CN105264533B - 用于心脏机电学的交互计算的方法和系统 - Google Patents
用于心脏机电学的交互计算的方法和系统 Download PDFInfo
- Publication number
- CN105264533B CN105264533B CN201480005225.4A CN201480005225A CN105264533B CN 105264533 B CN105264533 B CN 105264533B CN 201480005225 A CN201480005225 A CN 201480005225A CN 105264533 B CN105264533 B CN 105264533B
- Authority
- CN
- China
- Prior art keywords
- model
- patient
- calculated
- power
- heart
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- 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
- G06T2207/10—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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
Abstract
公开了一种用于模拟患者的心脏功能的方法和系统。从患者的医学图像数据,生成患者心脏的至少一部分的患者特定的解剖模型。通过使用患者特定的心脏电生理学模型,针对多个时间步中的每个时间步而在由患者特定的解剖模型限定的计算域上计算心脏电生理学电势。对于每个时间步,作用于计算域的多个节点上的电生理学电势被并行地计算。通过使用耦合到心脏电生理学模型的心脏生物力学模型,针对多个时间步中的每个时间步的计算域上的生物力学的力。对于每个时间步,作用于网格域的多个节点上的生物力学的力被并行地估计。基于所计算的生物力学的力,在多个时间步中的每个时间步处计算血流和心脏移动。显示所计算的电生理学电势、生物力学的力和心脏参数,交互地接收用户输入,以改变患者特定的模型的参数中的至少一个,并且重新计算电生理学电势、生物力学的力以及血流和心脏移动。
Description
本申请要求于2013年1月18日提交的美国临时申请No.61/754,174的权益,所述美国临时申请的公开内容通过引用被并入本文中。
背景技术
本发明涉及使用医学图像数据对心脏功能建模,并且更特别地涉及用于从临床数据和医学图像数据对心脏解剖、电生理学、生物力学和血液动力学建模的集成框架,其足够快速以致是交互性的并且被嵌入在临床设置中。
心力衰竭是具有高度社会、经济和健康护理影响的慢性病,在西方国家有估计的2%的成年人具有所述状况。在心力衰竭的可能表现中,所有情况中的几乎三分之一呈现扩张性心肌病(DCM),其由心脏的渐进的扩大和衰弱而表征。DCM的治疗是具有挑战性的,这是由于病原学(病毒性的、遗传性的、缺血性的)的大的变异性和缺乏疾病预后的预测器。存在对于帮助临床医生预测病程并且规划治疗疗法的计算工具的需要。
发明内容
本公开提供了一种用于心脏功能的患者特定的建模的方法和系统。本发明的实施例提供了用于从临床信息和医学成像数据而对心脏解剖、电生理学、生物力学和血液动力学建模的集成框架,其足够快速以致是交互性的并且被嵌入在临床设置中。本发明的实施例利用大规模并行架构,诸如图形处理单元(GPU),以实现与近实时的心脏电生理学模型、心脏血液动力学的高效集总的模型、和用于从医学图像数据进行心脏解剖估计的数据驱动的技术耦合的心肌组织的正交各向异性(orthotropic)模型。
在本发明的一个实施例中,从患者的医学图像数据,生成患者心脏的至少一部分的患者特定的解剖模型。通过使用患者特定的心脏电生理学模型,为多个时间步(timestep)中的每个时间步,在由患者特定的解剖模型所限定的计算域上计算患者的心脏电生理学电势,其中对于多个时间步中的每个时间步,作用于计算域的多个节点上的电生理学电势被并行地计算。通过使用耦合到心脏电生理学模型的心脏生物力学模型,为多个时间步中的每个时间步,在计算域上计算生物力学的力,其中对于多个时间步中的每个时间步,作用于网格域的多个节点上的生物力学的力被并行地估计。基于所估计的生物力学的力,在多个时间步的每个时间步处计算血流和心脏移动。显示所计算的电生理学电势、生物力学的力和心脏参数。交互地接收用户输入,以改变以下中的至少一个的参数的至少之一:患者特定的解剖模型、心脏电生理学模型和心脏生物力学模型。重新计算电生理学电势、生物力学的力以及血流和心脏移动。
通过参考以下的具体实施方式和附图,本发明的这些和其它优点将对本领域普通技术人员显而易见。
附图说明
图1图示了根据本发明的实施例的用于患者特定的心脏功能建模的框架的概述;
图2图示了根据本发明的实施例的用于患者特定的心脏功能建模的方法;
图3图示了根据本发明的实施例的用于生成左和右心室的患者特定的解剖模型的方法;
图4图示了图3的步骤的示例性结果;
图5图示了使用基于规则的方法的纤维和纤维片(sheet)的估计;
图6图示了根据本发明的实施例的一般化的并行实现方式;
图7图示了根据本发明的实施例的使用mapElement(映射元素)查找表而确定对于节点的元素贡献的示例;
图8图示了关于从相同患者生成的具有各种大小的网格的解剖模型生成以及血流和心脏移动模拟的基准结果;
图9图示了拟合于MRI图像的个性化模型和它如何被显示,以及从模型计算的容积和压力-容积曲线;
图10图示了根据本发明的实施例的用于针对多个时间步而计算心脏生物力学的总拉格朗日显式动力学(TLED)有限元方法;
图11图示了根据本发明的实施例的TLED框架的全局概述;
图12图示了用于TLED框架的示例性方法和基准;和
图13是能够实现本发明的计算机的高层级框图。
具体实施方式
本发明涉及用于心脏功能的交互式患者特定的建模的方法和系统。在本文中描述本发明的实施例以给出对患者特定的心脏功能和计算方法的视觉理解。数字图像通常由一个或者多个对象(或者形状)的数字表示组成。在本文中,对象的数字表示通常在标识和操纵对象的方面被描述。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,要理解的是,本发明的实施例可以在计算机系统内通过使用存储在计算机系统内的数据执行。
本发明的实施例提供了一种用于从临床信息和医学成像数据对心脏解剖、电生理学、生物力学和血液动力学建模的集成框架,其足够快速以致是交互性的并且被嵌入在临床设置中。特别地,本发明的实施例利用在大规模并行架构(比如多核CPU和图形处理单元(GPU))上对以下的高效实现方式:与心脏血液动力学的高效集总模型和用于从医学图像数据进行心脏解剖估计的数据驱动的技术耦合的心肌组织的正交各向异性Holzapfel-Ogden模型和心脏电生理学模型。
本发明的实施例提供了用于在临床设置中计算心脏功能的患者特定的心脏模型的方法。这要求稳健的图像分析以从医学图像估计心脏解剖,以及快速的数值方法以计算心脏机电学以供交互式使用、参数估计和疗法规划。根据本发明的有利实施例,公开了集成但模块化的框架用于计算患者特定的心脏机电学。该框架包括用于解剖模型生成的集成流水线(pipeline)、用以在心脏周期的任何时相(并且特别是等容时相)期间计算心脏运动的计算性高效方法和用以高效求解心脏生物力学和电生理学的大规模并行框架。
图1图示了根据本发明的实施例的用于患者特定的心脏功能建模的框架的概述。如图1中图示的,用于对心脏功能建模的框架包括解剖模型102、电生理学模型104、生物力学模型106和循环模型108。患者的临床数据101被用于模型的个性化。解剖模型102对患者解剖和组织结构建模,包括心脏几何结构、瘢痕组织和纤维结构。电生理学模型104计算通过患者的心脏解剖的电波传播,其然后弱耦合到生物力学模型106,所述生物力学模型106计算组织的被动和主动属性。循环模型108采用心脏血液动力学的集总模型来计算生物力学模型106的血流和边界条件。
图2图示了根据本发明的实施例的用于患者特定的心脏功能建模的方法。如图2中图示的,在步骤202处,接收患者的医学图像和临床数据。医学图像可以是患者的3D手术前图像。医学图像可以是在至少一个完整的心脏周期上获取的医学图像的动态序列或者静态图像。在本发明的有利实施例中,医学图像可以是磁共振图像(MRI)和/或计算的层析X射线摄影法(CT)图像和/或超声图像,但是本发明不一定被限制于这些成像模态。医学图像可以从医学成像设备(诸如MR或者超声扫描仪)直接接收,或者医学图像可以通过加载所存储的患者医学图像而被接收。临床数据可以包括非成像的患者特定的测量,诸如ECG、压力测量等等。压力测量可以通过基于导管的侵入式压力测量或者套囊压力测量而获取。
在步骤204处,使用医学图像而生成患者特定的心脏解剖模型。在一个实施例中,心脏形态在专家引导下从医学图像(诸如MRI、CT或者超声的)、通过使用数据库引导的机器学习框架而被自动地估计。心脏的平均形状模型可以通过使用概率提升树和边际空间学习来自动检测其全局定位、取向和尺度而被配准(register)。然后,应用主动形状模型来细化图像中的心脏的边界。检测算法导致具有点对应的三个三角测量:左心室(LV)、右心室(RV)和心外膜,然后将其融合以形成两心室心肌的闭合表面。然后生成四面体的容积,并且根据容积网格和所检测的三角测量之间的点对网格距离,用标签LV、RV、epi、LV隔膜和RV隔膜来自动地标记各面。纤维和纤维片的模型通过使用基于规则的计算而生成。
图3图示了根据本发明的实施例的用于生成左和右心室的患者特定的解剖模型的方法。图4图示了图3的步骤的示例性结果。图3的方法可以被用来实现图2的步骤204以便生成患者特定的解剖模型。在步骤302处,从医学图像提取LV和RV的解剖模型。在有利的实施例中,LV和RV解剖模型示出了患者特定的心脏形态和动力学,并且从医学图像(MRI、CT、超声的等等)被自动计算。可以在覆盖两个心脏心室的整体的任何手术前图像中检测LV和RV模型。可以通过使用基于边际空间学习的机器学习方法来分割左心内膜、右心内膜、心外膜以及左和右流出道而提取LV和RV模型。获得的三角测量(网格)根据它们表示的解剖而被自动标注,以用于后续处理。
对于LV和RV中的每一个,心腔分割可以被制定为两个步骤的学习问题:解剖结构定位和边界勾画(delineation)。在有利的实施例中,边际空间学习(MSL)可以被用来将机器学习应用到3D对象检测。MSL的想法不是要直接在全相似变换参数空间中学习单片(monolithic)分类器,而是在边际空间上递增地学习分类器。特别地,每个心腔的检测可以被拆分为三个问题:定位估计、定位-取向估计、和定位-取向-尺度估计。基于用于这些估计问题中每个问题的经注释的训练数据来训练分离的分类器。在较低维度的边际空间中的分类器被用来高效地删减搜索空间。该对象定位阶段导致对象(例如,心腔)的所估计的变换(定位、取向、和尺度)。
在自动对象定位之后,对象的平均形状模型与所估计的变换对准,以得到对象形状的粗略估计。然后,对形状进行局部形变以拟合对象边界。主动形状模型(ASM)可以被用来在图像证据和形状先验的引导下对非刚性(non-rigid)形状的初始估计进行形变。然而,由于复杂的背景和弱边缘,如在常规ASM应用中使用的非基于学习的一般边界检测器在心腔形变中并不有效地工作。替代地,基于学习的边界检测器可以被用来利用更多的图像证据以实现稳健的边界检测。关于基于MSL的心腔分割的附加细节在2011年3月29日颁发的、并且题为“System and Method for Segmenting Chambers of a Heart in a ThreeDimensional Image”的美国专利No.7,916,919、美国公布的专利申请No.2010/0040272和美国公布的专利申请No.2012/0022843中被描述,所述专利和专利申请通过引用被并入本文。图4的图像402示出了步骤302的分割LV和RV模型的示例性结果。
在步骤304处,患者特定的LV和RV模型被融合成单个两心室心肌容积网格。在可能的实现方式中,所提取的LV和RV解剖可以被融合在一起。结果所得的闭合表面被用来创建容积的四面体网格,在所述网格上,根据底层的解剖,将顶点标记到表面区中。图像404和406示出了步骤304的容积网格创建和网格标记的示例性结果。
在步骤306处,将空间信息映射到两心室心肌网格上。诸如瘢痕、灰色区、和纤维化之类的空间信息可以在图像(诸如后期延迟的增强MR图像)中被标识,并被映射到两心室的心肌网格上。例如,可以使用如下方法在延迟的增强MR图像中分割瘢痕位置和程度,所述方法在Dikici等人的“Quantification of Delayed Enhancement MR Images”(于Proc.MICCAI 2004,LNCS 3216,pp 250-257,2004)中被描述,所述文章通过引用被并入本文。通过标记处于所分割的瘢痕区内的四面体元素来将瘢痕信息映射到两心室心肌网格上。该空间信息对于模拟瘢痕周围的电波(特别是对于波折返评估)、而且还有由于坏死组织而引起的受损的收缩性是重要的。
在步骤308处,在两心室的心肌网格上生成纤维取向的模型。在一个实施例中,可以使用基于规则的方法而直接从解剖模型计算纤维取向的模型。计算包括纤维和纤维片的心肌纤维架构的一般模型。遵循基于规则的策略来生成纤维架构,以覆盖从顶端到瓣膜的整个两心室的心肌。在使用解剖模型的初始三角测量的点对应而自动标识的基面下,纤维高程角α(即,其相对于短轴平面的角)跨心肌而线性地变化,从心外膜上的-70到心内膜上的+70。类似地,由相对于向外的透壁轴的角β限定的片方向从心外膜上的+45透壁地变化到心内膜上的-45。针对在顶端和基面之间的容积两心室心肌网格的每个点、基于到由面标记而标识的心内膜和心外膜的短程距离而计算α和β:α=(depiαendo+dendoαepi)/(dendo+depi),其中depi、dendo、αepi和αendo分别是心内膜和心外膜处的距离和角。然后,在每个瓣膜周围固定纤维和片取向。特别地,纤维在主动脉瓣周围是纵向的并且在二尖瓣、三尖瓣和肺动脉瓣周围是正切的,并且片的法线取向成朝向瓣膜的重心。然后,从基面到瓣膜而内插局部规格化正交基,首先通过遵循心肌表面,然后贯穿心肌厚度。为了规格化正交性的保持,可以使用Log-Euclidean框架来执行内插。图4的图像408示出了步骤308的纤维和纤维片估计的示例性结果。图5图示了使用基于规则的方法而对纤维和纤维片的估计。如图5中示出的,图像500示出了在角α和B方面的纤维方向f和片方向s的定义(e0指代圆周轴,e1指代纵轴,并且e2指代透壁轴)。图像510示出了使用基于规则的方法、基于患者特定的解剖而估计的纤维和纤维片模型。
在可替换的实施例中,患者的心脏纤维的体内弥散张量(DT)MR图像可以通过图像配准被直接映射到解剖模型。在该情况下,DT MR图像被非线性地配准到在其中检测LV和RV模型的医学图像。结果得到的变换被用来将DT MR图像中的张量场朝向解剖模型而形变。有限应变方法被用于:一旦张量被配准到解剖模型就对张量进行重新取向,所述有限应变方法的细节在Peyrat等人的“A Computational Framework for the Statistical Analysisof Cardiac Diffusion Tensors:Application to a Small Database of CanineHearts”(IEEE TMI,26(11):1500-1514,2007)中进行了描述,所述文章通过引用被并入本文。
返回图2,步骤206、208和210模拟了心脏功能,包括通过将由步骤204的患者特定的解剖模型生成而产生的网格用作域而在多个时间步上的电生理学(步骤206)、生物力学(步骤208)和循环(步骤210)。多个时间步可以表示完整的心脏周期、其部分,或者若干心脏周期。在步骤206、208和210中使用的心脏电生理学模型、生物力学模型和循环模型的参数可以基于患者特定的解剖模型和针对患者接收的临床数据而被调谐,以便使得电生理学模型、生物力学模型和循环模型是患者特定的。在有利的实现方式中,用于电生理学、生物力学和循环模型的患者特定的模型参数可以通过使用在美国公布的专利申请No.2013/0197884中描述的方法而确定,所述专利申请通过引用以其整体而被并入本文。根据本发明的有利实施例,步骤206中的电生理学计算和步骤208中的生物力学计算可以各自使用针对多个时间步而使电生理学和生物力学计算并行化的高效实现方式来执行。该高效实现方式可以在大规模并行架构(比如GPU)中执行,并且在下文中更详细地描述。
在步骤206处,通过使用心脏电生理学模型,在由患者特定的解剖模型所限定的域上针对多个时间步而计算心脏电生理学。特别地,心脏电生理学模型计算在域上的电波传播,从而导致针对每个时间步的在域的每个节点处的所估计的动作电势。患者特定的解剖模型可以包括示出了在不同心脏时相(phase)的心脏解剖的网格。根据有利的实现方式,表示预定的心脏时相的网格可以被用作用于电生理学估计的域。例如,表示心舒张后期中间的心脏解剖的网格可以被用作域。针对多个时间步的心脏电生理学估计可以通过使用大规模并行架构(例如,GPU)而被并行化以用于高效的实现方式,如在下文中更详细地描述的。
根据本发明的实施例,可以采用心脏电生理学(EP)的Mitchell-Scheffer单域模型,并且通过使用最近提出的Lattice-Boltzmann(格子-玻尔兹曼)LBM-EP方法来对其进行求解,所述Lattice-Boltzmann LBM-EP方法在美国公布的专利申请No.2013/0226542中被描述,所述专利申请通过引用以其整体被并入本文中。特别地,归一化的横跨膜的电势v(t)∈[0,1]的动态由耦合的常微分方程(ODE) 管控,并且如果v<vgate,则否则在这些方程式中,Jstim是激励电流,c是组织弥散性,其各向异性由张量D捕获,并且τin,τout,τopen,τclose和vgate是控制动作电势和回复曲线的形状的模型参数。LBM-EP方法涉及在具有7个连通性拓扑(6条边+中心定位)的3D笛卡尔格网上求解系统,患者特定的解剖的水平集(level-set)表示被构造在所述3D笛卡尔格网上。当在隔膜处通过狄利克雷(Dirichlet)边界条件而施加激励电流时,采用诺伊曼(Neumann)边界条件。估计模型参数,以匹配为患者测量的患者特定的临床数据。
在步骤208处,通过使用心脏生物力学模型而在域上针对多个时间步而计算心脏生物力学。特别地,对于每个时间步,心脏生物力学模型计算作用在网格节点上的各种力。心脏生物力学模型弱耦合到心脏EP模型,并且针对每个时间步而为网格节点计算的动作电势由心脏生物力学模型使用,以计算主动应力。针对多个时间步的对心脏生物力学的估计可以使用大规模并行架构而被并行化用于高效实现方式,如在下文中更详细描述的。
根据一个实施例,心脏生物力学通过求解动力学方程而被计算:
其中ü、和u分别聚集了网格节点的加速度、速度和位移,M是质量矩阵,K是内部刚度矩阵,并且C是(Rayleigh(瑞利))阻尼矩阵。力向量Fa、Fp和Fc分别对主动应力、心室压力和力学边界条件进行建模。通过在线性四面体网格上使用有限元方法而求解动力学系统,并且动力学系统利用Euler(欧拉)隐式方案而随时间积分。结果所得的线性系统Ξu=F可以通过使用共轭梯度方法而被求解。
被动应力。正交各向异性Holzapfel-Ogden(HO)模型可以被用来计算组织生物力学。牵伸应力能量可以如下表达:
其中ak和bk是材料常量,J是形变梯度F的雅可比(Jacobian)行列式J=det(F),K是等同于体积模量的参数,并且Ik是右Cauchy-Green(柯西-格林)形变张量C=FTF的不变量。在方程式(2)中,下标f和s分别指代纤维和片方向。是逻辑函数,在本文中采用Heaviside(海维赛德)阶跃函数的平滑近似,以用于增加的数值稳定性。
为了高效计算,可以根据乘法雅可比能量分解(MJED)公式化来表达方程式(2)。特别地,能量函数被写作其中然后,节点力Fi和边刚度矩阵Kij由和定义,其中xi和xj是两个连接的节点。不涉及计算C-1的的闭合形式表达是可得到的。导出要求计算其关于C的一阶和二阶导数,其可以通过恒等式容易地计算出。
主动应力。可以使用主动模型来计算主动收缩力Fa。主动柯西应力张量σc通过定律dσc(t)/dt+|u(t)|·σc(t)=|u(t)|+·σ0而直接与动作电势相关,在所述定律中,u(t)是去极化期间的切换函数u(t)=kATP、再极化期间的u(t)=-kRS。σ0是最大渐近应力,并且|u(t)|+是切换函数的正数部分。去极化和再极化时间从心脏EP模型中获得。
力学边界条件。考虑两个力学边界条件Fb=Fbase+Fpc。首先,通过将瓣膜平面顶点连接到具有各向异性刚度的弹簧以使得准许径向运动而对动脉和心房在心室运动上的效应进行建模。弹簧的固定端对应于在心舒张后期中间处所取的节点的息止(rest)定位。弹簧的贡献被聚集到力向量Fbase中。心脏运动还被约束在心包膜袋内,并且由邻近的肺和肝约束。这些交互使用基于接触的心包膜约束而被建模。特别地,令δΩ是心包膜,其由心舒期结束的患者特定的解剖模型的心外膜限定。距离映射DδΩ从δΩ而被计算,其中在心包袋内部DδΩ<0。然后,当DδΩ(x)>Δ时,将力Fpc(x)=k▽DδΩ(x)(DδΩ(x)-Δ)2/((DδΩ(x)-Δ)2+m2)添加到心外膜节点。参数Δ(心包膜袋的扩张参数)、k(接触力幅度)和m(接触力速率)控制在何处开始施加力、力的最大强度和多快达到最大强度。
返回到图2,在步骤210处,基于所估计的心脏生物力学,针对每个时间步而计算血流和心脏移动。通过使用心脏循环模型而模拟血流或者血液动力学,并且基于在步骤208中估计的心脏生物力学而模拟心脏移动。所模拟的血流和心脏移动提供了用于心脏生物力学模型的边界条件。也就是说,在一个时间步处的所模拟的血流和心脏移动提供了用于下一时间步的心脏生物力学估计的边界条件。
心脏周期。通过在心内膜上交替边界条件来计算四个心脏时相(填充、等容收缩、排出、和等容舒张)。令q是心室流量,其定义为心室空腔容积的时间导数。在填充(q>0)期间,心室压力被设定为等于心房压力,其通过使用时变弹回性(elastance)模型而被计算。流量一回复为心肌收缩的效果,心房-心室的瓣膜就闭合并且使得能够实现下文描述的等容约束。当心室血压达到动脉压力时,动脉瓣膜打开并且血液排出。使用3元Windkessel模型所计算的动脉压力被施加到心内膜。时相选择和压力施加的一致的模式被用于心脏周期的第二半。使用节点力Fp=pN将心室压力添加到动力学系统,其中p是压力并且N是聚集了心内膜表面的集总区域向量ndS的向量。
高效等容约束。为了在等容时相期间保持心室容积V恒定,可以使用高效的投影-预测方法,其估计确保V(t+dt)=V0的压力其中dt是时间步。为了这个目的,首先在没有约束的情况下求解动力学系统,从而计算未约束的新顶点定位其后,对系统进行重新公式化,其包括未知的校正压力λ(t):Ξ(x(t+dt)-x0)=F+λN。求解t+dt处的系统产生了因此,被约束的系统可以被表达为:
拉格朗日系数λ通过求解三次多项式来计算。然后,顶点通过应用相应的位移而被投影。然后,计算经校正的压力并且通过利用二阶泰勒展开方案来预测下一时间步处的压力,所述泰勒展开方案准许更准确的压力曲线和时相切换。
快速的大规模并行实现方式根据本发明的有利实施例,因为上文描述的心脏功能的计算模型的计算限制主要存在于电生理学和生物力学模型中,所以这些组件可以被并行化,以便在比如GPU之类的大规模并行架构上实现。
使用有限元方法(FEM)来求解方程式(1)的动力学方程式涉及计算节点力,所述节点力通过累计共享每个网格节点的所有元素的贡献而被计算。例如,计算节点压力要求累计周围的三角形的贡献,而计算节点被动刚度要求累计周围四面体的边的贡献。根据本发明的实施例,利用了并行实现策略,其避免当不同内核在累计期间在相同的共享存储器处写入时可能出现的竞态条件。
图6图示了根据本发明的实施例的一般化的并行实现方法。参考图6,在步骤602处,在模拟开始时预计算整数查找表、mapElement(映射元素)。mapElement被存储在纹理映射中,以用于增加的效率。令V是网格的最大价(valence)(即,连接到节点的元素的最大数量),并且Nn是节点数量。mapElement是大小为2×Nn×V的表,其为任何给定的节点i存储(j,k)对,其中j是每个相邻元素的索引,并且k是在该元素中的该节点的本地索引(例如,如果元素是四面体,则k∈[1,4])。用负值初始化剩余的定位,当由少于V个元素共享节点时发生所述剩余的定位。
在步骤604处,跨Ne个元素而调用内核计算,以执行元素方面的计算。计算内核将元素方面的贡献存储到各自大小为Ne的分离的浮点纹理Tk中。存在与由每个元素共享的节点一样多的纹理Tk。例如,对于三角形元素,存在三个纹理Tk,并且对于四面体元素,存在四个纹理Tk。
在步骤606处,跨Nn个线程而调用内核累计,以累计对每个节点的元素贡献。这通过循环通过与mapElement查找表中的每个相应节点相对应的所有V对(j,k)并且将存储在纹理Tk的第j个定位处的贡献累计到节点力而实现。
根据有利的实施例,查找纹理映射mapElement仅要求最大价,并不要求对于给定节点的实际价(其不是恒定的)。因此,仅一个纹理需要被管理,而不是两个,从而导致更简单的代码,并且还通过与累计内核线程的纹理对准而导致附加的加速。鉴于当前GPU存储器大小,更高的存储器需求是可忽略的。对于具有Ne个元素、平均四面体/顶点价为Vavg和最大价为Vmax的网格而言,需要分配(Vmax/Vavg)倍更多的设备存储器,其总共相当于8NVmax字节。
图7图示了根据本发明的实施例的通过使用mapElement查找表而确定对于节点的元素贡献的示例。如图7中示出的,mapElement表700示出了针对顶点数量4的条目702。在最大价被设定为六时,顶点数量4由四个元素(9、6、11和12)共享。顶点数量4是对于元素9的节点1、对于元素6的节点0、对于元素11的节点2和对于元素12的节点3。每个元素对每个相应的节点号的贡献被内核计算存储在不同的纹理Ti中,在图7中仅仅示出了纹理Ti的前两个。内核累计为对于特定节点的每个元素的贡献进行聚集和累计。如图7中示出的,对于顶点数量4,累计内核累计纹理T0710中对应于元素6的条目712和纹理T1720中对应于元素9的条目722。类似地,累计内核还聚集纹理T2(未示出)中对应于元素11的条目和T3(未示出)中对应于元素号12的条目。
被动应力。在总拉格朗日框架中制定本文描述的HO模型的实现,从而虑及变量的预计算和对于近乎所有计算的并行执行。从息止状态,四面体形状向量Di被计算为分别是两个相对的边和纤维片的张量和跨片方向的叉积在每个时间步处,形变梯度F可以被表达为以使得右柯西-格林形变张量C和不变量I1、I4i、I8fs可以被计算。对于雅可比行列式J的导数,利用公式J=1/6V0e30(e10×e20)(其中eij是边xi-xj)来得到闭合形式。通过使用上文结合图2的步骤208和图6中图示的并行化方法所限定的定义,可以通过隐式积分方案按需要来计算力(四面体/顶点查找表)和边刚度矩阵(四面体/边查找表)。
其它组件。图6的并行化方法还可以被应用于执行主动应力(四面体/顶点查找表)和心室压力(心内膜三角形/顶点查找表)的快速计算。
LBM-EP。因为用于计算心脏电生理学的Lattice-Boltzmann(格子-玻尔兹曼)方法固有是节点方面的,所以在GPGPU架构上那里的实现是直接的。采用了处置LBM算法的流和碰撞过程的内核以计算笛卡尔格网的每个节点处的电势。
返回到图2,在步骤212处,模拟结果是输出。模拟结果可以包括示出了心室的移动和血流模拟的移动网格。从这些结果,可以计算各种参数,诸如排出分数、血流速度和涡度、心搏量、电生理学参数(ECG)、回流等等。因为心脏功能由于快速GPU实现而近实时地被建模,所以用户可以在临床设置中时与模型交互以模拟针对患者的各种心脏疗法。模拟结果可以通过在计算机系统的显示设备上显示所计算的电生理学电势、生物力学的力和心脏参数而输出。例如,所计算的电生理学电势、生物力学的力和心脏参数中的一个或者多个可以使用移动的计算域和颜色映射而被显示。
在步骤214处,交互地接收用户输入以改变患者特定的解剖模型、心脏电生理学模型和心脏生物力学模型中的至少一个的参数中的至少一个参数。特别地,用户可以输入所修改的生物力学、电生理学或者血流参数中的至少一个。例如,所修改的参数可以表示各种心脏疗法或者治疗选项。一旦接收了用户输入,方法返回到步骤206并且重新计算具有经修改的参数的心脏电生理学、心脏生物力学以及血流和心脏移动。
为了评估上文描述的心脏建模框架的改进,本发明人在代表性的患者病例上利用不同数量的容积网格元素运行了整个模拟。图8图示了针对从相同患者生成的具有各种大小的网格的基准结果。特别地,图8示出了对于具有24k、43k、64k、98k、127k和274k的四面体的网格的计算时间。图8的图像800示出了对于网格生成802和解剖模型生成804的计算时间。图8的图像810示出了对于整个心脏模拟的CPU实现812和GPU实现814的计算时间的比较。在图8中使用对数尺度示出了计算时间。用于模拟的欧拉隐式方案的时间步被设定为1ms,并且针对共轭梯度求解器,用10-8的数值阈值来计算800ms的一个完整心脏周期。一般动力学系统参数包括ρ=1.07g/ml的质量密度和对于质量和刚度两者的0.05的Rayleigh(瑞利)阻尼系数。被动组织参数如下文中那样设定:Holazapfel等人的“ConstitutiveModeling of Passive Myocardium:a Structurally Based journal”(Phil.Trans.R.Soc.367(1902),3445-3475(2009)),并且σ0=15kPa。在具有以2.4GHz具有16核的英特尔Xeon 64位CPU、4GB的RAM和NVIDIA GetForce GTX 580图形卡的系统上进行模拟。
对于解剖模型构造,以每帧少于4秒来执行检测和跟踪。如图5中示出的,对于具有中值分辨率(64k)的网格的准备时间相当于64.4秒用于网格生成和16.8秒用于解剖模型计算。在2.9到3.2秒的几乎恒定的时间中计算心脏的电生理学,这并不令人惊讶,因为LBM方法在具有恒定分辨率(模拟中的1.5×1.5×1.5mm)的笛卡尔格网上工作。最显著的运行时间对应于生物力学组件。此处,使用GPU实现的模拟得到了高达19.3的平均速度(标准偏差2.6)。对于具有中等分辨率(64k)的网格,模拟仅需要1min和9.5秒,并且甚至对于具有最高分辨率(274k)的网格,可以在5min和2.6秒中模拟整个心脏周期,其仍然在临床可行的时间帧内。
对于真实情况的实验,本发明人使用了扩张性心肌病(DCM)患者的匿名数据集。数据集包括电影(cine)MRI序列以及左心室和主动脉的心脏导管压力测量。首先,使用主动脉压力测量、从图像获得的主动脉流量和所测量的排出分数而估计Windkessel参数。其后,生物力学模型的参数和边界条件被手动优化为匹配心脏运动,如在图像中示出的。个性化的模型在对现实心脏运动进行建模方面是成功的,并且由模型生成的容积压力曲线定性地表示测量的值。图9图示了拟合到MRI图像的个性化模型以及容积和压力容积曲线。如图9中示出的,图像900示出了拟合到MRI图像的个性化解剖模型902。图像910示出了所模拟的左心室912和右心室914的容积曲线以及左心室的地面实况(ground truth)测量的容积曲线916。图像920示出了由模拟所产生的左心室922的压力容积曲线以及针对左心室的地面实况测量的压力容积曲线924。
在上文描述的实施例中,图2的方法利用了乘法雅可比能量分解(MJED)框架来在步骤208中计算心肌组织的生物力学。根据本发明的可替换实施例,总拉格朗日显式动力学(TLED)方法可以被替代地使用,以在步骤208中计算生物力学。TLED是用于计算软组织(诸如脑、肝、肾等等)的形变的高效数值算法。其主要想法是参考系统的原始的、未形变的配置总计达每个时间步中的数学运算。该方法使用了显式积分,其暗示着没有对于在时间步过程期间的迭代方程式求解的需要。而且,在每个时间步处,所有的计算都是节点方面的。所以,TLED适用于实时计算,因为它可以在大规模并行架构中实现。
利用TLED方法,时域中的动力学方程式的积分以显式方法完成。作为结果,非线性的处理是直接的:因为没有隐式系统需要被求解,所以在一个时间步内不需要任何迭代。每次要求解的运动的离散化方程式的全局系统可以表达为:
其中:
对于时间t处的给定元素在以上的方程式中,U是节点位移的向量,M是常量质量矩阵,D是常量阻尼矩阵,K是非线性地取决于形变的刚度矩阵,R是外力的向量,是由于元素e中的应力而引起的全局节点力贡献,是第二Piola-Kirchhoff(比奥雷-克希霍夫)应力的向量形式,是应变-位移矩阵,并且0V是元素的初始容积。中心差分积分方案给出了时间步公式:
因为对于当前和先前的时间步的所有位移tU和t-ΔtU是已知的并且已经计算了所有的节点力tF,所以中心差分方法产生了以下方程式,以用于在下一步分量方面(component-wise)而计算位移:
t+ΔtUi=Ai(tRi-tFi)+Bi tUi+Ci t-ΔtUi
其中:
诸如中心差分方法之类的显式时间积分算子仅仅是条件稳定的:时间步Δt必须小于临界限制Δtcr。在线性弹性分析中,以下公式可以被用来在给定心肌弹性和网格分辨率的情况下自动设置时间步:
其中Le是组装中的最小特征元素长度,c是材料的膨胀波速度,E是杨氏模量(Young’s modulus),v是泊松比,并且ρ是密度。
图10图示了根据本发明的实施例的用于针对多个时间步而计算心脏生物力学的TLED有限元方法。在步骤1002处,TLED变量被预计算。TLED算法的所有变量涉及具有减少主要迭代循环中的计算的目的的初始配置。为了这样做,执行1002的预计算步骤以初始化那些变量。预计算步骤可以如以下算法中描述的那样来实现:
1.加载网格和边界条件。
2.对于每个元素,计算:
·雅可比行列式det(J)
·形状函数的空间导数δh
·线性应变-位移矩阵
3.计算和对角化质量矩阵0M
4.计算Ai、Bi和Ci。
在步骤1004处,初始化求解器和约束。特别地,求解器和约束可以如下初始化:
1.初始化节点位移0u=0,-Δtu=0
2.针对第一时间步应用加载:
·力:
·所规定的位移:
在步骤1006处,在每个时间步处,方法循环通过元素,并且计算它们的节点力。针对每个元素的节点力的计算可以如下执行:
1.取来自之前时间步的元素节点位移
2.计算形变梯度
3.计算完整的应变-位移矩阵:
该矩阵计及初始的位移效果。
4.计算积分点处的第二Piola-Kirchoff(比奥雷-克希霍夫)应力(向量)
5.使用高斯求积法计算元素节点反作用力
在步骤1008处,在每个时间步处,基于为元素计算的节点力来更新节点的位移。节点的位移可以如下更新:
1.获得时间t处的网节点反作用力tF
2.使用中心差分公式来显式地计算位移:
t+ΔtUi=Ai(tRi-tFi)+Bi tUi+Ci t-Δ1Ui
3.对下一步应用加载:
·力:
·所规定的位移:
图11图示了根据本发明的实施例的TLED框架的全局概述。为了使性能最大化,TLED框架可以被拆分成两部分:CPU、多线程的部分和大规模并行(MP)部分(例如,NVIDIACUDA、OpenCL、XeonPhi)。图11的每个组件可以针对每个部分而实现,尽管CPU部分的初始化算法和IO可以被用在MP部分中。
参考图11,框架1100的入口点是主组件1102,其用由输入文件1106描述的配置来起动求解器1104。求解器1104执行“主循环”(所述主循环以上在图10的方法中被描述),这通过执行以下操作:调用配置方法1108(初始化、预计算、与一个模拟场景相关的步和转储(dump))并且在每个时间步处用中心差分公式计算新的位移。输入文件106被用来指定动力学参数,诸如步的数量、时间步、阻尼系数等等。
配置1108是类(例如,C++类),其在初始化时加载网格并且在每个时间步处计算力和约束。配置1108限定了模拟场景。对于心脏计算,配置1108限定了主动应力、压力边界条件、心脏周期、心包膜和基础刚度约束等等。然而,该框架还可以被类似地用于其它模拟场景,诸如瓣膜建模、肝运动、肺运动等等。实践中,配置文件1108直接与求解器1104交互。基本和高级组件1110和1112(其包含所应用的力和约束)分别可以被用来对配置之间的代码进行因式分解(factorize)。
基本组件1110提供基本特征。这些组件不能读取输入文件1106并且提供功能来最大化框架泛型和性能。高级组件1112是不一定泛化的特定组件。高级组件1112是面向对象的,并且能够在初始化时用输入文件1106配置其自身。
图12图示了对于TLED框架的示例性结果和基准。为了将TLED框架与上文描述的MJED框架的准确性相比较,本发明人执行了测试,其中,具有心脏组织的200×60×60mm的圆柱体由主动收缩性力场压缩和解压缩,所述主动收缩性力场由预计算的电生理学模型控制。图像1202、1204和1206分别示出了在0、0.3和0.7秒处在MJED结果和TLED结果之间的点对点距离。图像1210示出了随时间的在MJED结果和TLED结果之间的平均距离的曲线图。如可见的,所模拟的运动按总网格大小的仅0.15%而不同。图像1220示出了在TLED框架的CPU和MP(GPU)实现之间的差异。在TLED框架的CPU和MP(GPU)实现之间没有差异被观察到。这证明了高效和准确的EP模型可以与TLED生物力学框架耦合以用于患者特定的心脏建模。因此,TLED框架可以与上文在图2的步骤206中描述的心脏电生理学的LBM-EP模型耦合,并被用来计算图2的步骤208中的心脏生物力学。
根据本发明的各种可替换实施例,诸如Costa或者Guccione定律之类的其它材料属性可以在上文描述的心脏建模框架中类似地实现。根据本发明的各种可替换实施例,其它主动的力模型(诸如Niederer模型或者Chapelle模型)的使用可以在上文描述的心脏建模框架中类似地实现。
本发明的实施例提供了计算性心脏机电学的集成的患者特定的框架,其足够快速以应用在临床的例行事务中。通过将心脏EP的非常高效的LBM实现与用于被动生物力学的Holzapfel-Ogden模型或者用于计算生物力学的TLED框架合并,本文描述的集成框架在医学上产生适宜的结果并且可以被应用于临床疗法规划,这是由于利用了大规模并行GPU架构。在有利的实现方式中,使得医师能够规划各种DCM相关的手术、评估不同的手术场景并在临床设置中在电脑中(in silico)近实时地预测干预的结果。
上文描述的用于患者特定的建模和模拟心脏功能的方法可以在使用众所周知的计算机处理器、存储器单元、存储设备、计算机软件和其它组件的计算机上实现。这样的计算机的高层级框图在图13中图示。计算机1302包含处理器1304,其通过执行计算机程序指令而控制计算机1302的整体操作,所述计算机程序指令定义这样的操作。计算机程序指令可以被存储在存储设备1312(例如,磁盘)中,并且在期望执行计算机程序指令时被加载到存储器1310中。因此,在图1、2、3、6、10和11中示出的方法的步骤可以由被存储在存储器1310和/或存储装置1312中的计算机程序指令限定,并且由执行计算机程序指令的处理器1304控制。处理器1304可以包括GPU,其使用上文描述的快速GPU实现而执行特定方法步骤。图像获取设备1320(诸如MR扫描设备、超声设备、CT扫描设备等等)可以连接到计算机1302,以向计算机1302输入图像数据。可能的是将图像获取设备1320和计算机1302实现为一个设备。还可能的是图像获取设备1320和计算机1302通过网络无线地通信。计算机1302还包括一个或者多个网络接口1306,以用于经由网络与其它设备通信。计算机1302还包括使得能够实现与计算机1302的用户交互的其它输入/输出设备1308(例如,显示器、键盘、鼠标、扬声器、按钮等等)。这样的输入/输出设备1308可以结合计算机程序集而被使用,作为用于注释从图像获取设备1320接收的容积的注释工具。本领域技术人员将认识到实际计算机的实现也可以包含其它组件,并且出于说明性目的,图13是这样的计算机的一些组件的高层级表示。
前述具体实施方式将被理解为在每一方面都是说明性和示例性的,而不是限制性的,并且本文公开的发明的范围将不从具体实施方式来确定,而是相反从如根据由专利法准许的完整宽度来解释的权利要求而确定。要理解的是,本文示出和描述的实施例仅仅说明了本发明的原理,并且各种修改可以在不偏离本发明的范围和精神的情况下由本领域技术人员实现。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特征组合。
Claims (26)
1.一种用于患者的心脏功能的交互式计算的方法,包括:
从患者的医学图像数据,生成患者心脏的至少一部分的患者特定的解剖模型;
通过使用患者特定的心脏电生理学模型,针对多个时间步中的每个时间步而在由患者特定的解剖模型限定的计算域上计算患者的心脏电生理学电势,其中对于多个时间步中的每个时间步,作用于计算域的多个节点上的电生理学电势被并行地计算;
通过使用耦合到心脏电生理学模型的心脏生物力学模型,针对多个时间步中的每个时间步而在计算域上计算生物力学的力,其中对于多个时间步中的每个时间步,作用于计算域的多个节点上的生物力学的力被并行地计算,其中所述生物力学的力被并行地计算的步骤包括在模拟开始时预计算映射元素整数查找表,调用计算内核以针对所述计算域的每个网格元素执行计算,以便计算每个网格元素对作用于由该网格元素共享的节点上的生物力学的力的贡献,并且调用累计内核以累计对每个节点的所述贡献;
基于所计算的生物力学的力,在多个时间步中的每个时间步处计算血流和心脏移动;
显示所计算的电生理学电势、生物力学的力和心脏参数;
交互地接收用户输入,以改变以下中的至少一个的参数中的至少一个:患者特定的解剖模型、心脏电生理学模型和心脏生物力学模型;和
重新计算电生理学电势、生物力学的力以及血流和心脏移动。
2.根据权利要求1所述的方法,其中从患者的医学图像数据生成患者心脏的至少一部分的患者特定的解剖模型包括:
在医学图像数据中检测患者特定的左心室模型和患者特定的右心室模型;
将左心室模型和右心室模型融合成表示心肌的单个两心室容积网格;和
基于两心室网格,生成纤维架构的模型,其中纤维架构的模型包括纤维和纤维片。
3.根据权利要求1所述的方法,其中通过使用患者特定的心脏电生理学模型,针对多个时间步中的每个时间步而在由患者特定的解剖模型限定的计算域上计算患者的心脏电生理学电势包括:
通过使用格子-玻尔兹曼电生理学方法,针对多个时间步中的每个时间步而计算网格域的多个节点中每个处的动作电势;和
从医学图像数据和心电图估计心脏电生理学模型的参数。
4.根据权利要求1所述的方法,其中通过使用患者特定的心脏电生理学模型,针对多个时间步中的每个时间步而在由患者特定的解剖模型限定的计算域上计算患者的心脏电生理学电势是由大规模并行架构执行的。
5.根据权利要求1所述的方法,其中通过使用耦合到心脏电生理学模型的心脏生物力学模型,针对多个时间步中的每个时间步而在计算域上计算生物力学的力包括:
针对多个时间步中的每个时间步,在计算域的多个节点中的每个处计算由于被动应力、主动应力和力学边界条件而引起的力;和
从医学图像数据,估计生物力学模型的参数。
6.根据权利要求5所述的方法,其中针对多个时间步中的每个时间步,在网格域的多个节点中的每个处计算由于被动应力、主动应力和力学边界条件而引起的力包括:
通过使用组织生物力学的本构定律来计算由于被动应力而引起的力;
基于使用心脏电生理学模型而估计的心脏电生理学,计算由于主动应力而引起的力;和
基于对应于动脉和心房在心室运动上的效应的第一约束和对应于心包膜效应的第二约束,计算由于力学边界条件而引起的力。
7.根据权利要求1所述的方法,其中通过使用耦合到心脏电生理学模型的心脏生物力学模型,针对多个时间步中的每个时间步而在计算域上计算生物力学的力包括:
通过使用总拉格朗日显式动力学框架,针对多个时间步中的每个时间步而在网格域上计算生物力学的力。
8.根据权利要求1所述的方法,其中显示所计算的电生理学电势、生物力学的力和心脏参数包括:
通过使用移动的计算域和颜色映射,显示以下中的至少一个:所计算的电生理学电势、所计算的生物力学的力、所计算的血流参数和所计算的心脏移动。
9.根据权利要求1所述的方法,其中接收用户输入以改变患者特定的解剖模型、心脏电生理学模型和心脏生物力学模型中的至少一个的参数中的至少之一包括:
接收经修改的生物力学、电生理学或者血流参数中的至少一个。
10.一种用于患者的心脏功能的交互式计算的装置,包括:
用于从患者的医学图像数据而生成患者心脏的至少一部分的患者特定的解剖模型的构件;
用于通过使用患者特定的心脏电生理学模型,针对多个时间步中的每个时间步而在由患者特定的解剖模型限定的计算域上计算患者的心脏电生理学电势的构件,其中对于多个时间步中的每个时间步,作用于计算域的多个节点上的电生理学电势被并行地计算;
用于通过使用耦合到心脏电生理学模型的心脏生物力学模型,针对多个时间步中的每个时间步而在计算域上计算生物力学的力的构件,其中对于多个时间步中的每个时间步,作用于计算域的多个节点上的生物力学的力被并行地计算,其中所述生物力学的力被并行地计算的步骤包括在模拟开始时预计算映射元素整数查找表,调用计算内核以针对所述计算域的每个网格元素执行计算,以便计算每个网格元素对作用于由该网格元素共享的节点上的生物力学的力的贡献,并且调用累计内核以累计对每个节点的所述贡献;
用于基于所计算的生物力学的力而针对多个时间步中的每个时间步来计算血流和心脏移动的构件;
用于显示所计算的电生理学电势、生物力学的力和心脏参数的构件;
用于交互地接收用户输入以改变患者特定的解剖模型、心脏电生理学模型和心脏生物力学模型中的至少一个的参数中的至少一个的构件;和
用于重新计算电生理学电势、生物力学的力以及血流和心脏移动的构件。
11.根据权利要求10所述的装置,其中用于从患者的医学图像数据而生成患者心脏的至少一部分的患者特定的解剖模型的构件包括:
用于在医学图像数据中检测患者特定的左心室模型和患者特定的右心室模型的构件;
用于将左心室模型和右心室模型融合成表示心肌的单个两心室容积网格的构件;和
用于基于两心室网格而生成纤维架构的模型的构件,其中纤维架构的模型包括纤维和纤维片。
12.根据权利要求10所述的装置,其中用于通过使用患者特定的心脏电生理学模型,针对多个时间步中的每个时间步而在由患者特定的解剖模型限定的计算域上计算患者的心脏电生理学电势的构件包括:
用于通过使用格子-玻尔兹曼电生理学方法,针对多个时间步中的每个时间步而计算网格域的多个节点中每个处的动作电势的构件;和
用于从医学图像数据和心电图估计心脏电生理学模型的参数的构件。
13.根据权利要求10所述的装置,其中用于通过使用耦合到心脏电生理学模型的心脏生物力学模型,针对多个时间步中的每个时间步而在计算域上计算生物力学的力的构件包括:
用于针对多个时间步中的每个时间步而在计算域的多个节点中每个处计算由于被动应力、主动应力和力学边界条件而引起的力的构件;和
用于从医学图像数据估计生物力学模型的参数的构件。
14.根据权利要求13所述的装置,其中用于针对多个时间步中的每个时间步而在网格域的多个节点中每个处计算由于被动应力、主动应力和力学边界条件而引起的力的构件包括:
用于通过使用组织生物力学的本构定律而计算由于被动应力而引起的力的构件;
用于基于使用心脏电生理学模型而估计的心脏电生理学而计算由于主动应力而引起的力的构件;和
用于基于对应于动脉和心房在心室运动上的效应的第一约束和对应于心包膜效应的第二约束而计算由于力学边界条件而引起的力的构件。
15.根据权利要求10所述的装置,其中用于通过使用耦合到心脏电生理学模型的心脏生物力学模型,针对多个时间步中的每个时间步而在计算域上计算生物力学的力的构件包括:
用于通过使用总拉格朗日显式动力学框架,针对多个时间步中的每个时间步而在网格域上计算生物力学的力的构件。
16.根据权利要求10所述的装置,其中用于显示所计算的电生理学电势、生物力学的力和心脏参数的构件包括:
用于通过使用移动的计算域和颜色映射而显示所计算的电生理学电势、所计算的生物力学的力、所计算的血流参数和所计算的心脏移动中的至少一个的构件。
17.根据权利要求10所述的装置,其中用于接收用户输入以改变患者特定的解剖模型、心脏电生理学模型和心脏生物力学模型中至少一个的参数中的至少一个的构件包括:
用于接收经修改的生物力学、电生理学或者血流参数中至少一个的构件。
18.一种存储了用于患者的心脏功能的交互式计算的计算机程序指令的非暂时性计算机可读介质,所述计算机程序指令当在处理器上被执行时使得处理器执行操作,包括:
从患者的医学图像数据,生成患者心脏的至少一部分的患者特定的解剖模型;
通过使用患者特定的心脏电生理学模型,针对多个时间步中的每个时间步而在由患者特定的解剖模型限定的计算域上计算患者的心脏电生理学电势,其中对于多个时间步中的每个时间步,作用于计算域的多个节点上的电生理学电势被并行地计算;
通过使用耦合到心脏电生理学模型的心脏生物力学模型,针对多个时间步中的每个时间步而在计算域上计算生物力学的力,其中对于多个时间步中的每个时间步,作用于计算域的多个节点上的生物力学的力被并行地计算,其中所述生物力学的力被并行地计算的步骤包括在模拟开始时预计算映射元素整数查找表,调用计算内核以针对所述计算域的每个网格元素执行计算,以便计算每个网格元素对作用于由该网格元素共享的节点上的生物力学的力的贡献,并且调用累计内核以累计对每个节点的所述贡献;
基于所计算的生物力学的力,在多个时间步中的每个时间步处计算血流和心脏移动;
显示所计算的电生理学电势、生物力学的力和心脏参数;
交互地接收用户输入,以改变以下中的至少一个的参数中的至少一个:患者特定的解剖模型、心脏电生理学模型和心脏生物力学模型;和
重新计算电生理学电势、生物力学的力以及血流和心脏移动。
19.根据权利要求18所述的非暂时性计算机可读介质,其中从患者的医学图像数据生成患者心脏的至少一部分的患者特定的解剖模型包括:
在医学图像数据中检测患者特定的左心室模型和患者特定的右心室模型;
将左心室模型和右心室模型融合成表示心肌的单个两心室容积网格;和
基于两心室网格,生成纤维架构的模型,其中纤维架构的模型包括纤维和纤维片。
20.根据权利要求18所述的非暂时性计算机可读介质,其中通过使用患者特定的心脏电生理学模型,针对多个时间步中的每个时间步而在由患者特定的解剖模型限定的计算域上计算患者的心脏电生理学电势包括:
通过使用格子-玻尔兹曼电生理学方法,针对多个时间步中的每个时间步而计算网格域的多个节点中每个处的动作电势;和
从医学图像数据和心电图估计心脏电生理学模型的参数。
21.根据权利要求18所述的非暂时性计算机可读介质,其中通过使用患者特定的心脏电生理学模型,针对多个时间步中的每个时间步而在由患者特定的解剖模型限定的计算域上计算患者的心脏电生理学电势是通过大规模并行架构执行的。
22.根据权利要求18所述的非暂时性计算机可读介质,其中通过使用耦合到心脏电生理学模型的心脏生物力学模型,针对多个时间步中的每个时间步而在计算域上计算生物力学的力包括:
针对多个时间步中的每个时间步,在计算域的多个节点中的每个处计算由于被动应力、主动应力和力学边界条件而引起的力;和
从医学图像数据,估计生物力学模型的参数。
23.根据权利要求22所述的非暂时性计算机可读介质,其中针对多个时间步中的每个时间步,在网格域的多个节点中每个处计算由于被动应力、主动应力和力学边界条件而引起的力包括:
通过使用组织生物力学的本构定律而计算由于被动应力而引起的力;
基于使用心脏电生理学模型而估计的心脏电生理学,计算由于主动应力而引起的力;和
基于对应于动脉和心房在心室运动上的效应的第一约束和对应于心包膜效应的第二约束,计算由于力学边界条件而引起的力。
24.根据权利要求18所述的非暂时性计算机可读介质,其中通过使用耦合到心脏电生理学模型的心脏生物力学模型,针对多个时间步中的每个时间步而在计算域上计算生物力学的力包括:
通过使用总拉格朗日显式动力学框架,针对多个时间步中的每个时间步而在网格域上计算生物力学的力。
25.根据权利要求18所述的非暂时性计算机可读介质,其中显示所计算的电生理学电势、生物力学的力和心脏参数包括:
通过使用移动的计算域和颜色映射,显示以下中的至少一个:所计算的电生理学电势、所计算的生物力学的力、所计算的血流参数和所计算的心脏移动。
26.根据权利要求18所述的非暂时性计算机可读介质,其中接收用户输入以改变患者特定的解剖模型、心脏电生理学模型和心脏生物力学模型中的至少一个的参数中的至少之一包括:
接收经修改的生物力学、电生理学或者血流参数中的至少一个。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201361754174P | 2013-01-18 | 2013-01-18 | |
US61/754174 | 2013-01-18 | ||
PCT/US2014/012164 WO2014113746A1 (en) | 2013-01-18 | 2014-01-20 | Method and system for interactive computation of cardiac electromechanics |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105264533A CN105264533A (zh) | 2016-01-20 |
CN105264533B true CN105264533B (zh) | 2019-09-24 |
Family
ID=50071753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480005225.4A Active CN105264533B (zh) | 2013-01-18 | 2014-01-20 | 用于心脏机电学的交互计算的方法和系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10068669B2 (zh) |
CN (1) | CN105264533B (zh) |
WO (1) | WO2014113746A1 (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US9589379B2 (en) | 2014-06-24 | 2017-03-07 | Siemens Healthcare Gmbh | System and method for visualization of cardiac changes under various pacing conditions |
EP3282936B1 (en) * | 2015-04-17 | 2020-08-19 | HeartFlow, Inc. | Systems and methods for assessment of tissue function based on vascular disease |
WO2016172206A1 (en) * | 2015-04-20 | 2016-10-27 | The Johns Hopkins University | Patient-specific virtual intervention laboratory to prevent stroke |
US10842379B2 (en) | 2016-01-29 | 2020-11-24 | Siemens Healthcare Gmbh | Multi-modality image fusion for 3D printing of organ morphology and physiology |
US11664125B2 (en) | 2016-05-12 | 2023-05-30 | Siemens Healthcare Gmbh | System and method for deep learning based cardiac electrophysiology model personalization |
US10402969B2 (en) * | 2017-03-10 | 2019-09-03 | General Electric Company | Methods and systems for model driven multi-modal medical imaging |
CN107045722B (zh) * | 2017-03-27 | 2019-07-30 | 西安电子科技大学 | 融合静态信息与动态信息的视频序列分割方法 |
US11380029B2 (en) * | 2017-05-17 | 2022-07-05 | St. Jude Medical, Cardiology Division, Inc. | System and method for mapping local activation times |
CN107315911B (zh) * | 2017-06-21 | 2020-05-22 | 西安理工大学 | 一种肺动脉瓣膜几何形状数学模型的建立方法 |
US20210012887A1 (en) * | 2018-03-15 | 2021-01-14 | Koninklijke Philips N.V. | Method of estimation physiological parameters using medical image data |
EP3624056B1 (en) | 2018-09-13 | 2021-12-01 | Siemens Healthcare GmbH | Processing image frames of a sequence of cardiac images |
US11687691B2 (en) * | 2019-01-03 | 2023-06-27 | International Business Machines Corporation | Forward and reverse transformations of a model of functional units of a biological system trained by a global model of the systems |
GB2607154A (en) * | 2021-03-03 | 2022-11-30 | Hodges Wes | System and method of tractography labeling in the presence of brain lesion |
CN116137180B (zh) * | 2023-02-22 | 2024-01-30 | 浙江医准智能科技有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10311978B2 (en) * | 2012-01-30 | 2019-06-04 | Siemens Healthcare Gmbh | Method and system for patient specific planning of cardiac therapies on preoperative clinical data and medical images |
US9129053B2 (en) * | 2012-02-01 | 2015-09-08 | Siemens Aktiengesellschaft | Method and system for advanced measurements computation and therapy planning from medical data and images using a multi-physics fluid-solid heart model |
-
2014
- 2014-01-20 CN CN201480005225.4A patent/CN105264533B/zh active Active
- 2014-01-20 US US14/655,083 patent/US10068669B2/en active Active
- 2014-01-20 WO PCT/US2014/012164 patent/WO2014113746A1/en active Application Filing
Non-Patent Citations (2)
Title |
---|
LBM-EP: Lattice-Boltzmann Method for Fast Cardiac Electrophysiology Simulation from 3D Images;S. Rapaka 等;《International Conference on Medical Image Computing & Computer-assisted intervention》;20121031;第15卷(第2期);第33-40页 * |
Steven Niederer 等.Simulating human cardiac electrophysiology on clinical time‑scales.《Frontiers in Physiology》.2011,第2卷(第14期),第1-14页. * |
Also Published As
Publication number | Publication date |
---|---|
CN105264533A (zh) | 2016-01-20 |
US10068669B2 (en) | 2018-09-04 |
US20150347709A1 (en) | 2015-12-03 |
WO2014113746A1 (en) | 2014-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105264533B (zh) | 用于心脏机电学的交互计算的方法和系统 | |
US10296809B2 (en) | Method and system for fast patient-specific cardiac electrophysiology simulations for therapy planning and guidance | |
US9129053B2 (en) | Method and system for advanced measurements computation and therapy planning from medical data and images using a multi-physics fluid-solid heart model | |
KR101855369B1 (ko) | 의료 이미지들 및 임상학적 데이터로부터 생리학적 심장 측정치들을 추정하기 위한 시스템들 및 방법들 | |
US11664125B2 (en) | System and method for deep learning based cardiac electrophysiology model personalization | |
Buoso et al. | Personalising left-ventricular biophysical models of the heart using parametric physics-informed neural networks | |
Xi et al. | Myocardial transversely isotropic material parameter estimation from in-silico measurements based on a reduced-order unscented Kalman filter | |
Marchesseau et al. | Personalization of a cardiac electromechanical model using reduced order unscented Kalman filtering from regional volumes | |
US10311978B2 (en) | Method and system for patient specific planning of cardiac therapies on preoperative clinical data and medical images | |
US10496729B2 (en) | Method and system for image-based estimation of multi-physics parameters and their uncertainty for patient-specific simulation of organ function | |
Crozier et al. | Image-based personalization of cardiac anatomy for coupled electromechanical modeling | |
Prakosa et al. | Generation of synthetic but visually realistic time series of cardiac images combining a biophysical model and clinical images | |
Salvador et al. | Electromechanical modeling of human ventricles with ischemic cardiomyopathy: numerical simulations in sinus rhythm and under arrhythmia | |
Marchesseau et al. | Preliminary specificity study of the Bestel–Clément–Sorine electromechanical model of the heart using parameter calibration from medical images | |
Karabelas et al. | Global sensitivity analysis of four chamber heart hemodynamics using surrogate models | |
Xi et al. | An automatic data assimilation framework for patient-specific myocardial mechanical parameter estimation | |
Wong et al. | Meshfree implementation of individualized active cardiac dynamics | |
Guan et al. | Modelling of fibre dispersion and its effects on cardiac mechanics from diastole to systole | |
Mansi et al. | Artificial intelligence for computational modeling of the heart | |
Wong et al. | Velocity-based cardiac contractility personalization from images using derivative-free optimization | |
Lluch et al. | Calibration of a fully coupled electromechanical meshless computational model of the heart with experimental data | |
Zettinig et al. | From medical images to fast computational models of heart electromechanics: An integrated framework towards clinical use | |
Mihalef et al. | Implementation of a patient-specific cardiac model | |
Essack | Material parameter identification for modelling the left ventricle in the healthy state | |
Hou et al. | Efficient dynamic modeling of soft tissue deformation using a WSC-integrated order reduction method |
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 | ||
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 |