评估的计算机程序指令，所述计算机程序指令当被处理器执行时使得处理器执行包括以下各项的操作：
根据医学成像数据而分割用于患者的包括狭窄区的动脉的解剖学模型的多个网格候选；
在多个网格候选的每一个中计算针对狭窄区的血液动力学指数；并且
确定多个网格候选的每一个中针对狭窄区的血液动力学指数的值之间的变化相对于与关于狭窄区的临床决策相关联的阈值是否显著。
26.如权利要求25中所述的非暂时性计算机可读介质，其中根据医学成像数据而分割用于患者的包括狭窄区的动脉的解剖学模型的多个网格候选包括：
根据医学成像数据而分割动脉以生成解剖学模型；
确定针对解剖学模型的每个顶点的一个或多个候选位置；并且
基于一个或多个候选位置而生成多个网格侯选。
27.如权利要求25中所述的非暂时性计算机可读介质，所述操作还包括：
响应于确定了值之间的变化不显著，显示血液动力学指数的结果而不接收用户输入。
28.如权利要求25中所述的非暂时性计算机可读介质，所述操作还包括：
响应于确定了值之间的变化显著：
显示多个网格侯选中的至少一个；并且
接收用户输入以选择和/或编辑多个网格侯选中的所述至少一个。
29.如权利要求28中所述的非暂时性计算机可读介质，其中显示多个网格侯选中的至少一个包括：
显示叠覆在动脉的相同的多平面重建的平面上的多个网格候选中的每一个。
30.一种用于支持关于感兴趣的解剖学对象的临床决策的方法，包括：
根据医学成像数据而分割用于患者的感兴趣的解剖学对象的解剖学模型的多个网格候选；
计算针对多个网格候选中每一个的定量度量；并且
确定针对多个网格候选中每一个的定量度量的值之间的变化关于相对于与关于感兴趣的解剖学对象的临床决策相关联的阈值是否显著。
CN201510589311.0A 2014-06-16 2015-06-16 用于冠状动脉中改进的血液动力学计算的方法及系统 Active CN105184086B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201462012599P 2014-06-16 2014-06-16
US62/012599 2014-06-16
US14/706,142 US9747525B2 (en) 2014-06-16 2015-05-07 Method and system for improved hemodynamic computation in coronary arteries
US14/706142 2015-05-07

Publications (2)

Publication Number Publication Date
CN105184086A true CN105184086A (zh) 2015-12-23
CN105184086B CN105184086B (zh) 2018-10-23

Family

ID=53793926

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510589311.0A Active CN105184086B (zh) 2014-06-16 2015-06-16 用于冠状动脉中改进的血液动力学计算的方法及系统

Country Status (3)

Country Link
US (2) US9747525B2 (zh)
EP (1) EP2966615B1 (zh)
CN (1) CN105184086B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107115111A (zh) * 2017-01-23 2017-09-01 上海联影医疗科技有限公司 血流状态分析系统及方法
CN109524119A (zh) * 2018-11-09 2019-03-26 深圳市孙逸仙心血管医院（深圳市心血管病研究所） 基于gan血流储备分数预测方法、装置、设备及介质
CN109727307A (zh) * 2018-12-29 2019-05-07 上海联影医疗科技有限公司 一种表面网格切割方法、装置及计算机可读存储介质
CN110494893A (zh) * 2017-03-31 2019-11-22 皇家飞利浦有限公司 基于ffr的对非侵入性成像的交互监测
CN110742688A (zh) * 2019-10-30 2020-02-04 北京理工大学 血管模型建立方法、装置及可读取存储介质
CN110998744A (zh) * 2017-08-01 2020-04-10 西门子医疗有限公司 针对弥漫性和串联性病变中冠状动脉疾病的非侵入性评估和治疗指导
CN111093504A (zh) * 2017-09-08 2020-05-01 皇家飞利浦有限公司 对测量的和模拟的冠状动脉内拉回曲线的配准和比较
CN112740334A (zh) * 2018-09-25 2021-04-30 西门子医疗有限公司 医学成像中的血管内植入物决定支持

Families Citing this family (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3080777B1 (en) * 2013-12-10 2017-08-02 Koninklijke Philips N.V. Model-based segmentation of an anatomical structure
US9754082B2 (en) 2014-05-30 2017-09-05 Heartflow, Inc. Systems and methods for reporting blood flow characteristics
US9747525B2 (en) * 2014-06-16 2017-08-29 Siemens Healthcare Gmbh Method and system for improved hemodynamic computation in coronary arteries
EP3244790B1 (en) * 2015-01-15 2020-09-02 Koninklijke Philips N.V. Instantaneous wave-free ratio (ifr) computer tomography (ct)
WO2016207862A1 (en) 2015-06-25 2016-12-29 Timothy Burton Methods and systems using mathematical analysis and machine learning to diagnose disease
US11087459B2 (en) 2015-08-14 2021-08-10 Elucid Bioimaging Inc. Quantitative imaging for fractional flow reserve (FFR)
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
US10176408B2 (en) 2015-08-14 2019-01-08 Elucid Bioimaging Inc. Systems and methods for analyzing pathologies utilizing quantitative imaging
US11094058B2 (en) 2015-08-14 2021-08-17 Elucid Bioimaging Inc. Systems and method for computer-aided phenotyping (CAP) using radiologic images
US11071501B2 (en) 2015-08-14 2021-07-27 Elucid Bioiwaging Inc. Quantitative imaging for determining time to adverse event (TTE)
US12026868B2 (en) 2015-08-14 2024-07-02 Elucid Bioimaging Inc. Quantitative imaging for detecting histopathologically defined plaque erosion non-invasively
US12008751B2 (en) 2015-08-14 2024-06-11 Elucid Bioimaging Inc. Quantitative imaging for detecting histopathologically defined plaque fissure non-invasively
JP6718975B2 (ja) * 2016-03-16 2020-07-08 ハートフロー， インコーポレイテッド 冠動脈において健全な管腔径を推定し狭窄を定量化するためのシステム及び方法
US9905044B1 (en) * 2016-08-25 2018-02-27 General Electric Company Systems and methods for functional imaging
WO2018119358A1 (en) * 2016-12-23 2018-06-28 Heartflow, Inc. Systems and methods for probabilistic segmentation in anatomical image processing
WO2018172990A1 (en) 2017-03-24 2018-09-27 Pie Medical Imaging B.V. Method and system for assessing vessel obstruction based on machine learning
US12089977B2 (en) 2017-03-24 2024-09-17 Pie Medical Imaging B.V. Method and system for assessing vessel obstruction based on machine learning
US10522253B2 (en) * 2017-10-30 2019-12-31 Siemens Healthcare Gmbh Machine-learnt prediction of uncertainty or sensitivity for hemodynamic quantification in medical imaging
US10628659B2 (en) * 2017-11-27 2020-04-21 International Business Machines Corporation Intelligent tumor tracking system
US11918333B2 (en) 2017-12-29 2024-03-05 Analytics For Life Inc. Method and system to assess disease using phase space tomography and machine learning
US11133109B2 (en) 2017-12-29 2021-09-28 Analytics For Life Inc. Method and system to assess disease using phase space volumetric objects
US10699407B2 (en) 2018-04-11 2020-06-30 Pie Medical Imaging B.V. Method and system for assessing vessel obstruction based on machine learning
US11389130B2 (en) 2018-05-02 2022-07-19 Siemens Healthcare Gmbh System and methods for fast computation of computed tomography based fractional flow reserve
US11694800B2 (en) * 2018-05-09 2023-07-04 International Business Machines Corporation Medical diagnosis system with continuous learning and reasoning
WO2019234587A1 (en) * 2018-06-04 2019-12-12 Analytics For Life Method and system to assess pulmonary hypertension using phase space tomography and machine learning
US11596384B2 (en) * 2018-10-26 2023-03-07 Philips Image Guided Therapy Corporation Intraluminal ultrasound vessel border selection and associated devices, systems, and methods
US10861157B2 (en) 2019-04-04 2020-12-08 Medtronic Vascular, Inc. System and methods for determining modified fractional flow reserve values
US11508063B2 (en) 2019-08-05 2022-11-22 Elucid Bioimaging Inc. Non-invasive measurement of fibrous cap thickness
CN111445449B (zh) * 2020-03-19 2024-03-01 上海联影智能医疗科技有限公司 感兴趣区域的分类方法、装置、计算机设备和存储介质
US11309072B2 (en) 2020-04-21 2022-04-19 GE Precision Healthcare LLC Systems and methods for functional imaging
CN111658126A (zh) * 2020-05-29 2020-09-15 杭州电子科技大学 一种组织识别的自动切换功率手术系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101523437A (zh) * 2006-10-03 2009-09-02 皇家飞利浦电子股份有限公司 基于模型的冠状动脉中心线定位
CN102411795A (zh) * 2011-08-16 2012-04-11 中国人民解放军第三军医大学第一附属医院 一种关于冠状动脉的多模图像的联合显示方法

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5409010A (en) * 1992-05-19 1995-04-25 Board Of Regents Of The University Of Washington Vector doppler medical devices for blood velocity studies
US6385332B1 (en) * 1999-02-19 2002-05-07 The John P. Roberts Research Institute Automated segmentation method for 3-dimensional ultrasound
US7860290B2 (en) 2006-04-21 2010-12-28 Siemens Medical Solutions Usa, Inc. Three-dimensional (3D) modeling of coronary arteries
US7953266B2 (en) 2007-02-06 2011-05-31 Siemens Medical Solutions Usa, Inc. Robust vessel tree modeling
US8060186B2 (en) * 2007-02-15 2011-11-15 Siemens Aktiengesellschaft System and method for intraoperative guidance of stent placement during endovascular interventions
US20090012382A1 (en) * 2007-07-02 2009-01-08 General Electric Company Method and system for detection of obstructions in vasculature
US8150108B2 (en) * 2008-03-17 2012-04-03 Ensign Holdings, Llc Systems and methods of identification based on biometric parameters
US8582854B2 (en) 2008-09-15 2013-11-12 Siemens Aktiengesellschaft Method and system for automatic coronary artery detection
US8463729B2 (en) * 2009-12-01 2013-06-11 International Business Machines Corporation LP relaxation modification and cut selection in a MIP solver
US8526699B2 (en) 2010-03-12 2013-09-03 Siemens Aktiengesellschaft Method and system for automatic detection and classification of coronary stenoses in cardiac CT volumes
US8315812B2 (en) 2010-08-12 2012-11-20 Heartflow, Inc. Method and system for patient-specific modeling of blood flow
US10648918B2 (en) 2011-08-03 2020-05-12 Lightlab Imaging, Inc. Systems, methods and apparatus for determining a fractional flow reserve (FFR) based on the minimum lumen area (MLA) and the constant
US10034614B2 (en) 2012-02-29 2018-07-31 General Electric Company Fractional flow reserve estimation
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
US20140066765A1 (en) 2012-08-31 2014-03-06 General Electric Company Methods and systems for intravascular imaging and flow measurement
US9675301B2 (en) 2012-10-19 2017-06-13 Heartflow, Inc. Systems and methods for numerically evaluating vasculature
US9858387B2 (en) 2013-01-15 2018-01-02 CathWorks, LTD. Vascular flow assessment
JP6091870B2 (ja) * 2012-12-07 2017-03-08 東芝メディカルシステムズ株式会社 血管解析装置、医用画像診断装置、血管解析方法、及び血管解析プログラム
BR112015013248A2 (pt) * 2012-12-11 2017-07-11 Koninklijke Philips Nv método de determinação do fluxo sanguíneo através das artérias coronárias, processador (36) para determinar o fluxo sanguíneo através das artérias coronárias, dispositivo de imageamento e programa de computador
WO2014099501A1 (en) 2012-12-20 2014-06-26 Volcano Corporation Resource management in a multi-modality medical system
US9351698B2 (en) * 2013-03-12 2016-05-31 Lightlab Imaging, Inc. Vascular data processing and image registration systems, methods, and apparatuses
US9700219B2 (en) 2013-10-17 2017-07-11 Siemens Healthcare Gmbh Method and system for machine learning based assessment of fractional flow reserve
US9595089B2 (en) 2014-05-09 2017-03-14 Siemens Healthcare Gmbh Method and system for non-invasive computation of hemodynamic indices for coronary artery stenosis
US9747525B2 (en) * 2014-06-16 2017-08-29 Siemens Healthcare Gmbh Method and system for improved hemodynamic computation in coronary arteries
US10278662B2 (en) * 2016-02-05 2019-05-07 Toshiba Medical Systems Corporation Image processing apparatus and medical image diagnostic apparatus

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101523437A (zh) * 2006-10-03 2009-09-02 皇家飞利浦电子股份有限公司 基于模型的冠状动脉中心线定位
CN102411795A (zh) * 2011-08-16 2012-04-11 中国人民解放军第三军医大学第一附属医院 一种关于冠状动脉的多模图像的联合显示方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JAROSLAW WASILEWSKI等: "Invasive and non-invasive fractional flow reserve index in validation of hemodynamic severity of intracoronary lesions", 《NEW METHODS IN DIAGNOSIS AND THERAPY》 *
LUGAUER FELIX等: "Improving Accuracy in Coronary Lumen Segmentation via Explicit Calcium Exclusion, Learning-based Ray Detection and Surface Optimization", 《PROGRESS IN BIOMEDICAL OPTICS AND IMAGE,SPIE-INTERNATIONAL SOCIETY FOR OPTICAL ENGINEERING》 *
YEFENG ZHENG等: "Four-Chamber Heart Modeling and Automatic Segmentation for 3-D Cardiac CT Volumes Using Marginal Space Learning and Steerable Features", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107115111B (zh) * 2017-01-23 2020-11-27 上海联影医疗科技股份有限公司 血流状态分析系统及方法
WO2018133118A1 (zh) * 2017-01-23 2018-07-26 上海联影医疗科技有限公司 血流状态分析系统及方法
CN107115111A (zh) * 2017-01-23 2017-09-01 上海联影医疗科技有限公司 血流状态分析系统及方法
CN110494893B (zh) * 2017-03-31 2024-01-23 皇家飞利浦有限公司 基于ffr的对非侵入性成像的交互监测
CN110494893A (zh) * 2017-03-31 2019-11-22 皇家飞利浦有限公司 基于ffr的对非侵入性成像的交互监测
CN110998744B (zh) * 2017-08-01 2024-04-05 西门子医疗有限公司 针对弥漫性和串联性病变中冠状动脉疾病的非侵入性评估和治疗指导
CN110998744A (zh) * 2017-08-01 2020-04-10 西门子医疗有限公司 针对弥漫性和串联性病变中冠状动脉疾病的非侵入性评估和治疗指导
CN111093504A (zh) * 2017-09-08 2020-05-01 皇家飞利浦有限公司 对测量的和模拟的冠状动脉内拉回曲线的配准和比较
CN112740334A (zh) * 2018-09-25 2021-04-30 西门子医疗有限公司 医学成像中的血管内植入物决定支持
CN109524119B (zh) * 2018-11-09 2023-07-04 深圳市孙逸仙心血管医院（深圳市心血管病研究所） 基于gan血流储备分数预测方法、装置、设备及介质
CN109524119A (zh) * 2018-11-09 2019-03-26 深圳市孙逸仙心血管医院（深圳市心血管病研究所） 基于gan血流储备分数预测方法、装置、设备及介质
CN109727307B (zh) * 2018-12-29 2023-08-22 上海联影医疗科技股份有限公司 一种表面网格切割方法、装置及计算机可读存储介质
CN109727307A (zh) * 2018-12-29 2019-05-07 上海联影医疗科技有限公司 一种表面网格切割方法、装置及计算机可读存储介质
CN110742688A (zh) * 2019-10-30 2020-02-04 北京理工大学 血管模型建立方法、装置及可读取存储介质
CN110742688B (zh) * 2019-10-30 2021-05-25 北京理工大学 血管模型建立方法、装置及可读取存储介质

Also Published As

Publication number Publication date
US20170323177A1 (en) 2017-11-09
EP2966615B1 (en) 2018-08-15
EP2966615A2 (en) 2016-01-13
US20150359601A1 (en) 2015-12-17
CN105184086B (zh) 2018-10-23
US10460204B2 (en) 2019-10-29
EP2966615A3 (en) 2016-08-10
US9747525B2 (en) 2017-08-29

Similar Documents

Publication Publication Date Title
CN105184086A (zh) 用于冠状动脉中改进的血液动力学计算的方法及系统
US11707196B2 (en) Automated measurement system and method for coronary artery disease scoring
US11816837B2 (en) Vascular characteristic determination with correspondence modeling of a vascular tree
JP6553675B2 (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
CN109829878B (zh) 用于评估血液动力学参数的方法和系统
US10803995B2 (en) Method and system for non-invasive functional assessment of coronary artery stenosis using flow computations in diseased and hypothetical normal anatomical models
US10758125B2 (en) Enhanced personalized evaluation of coronary artery disease using an integration of multiple medical imaging techniques
KR20150122183A (ko) 환자-특정 기하학적 모델들을 변경함으로써 치료들을 결정하기 위한 방법 및 시스템
CN114126491B (zh) 血管造影图像中的冠状动脉钙化的评估
CN113947205A (zh) 神经网络模型训练方法、计算机可读存储介质和设备
JP7426824B2 (ja) 非侵襲的イメージングベースのｆｆｒのインタラクションモニタリング
JP2022047359A (ja) 医用画像処理装置、医用画像処理システム、及び、医用画像処理方法

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
TR01 Transfer of patent right

Effective date of registration: 20220124

Address after: Erlangen

Patentee after: Siemens Healthineers AG

Address before: Munich, Germany

Patentee before: SIEMENS AG

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240830

Address after: German Phu F Haim

Patentee after: Siemens Medical AG

Country or region after: Germany

Address before: Erlangen

Patentee before: Siemens Healthineers AG

Country or region before: Germany

TR01 Transfer of patent right