CN105976348B

CN105976348B - 医学成像中的个性化全身循环

Info

Publication number: CN105976348B
Application number: CN201610003535.3A
Authority: CN
Inventors: D.科马尼西尤; L.M.伊图; T.曼斯; V.米哈勒夫; D.纽曼恩; T.帕斯塞里尼; P.沙马
Original assignee: Siemens AG
Current assignee: Siemens Healthineers AG
Priority date: 2015-01-06
Filing date: 2016-01-06
Publication date: 2021-08-24
Anticipated expiration: 2036-01-06
Also published as: EP3043276B1; EP3043276A3; EP3043276A2; CN105976348A; US20160196384A1

Abstract

本发明涉及医学成像中的个性化全身循环。提供个性化全身循环计算。在一个实施例中，不同尺度上的模型以及机器学习的组合可以被用以个性化以及计算特殊病人的循环。在另一个实施例中，成像、ECG、和压力数据被用以使多尺度全身循环模型个性化。不同的参数、例如（但是不限制于）心脏的时变流速、心脏的压力变化、心血管系统阻抗、以及心血管肺阻抗针对病人被确定并且被用以使模型个性化。模型于是被用以确定、可视化、或者报告那个病人的诊断上或治疗上有用的循环度量。

Description

医学成像中的个性化全身循环

本专利文件要求2015年1月6日提交的美国临时专利申请序列号62/100,271的根据35 U.S.C.§119(e)的申请日的权益，该美国临时专利申请特此通过引用方式被合并。

技术领域

本实施例涉及根据医学成像和临床数据对与全身循环有关的综合参数的估计。

背景技术

心脏的泵送足够的血液以匹配心脏自身的需求以及身体的需求的能力取决于内在以及外在因素。对这些因素的建模可以导致评估以及管理心脏疾病的更好的方法以及导致更好的病人分层以及治疗计划。然而，全身循环的很多模型是过度地简化的、过程密集的、太一般的（即不反映病人的生理机能）、和/或不精确以致于在用于辅助给定病人的临床设定中没有用。

发明内容

通过介绍，下面所描述的优选的实施例包括用于个性化全身循环计算的方法、计算机可读介质以及系统。在一个实施例中，不同尺度上的模型以及机器学习的组合可以被用以个性化以及计算特殊病人的循环。在另一个实施例中，成像、ECG（心电图）和压力数据被用以使多尺度全身循环模型个性化。不同的参数、例如心脏的时变流速、心脏的压力变化、心血管系统阻抗、以及心血管肺阻抗针对病人被确定并且被用以使模型个性化。模型于是被用以确定以及可视化那个病人的诊断上或治疗上有用的循环度量。

在第一方面中，提供用于个性化全身循环计算的方法。医学扫描仪捕获病人的心血管空间数据，ECG传感器捕获病人的ECG数据，并且套囊捕获病人的压力数据。病人的心脏的心血管空间数据在心动周期的至少两个阶段中被分割。根据所分割的心血管空间数据、ECG数据和压力数据来确定对病人被个性化的心脏的时变流速、心脏的压力变化、心血管系统阻抗和心血管肺阻抗。根据、但是不限制于对病人被个性化的心脏的时变流速、心脏的压力变化、心血管系统阻抗和心血管肺阻抗利用多尺度全身循环模型来估算度量。该度量为病人被指示在显示器上。

在第二方面中，非暂时性计算机可读存储介质具有储存在其中的数据，所述数据表示能够由用于个性化全身循环计算的被编程的处理器执行的指令。存储介质包括指令，用以：运行病人的全身循环的第一模型；运行病人的全身循环的第二模型，第二模型相对于第一模型被降阶（即利用更少数量的参数或变量来表示）；并且训练机器学习的回归量以基于第一模型和第二模型的输出来估计。

在第三方面中，提供用于个性化全身循环计算的系统。配置扫描仪以扫描病人的心血管系统的整体或部分。配置处理器以针对病人根据扫描基于包括集总模型、三维模型、或者集总和三维模型的组合的第一模型以及基于包括根据第一模型的降阶的第二模型来应用机器训练的分类器。

本发明通过下列的权利要求来限定，并且在这部分中的任何内容都不应当被看作是对那些权利要求的限制。本发明的进一步的方面以及优点下面结合优选的实施例来论述并且稍后可以独立地或者组合地要求保护。

附图说明

组件和图不一定按比例，反而重点被放在图解本发明的原理上。此外，在图中，相似的参考数字指明贯穿不同视图的相应部分。

图1是用于个性化全身循环计算的方法的一个实施例的流程图；

图2图解心血管以及调节系统之间的交换的一个示例；

图3图解图2的心血管以及调节系统的组件；

图4图解心血管系统的集总参数闭环模型的一个实施例；

图5图解心血管系统的组合的集总以及三维闭环模型的一个实施例；

图6图解扩展或更大尺度集总系统和肺模型；

图7是用于个性化的方法的一个实施例的流程图；

图8示出将基于模型的计算相对于针对容积-压力环的所测量的结果进行比较的图表；

图9是用于个性化全身循环计算的方法的一个实施例的流程图；

图10是图9的方法的进一步的实施例的流程图；

图11是图9的方法的另一进一步的实施例的流程图；以及

图12是用于个性化全身循环计算的系统的一个实施例的框图。

具体实施方式

使用病人的医学图像和信号来执行全身循环的个性化计算。心血管系统的综合的病人特定的多尺度计算模型由耦合到全身循环模型的全尺度或降阶心脏电力学模型构成。多尺度计算模型被用以估计参数以及计算心脏和整个心血管系统的动力学。要被个性化的参数可以被先验地指定或者基于感兴趣度量集被自动识别。一旦这些参数已知，所述参数的个性化被自动地执行。所估算的心血管的感兴趣度量被用在病人分层、疾病估计和/或治疗计划中。得到的计算模型被用以通过计算敏锐的预测值来测试不同的治疗配置，所述预测值被用以在计划阶段中确定病人是否将对处治作出反应或者在干预中将临床医生引向治疗目标（例如用于心脏再同步治疗（CRT）的左心室（LV）引线的放置）。

在一个实施例中，采集心血管图像、信号和数据，包括病人的至少一个医学图像，ECG、心脏收缩以及心脏舒张套囊压力的采集。为了建立在心动周期的至少两个时间阶段（例如峰值心脏收缩和峰值心脏舒张）中心脏或者至少一个腔（例如左心室）的几何结构，图像被分割。包括一个或两个心腔的时变的参数化的流速函数和压力变化函数、以及心血管系统以及肺阻抗的血液动力学参数被个性化。多尺度全身循环模型动力学利用个性化参数来估算。所估算的数据被可视化为成果曲线，或者被可视化为被覆盖或被显示为所分割的几何结构或成像数据的属性的标量和/或向量场。

综合的闭环心血管系统（CLCS）模型能够模拟生理以及病理生理特性，并且根据那些特性来量化心脏的工作负荷。该方法使得能够更好地理解心脏病和心脏上的由于各种病理引起的额外工作负荷之间的复杂关系，所述病理例如是肥大、心肌病（致心律失常性右心室心肌病、孤立性心室致密不全、线粒体肌病、扩张型心肌病、限制性心肌病、围生期心肌病、应激性（takotsubo）心肌病、勒夫勒心内膜炎等）、二尖瓣反流、主动脉瓣狭窄、主动脉瓣反流、和高血压。

个性化耦合到循环模型的多尺度心脏模型。典型的使用情况是左或右心室压力-容积环的非侵入性计算，但是可以估算其它的诊断上或治疗上有用的度量。基于机器学习的工作流程可以改进生理降阶模型和/或可以被用以导出具有从降阶生理模型中提取的特征的数据驱动的前向模型。全尺度或比降阶模型更大的尺度被用在训练机器学习分类器中。

图2示出用于个性化全身循环计算的方法。所述方法由医学诊断成像系统、审阅站、工作站、计算机、图片和归档和通信系统（PACS）站、服务器、其组合或者用于图像处理医学扫描数据的其它的设备来实现。例如，在图12中示出的系统、计算机可读介质和/或处理器实现所述方法，但是可以使用其它的系统。

所述方法以所示出的顺序或不同的顺序实现。可以执行附加的、不同的或更少的动作。例如，动作22不被执行，其中个性化在没有分割的情况下对图像数据起作用。在另一示例中，提供用于储存所扫描的数据和/或结果的传递的动作。在又一示例中，不提供动作34和/或36。

动作实时地、例如在手术过程期间被执行。在该过程期间执行允许临床医生基于根据扫描数据所估算的流量信息来诊断和/或处治以辅助正在进行的过程。在其它的实施例中，在过程（例如作为审阅的部分来执行）之后，作为诊断的部分，或者在用于计划的过程之前执行动作。所述方法可以被重复以提供在时间上的比较信息。

动作被处理器自动地执行。用户引起病人被扫描或者从先前扫描获取病人的扫描数据。用户可以激活进程并且输入病人特定的信息、例如感兴趣度量、年龄、性别、和/或体重。一旦个性化和/或度量计算被激活，在没有任何用户输入的情况下，例如在没有位置和/或值的用户输入的情况下，执行所述方法。替代地，用户辅助半自动化进程，例如用户指示特性的可能的值。可以提供其它的用户输入，例如用于改变建模参数值，纠正输出，和/或以确认精确性。

在动作20中，获得表示病人的数据。获得不同类型的数据中的一个或多个。例如，获得来自计算机化的医疗记录的数据，例如诊断、年龄、体重和性别。在一个实施例中，获得扫描、功能和压力数据。功能数据是利用电极和ECG传感器所测量的ECG测量结果，但是可以获得其它的功能数据。压力数据是利用压力套囊所测量的压力，但是内部压力可以替代地或附加地利用导管上的压力传感器来测量。扫描数据是利用医疗诊断扫描仪、例如超声波、计算机断层扫描、x射线、荧光透视、血管造影或磁共振扫描仪来测量的图像数据或空间数据。可以使用任何扫描序列或方法。可以获得其它类型的数据。

数据同时被获得，例如在也扫描时测量压力和功能。替代地，数据在不同时间、例如按顺序在单个病人访视或预约期间或按顺序跨越数小时或数天被获得。

数据通过扫描和/或测量病人来采集。在一个替代的实施例中，数据通过从存储器加载来采集。来自病人的先前所执行的扫描的数据被储存在存储器、例如图片归档和通信系统（PACS）数据库中。数据从数据库中被选择。数据可以通过例如通过网络或在便携式存储设备上的传递来获得。

扫描数据表示容积。扫描数据被组织或格式化为帧、数据集、多个数据集、或其它的集合以表示容积。扫描数据表示分布在三维中的位置。容积包括心脏以及一个或多个脉管。在其它的实施例中，可以成像心脏的仅仅一部分。可以采集容积的在时间上的扫描数据。

在动作22中，处理器分割病人的心脏的心血管空间数据。识别表示在心血管空间数据中所表示的病人的三维容积内的心脏的扫描数据。使用阈值转换、边缘检测、对比度检测、形状拟合、流量检测、其组合或其它的方法识别相对于其它的解剖结构的与心脏的部分或全部或者其它的心血管部分相关的位置。扫描或检测的类型可以导致采集来自心血管系统并且不来自其它的解剖结构的数据，例如通过对比度检测和/或流量检测。心脏可以被表示为心脏壁的组织、具有血液的组织的边界、和/或血液柱的外部。

为了允许对在心动周期中的改变或变化的计算，心脏结构（例如心腔）的位置在心动周期的至少两个阶段中被分割。针对阶段（例如心脏舒张末期和心脏收缩末期）中的每个来采集扫描数据。每个阶段的扫描数据被分割以在该周期中的不同时间提供解剖结构。

在分割的情况下或在没有分割的情况下所获得的数据与多尺度全身循环模型一起使用。全身表示包括心脏和脉管的表示。心脏、系统循环和肺循环在建模中被计及。由于模型是心血管系统的全身模型，所述模型是闭环模型。循环是针对心血管系统中的血液。多尺度指示模型包括不同水平信息或表示、例如细胞、器官和循环系统（circulatory）。细胞可以是纤维或在例如用于对心脏的电生理现象建模的模型中使用的其它的亚解剖表示。器官可以是例如通过所分割的数据表示的心脏、脉管或心脏或脉管的部分。多尺度的循环系统表示一种系统、例如器官的集合。多尺度模型包括两个或更多水平或阶（即尺度）的表示，例如3D、2D、1D和0D中的两个或更多。

模型是针于一个阶段、跨越多个阶段或者处于静止状态的。在一个实施例中，对不同的病人状态（稳态和暂态）建模。图2示出耦合到表示心血管调节系统的一个或多个（例如一系列）模型的心血管模型。系统之间的双向信息交换导致心血管活动和运行的连续适配。在建模中，来自心血管模型的流速或容积改变和压力数据被提供给调节系统模型并且调节系统模型返回所适配的或所变更的值以供在心血管模型中使用。

在动作24中，处理器使闭环或全身心血管模型的参数个性化。针对病人基于动作20的所获得的数据来设定在模型中使用的参数的一个或多个值。例如，所分割的心血管空间数据、ECG数据、和压力数据被用以确定在模型中使用的多个参数的值。

示例参数包括心脏的时变流速、心脏的压力变化、心血管系统阻抗、以及心血管肺阻抗。在心脏系统中的一个或多个位置处的这些参数的值在模型中被使用。可以使用任何数量的参数和每个参数的在时间和/或空间上的相应地任何数量的值。在建模中使用的其它的示例参数可以包括心脏收缩主动脉压力[mmHg]、心脏舒张主动脉压力[mmHg]、心率[bpm]、射血分数[%]、心脏舒张末期容积[ml]、心搏量[ml]、左心室收缩末期压力[mmHg]、左心室收缩末期弹性[mmHg/ml]、动脉顺应性、容积（V）、V_0,* [ml]（心脏的*腔的死容积）、V₁₀₀[ml]（与100mmHg的左心室压力对应的左心室容积）、近端动脉阻力[g/(cm⁴∙s)]、远端动脉阻力[g/(cm⁴∙s)]、总动脉阻力[g/(cm⁴∙s)]、搏出功PV[J]（根据所估算的PV环确定的搏出功）、标准化搏出功PV[J/ml]（搏出功PV除以心搏量）、搏出功PQt[J]（根据所估算的心室压力和主动脉流速确定的搏出功）、标准化搏出功PQt[J/ml]（搏出功PQt除以心搏量）、动脉弹性[mmHg/ml]（被估算为心脏收缩末期压力除以心搏量）、和/或动脉心室耦合（动脉弹性除以左心室收缩末期弹性）。可以在建模中使用附加的、不同的或更少的参数。参数是被用于模型的输入变量。替代地，上面列举的变量中的一个或多个是从个性化的模型中计算的输出度量。

一个或多个个性化参数被用在任何闭环心血管系统模型中。在一个实施例中，闭环心血管系统模型是心血管系统的集总参数或多尺度模型。图3更详细地示出图2的闭环心血管系统和调节系统。该模型可以表示这些系统。

作用于心血管系统的各种调节系统在图3中被呈现。这些调节系统的目标是维持某些水平的血压、到某一器官的流速、身体温度、滤过率或血液中的氧气水平。特别地，身体的大部分系统显示一定程度的自动调节。心脏和脑对于过度灌注和欠灌注非常敏感，因此调节控制灌注量。冠状动脉自动调节通过适配冠状动脉微血管的阻力来确保冠状动脉血液供应匹配在静止时以及在运动（充血）时心肌的需氧量。大脑自动调节也集中于维持到对向大脑组织的合适的血液流动。

在系统水平的血压调节由压力反射系统来执行，所述压力反射系统使用由主要位于主动脉弓中和颈动脉窦处的压力感受器和由肾素血管紧张素系统提供的输入数据，所述肾素血管紧张素系统由肾动脉循环的输入小动脉中的压力和流量感受器触发。肾自动调节系统适配肾微血管的阻力以便维持参考肾小球滤过率。可以对附加的、不同的或更少的调节系统建模。调节系统通过不同的等式来建模。例如，在压力反射系统中，使用不同的数学函数，例如：

1. R_syst = f(Pa),其中R_syst 是总系统阻力并且Pa是平均动脉压以及2. C_v = f(Pa)，其中C_v 是静脉顺应性。但是可以使用其它的方法。

全身心血管系统模型包含心脏模型(心脏的左和右侧，左和右侧中的每一个具有心房和心室)、系统循环(动脉、毛细血管、静脉）和肺循环（动脉、毛细血管、静脉）。这些组件中的每个可以由不同尺度（3D、2D、1D、0D）的一个或多个简单或复杂模型来表示。图3呈现系统和肺循环的可能模型集。在一个实施例中，闭环心血管系统中的系统环在没有第三列的系统动脉循环的特定部分的情况下被建模。系统动脉循环的阶数被降低到更一般的项而不是特别地对动脉循环的部分建模。

替代地，模型表示附加的分辨率、尺度和/或组件。在还有其它的替代方案中，模型简化到从更广泛的视角表示心血管和/或调节系统、例如表示一般单独地具有肺和系统循环的心脏的降阶。

可以使用任何模型。可以使用表示解剖结构、集总表示、或3D和集总的组合的三维（3D）模型。在一个实施例中，闭环心血管系统模型被建模为集总系统。由于空间血液流动模型（例如3D模型）的过高的计算成本，心血管系统的闭环模型被创建为集总参数模型。图4示出表示心血管循环的示例“电学”模型。该闭环心血管系统模型基于水力学和RLC电路形式的电学之间的类比，其中：

在图4的示例中，时变弹性模型被用于心脏的四个腔（例如左和右心房和心室）中的每个：

其中E是时变弹性，V是腔容积，V₀是每个腔的死容积，R_S是源阻力，所述源阻力计及流量和腔压力之间的相关性，并且t是时间。求解R_S提供

，其中K_S是常数。腔容积等于:

集总模型也对心脏的四个瓣膜(二尖瓣、主动脉、三尖瓣和肺动脉)建模。这些瓣膜模型包括电阻、电感和二极管。二极管用于基于瓣膜的两侧之间的压力梯度来模拟瓣膜的打开和闭合。当瓣膜闭合时，穿过瓣膜的流量被设定为0。当瓣膜打开时，下列关系式成立：

其中P_in 和P_out分别表示瓣膜的入口和出口处的压力。每个瓣膜在P_in 变得比P_out更大时打开并且在流速变为负的时闭合。

三元素Windkessel模型被用于由瞬时流量和压力之间的下列关系式表示的系统循环：

其中R_sys-p 和R_sys-d分别是近端和远端阻力，C_sys 是顺应性，并且P_ven 是静脉压。二元素Windkessel模型被用于系统静脉循环：

与在等式4和5中所表示的相同的模型被用于肺循环。不同的模型可以被用于循环和/或心脏模型中的任何一个。共同地，所述模型是闭环心血管系统模型的集总模型。

图5示出另一示例闭环心血管系统模型。该模型是集总模型和三维模型的组合。心脏和/或循环的部分或全部在3D中被建模。在图5的示例中，左和右心室在3D中被建模，而心脏和循环的剩余部分（reminder）利用集总参数来建模。诊断上或治疗上有用的度量使用闭环心血管系统的集总和3D组合表示来估算。

如果心血管系统的模型的重点在于循环的特定部分，则更详细的模型可以被耦合到心血管系统的其余部分。在图5的示例中，更详细的模型是3D模型，但是具有附加参数的集总模型可以替代地被使用。在图5的示例中，重点在心室上，但是可以在其它的部分上。3D模型具有所有参数、例如用于组织边界的网格、定义瓣膜和/或心脏肌肉的物理运行的参数、电激活参数、和/或定义3D模型的其它的信息。

心室的三维模型被耦合到图4的上面所描述的闭环集总模型。3D模型代替集总参数模型的时变弹性模型。耦合基于压力和流速（容积）信息的交换，但是其它的值可以在模型的接口处被交换。在一种配置中，下列信息可以被交换：3D模型提供在当前时间步骤的心室压力和容积改变率（

，

）；以及集总模型提供在下一时间步骤的心房中和主动脉中的压力（

，

）。3D和集总模型交互被用作用于实现建模的边界条件。

模型的参数在动作24中被个性化。不同的病人在心血管运行中变化。为了捕获该变化，参数的值变化并且对于不同病人来说是不同的。可以给一些参数分配平均值、中值、预先确定的值、集合或其它的值，而参数中的一个或多个具有基于来自病人的信息的值。

动作26-28示出模型的示例个性化。这些动作表示使不同类型的模型个性化。给定类型中的任何一个或多个参数可以被个性化。例如使用具有3D模型的一个或多个参数的个性化的通用集总模型，一个或多个类型的模型可以不被个性化。可以使用使参数个性化的附加的、不同的或者更少的动作，例如分析敏感度以确定针对给定病人使哪些参数个性化。

在动作26中，心脏的部分或全部的模型被自定义。处理器确定对作为3D模型的部分的病人个性化的解剖功能模型和血液动力学模型。来自模型的电激活和血液动力学负荷被提供给生物力学模型以使3D生物力学模型个性化。生物力学模型包括主动和被动组件。由于使用来自细胞水平的功能以及来自器官水平的解剖结构，该模型是多尺度模型。

在一个实施例中，图4或5的闭环心血管系统模型的心脏部分40使用心脏功能的病人特定的计算模型来个性化。集成解剖、功能以及血液动力学数据以估计心脏机电学的生成模型。

为了将心脏部分40与循环部分42耦合，解变量（例如压力、流速、速度或其它）中的任何一个的值在每个时间步骤被交换。所述耦合可以隐式地或显式地被执行。例如，所述耦合如下被执行：全身循环部分42从心脏部分40读取压力和流量值，而心脏部分40从循环部分42中读取动脉窦中和静脉系统中的压力值。

增强的心脏模型部分40的总体功能从用于个性化的病人的成像和临床数据中导出。可以使用任何心脏模型。

在一个实施例中，统一的超声心脏模型利用心肌纤维信息来增强。纤维信息要么从基于规则的生成模型导出要么从弥散张量成像（DTI）中导出。使用心脏电生理学的计算上有效的模型。从表示心脏的解剖结构的3D网格，根据格子波尔兹曼（lattice-Boltzmann）电生理学（LBM-EP）在时间上计算心脏电位。LBM-EP依赖格子波尔兹曼方法以求解心脏EP的各向异性的单域等式。可以采用任何细胞模型。在一种方法中使用Mitchell-Schaeffer模型。考虑组织各向异性，其中电激活沿着心肌纤维比穿过心肌纤维更快。模型被耦合到用于ECG的计算的躯干模型。所测量的ECG被用以使LBM-EP个性化。病人的扫描数据被用以创建个性化的3D网格。

该实施例也包括心脏血液动力学模型。集总参数模型（例如一个压力值针对整个心腔被计算）根据动脉压力（例如使用三元素Windkessel模型来计算）和心房压力（例如使用心房收缩的集总模型来计算）来控制心脏阶段。套囊压力被用以使心脏血液动力学模型个性化。在另一实施例中，全3D计算流体动力学求解器与基于套囊压力和扫描数据的流体结构交互一起使用。

LBM-EP和心脏血液动力学被共同用于心脏机电学的计算上有效的模型。心脏的生物力学模型被采用以计算由在EP和心脏血液动力学模型中所计算的电激活和血液动力学负荷产生的泵送功能。

对于生物力学模型来说，使用两种组件：用以捕获心肌组织（心肌纤维和纤维板）的正交各向异性的性质的被动组件和计算由肌细胞在收缩期间产生的应力的主动组件。每个组件通过可以在空间上变化的参数集来控制。例如，被动弹性组件可以是提供应力-应变相关性的任何模型，例如线性弹性模型或更精确的像由Holzapfel和Ogden（HO)提出的超弹性正交各向异性组织模型的非线性模型。方法特定的参数、像线性弹性模型的杨氏模量、泊松比、剪切模量或者特定于HO能量函数的参数要么基于群体平均值来设定要么根据扫描数据使用逆向建模或机器学习来估计。主动弹性组件可以是生物物理模型、多尺度现象学模型或者集总模型，这些模型中的任何一个都取决于可调参数。这种参数的示例是主动收缩的强度、收缩和松弛率、细胞去极化和收缩的开初之间的时间间隔、以及细胞被去极化所处于的跨膜电位。主动模型参数也在群体平均值基础上设定或者根据扫描数据使用逆向建模或机器学习来估计。所计算的参数直接被应用或者在闭环模型中没有改变的情况下被应用。替代地，所计算的参数被变更以与闭环模型耦合。

心脏电生理学参数（例如导电性和动作电位持续时间）的估计可以通过利用根据超声估算的心脏的应变图来进一步被改善。在第一方法中，框的线根据应变图被识别为纤维的方向并且被用作EP估计的先验知识。在第二方法中，根据运动来计算局部机械激活速度，并且得到的图被用作导电性的第一估计，所述第一估计然后使用全局ECG特征来改善。

应变图可以被用以改善心脏生物力学参数（例如主动应力和组织刚度）的估计。成本函数包括所计算的和所估算的3D应力之间的差异。由于3D采集，应变张量在使用对数欧几里德框架的实施例中直接被比较。以这种方式获得区域性的或局部化的估计。此外，耦合个性化的EP模型和图像导出的运动和应变图，可以推断任何疤痕的位置和范围。如果侵入性心内膜标测或体表标测应是可用的，则疤痕边界区面积可以被识别为具有电活性的运动不能面积（例如，如在应变图上所量化的）。

为了心脏血液动力学（例如动脉Windkessel参数和动脉参数）的估计，彩色多普勒、脉波或者连续波多普勒超声被使用，因为流动直接提供压力梯度和穿过瓣膜的流量，所述压力梯度和穿过瓣膜的流量是闭环模型的输入。

通过统一的超声心脏模型使在个性化过程中的这些增强变成可能，所述统一的超声心脏模型将解剖的、动态的、和功能的信息合并到一个系统中。可以使用其它的个性化。在过程结束时，不管在集总模型、3D模型还是集总和3D模型的组合中，获得特定病人的心脏的虚拟表示。心脏部分40的该模型可以被探索以测试不同治疗成果。

心脏和/或循环的集总模型的参数在动作28中被个性化。集总模型的值被拟合到所测量的数据，例如扫描数据、ECG数据和/或压力数据。使用导致与所测量的相同的一种度量或多个度量的集总模型计算的参数的值。替代地，来自病人的测量结果被用以直接估计一个或多个参数的值。

除了使集总模型的参数个性化或作为使集总模型的参数个性化的替代，图4的循环部分42的集总模型可以使用附加参数来个性化。例如，对病人被个性化的心血管系统阻抗和心血管肺阻抗利用动脉窦、主动脉、和/或肺动脉的电感、和/或利用动脉树的电阻来确定。图6示出系统或肺循环的集总模型，所述集总模型以在动脉窦和/或主/肺动脉水平的电感、和/或在动脉树的各种水平上的各个电阻的形式引入进一步可能的控制参数。用于肺和系统循环的可能的模型由利用用于系统情况的下标表示的下列等式支配：

以及流速

而对于系统的远端部分：

以及流速

并且静脉循环等式是：

以及流量

可以使用其它的集总模型。

为了使心脏部分40进一步个性化，心脏的时变流速和心脏的压力变化利用包括KG隔膜动力学的集总模型来计算。心脏的模型被增强以对KG隔膜对流量的影响建模。KG隔膜是包括纤维环和四个心脏瓣膜的软组织。KG隔膜在若干力的组合作用下经历到房-室腔中的周期性位移，所述若干力包括：由于穿过瓣膜以及包围组织的压力差引起的压力，来自作用于纤维环的底部的心房和心室侧的组织应变力，来自血液流动的摩擦力、和由于KG隔膜的弹性引起的弹力。KG隔膜动力学取决于所有这些力的平衡。KG隔膜的动力学单独地针对两个心脏侧中的每一个来建模。

在心脏收缩阶段中，KG隔膜移动到心室腔中，并且在心脏舒张末期阶段中，KG隔膜由于心房收缩移动到心房中。沿着心脏的长轴的总位移可以是大约2-3cm。可以使用集总参数模型对KG隔膜动力学建模：

等式（9）规定纤维环I的位移的变化由内部（等式的左侧）和外部（等式的右侧）贡献来支配。内部贡献是由于惯性

（其中

是隔膜组织质量）、阻尼力

（其中

阻尼乘法参数）和弹力

（其中

是隔膜弹性）。这些通过由可以被建模以取决于心房或心室弹性（例如

，其中

是弹性函数，并且对于心房来说类似地）的隔膜的任一侧上的腔应变引起的外部力（

或者

）和由穿过隔膜的压力差引起的力

来平衡，其中

是隔膜的面积。

KG隔膜的运动重新定义在每个时间瞬间心房心室边界的位置并且将容积改变引入到两个左腔中。位置和容积改变被表示为：

其中心室（V_vent）和心房（V_atr）容积通过由隔膜运动引起的由

给定的容积改变来调整。隔膜移动取决于一系列的参数：腔的弹性、几何参数（像纤维环的截面积）和其它的系数（Kst、Kf等）。弹性的个性化如前面所描述地（即通过匹配模型输出和病人特定的测量结果）被执行。几何参数根据医学图像来个性化。系数也可以根据在心动周期的不同时间点采集的、提供关于隔膜移动的定时和范围的信息的医学图像来个性化。

参照图3，调节系统可以利用耦合到闭环心血管系统模型的压力反射系统模型来建模。为了对病人的各种稳态和暂态建模，在图3中显示的调节系统中的一个或多个被建模。压力反射系统是最复杂的系统调节系统之一。输入是主动脉弓和颈动脉窦处的平均动脉压。这些输入可以通过心血管系统模型来提供。压力反射系统由三个主要部分构成：传入部分（压力感受器）、中枢神经系统和传出部分（传出通路）。压力反射系统控制心率、左和右心室的收缩性、系统动脉阻力、静脉顺应性和静脉无应力容积。压力反射系统的建模例如在模拟（急性）出血和心脏起搏时是可应用的。

心血管系统模型与调节系统的耦合被执行为模型之间的信息交换。在一个实施例中，全身循环模型输出某些血液动力学变量（例如压力和流速）。这些输出是调节系统的模型的输入。调节系统的模型又修改全身循环模型的参数值。调节系统的模型可以在心动周期结束时使用周期平均的血液动力学量作为输入信息、或者在每个时间步骤使用瞬时血液动力学量作为输入信息被调用仅仅一次。

压力反射系统影响全身循环模型的若干参数，而其它的调节系统通常主要修改一个参数。例如，大脑、肾和冠状动脉自动调节系统主要影响相应器官的微血管阻力。可以使用差分方程。例如对于冠状动脉自动调节来说，R_micro = f(Q)，其中R_micro 是微血管阻力并且Q是周期平均的冠状动脉流速。

为了估算病人特定的血液动力学，循环和调节系统被个性化。可以使用用于个性化的任何方法。模型参数的值被设定为或基于所测量的值（例如公式使一个或多个所测量的值与参数的值有关）。在另一方法中，参数的各种值被测试或求解以使基于模型的计算与测量匹配。

图7示出全自动模型个性化的示例工作流程。处理器在度量的用户选择之后执行动作。在动作72中，感兴趣度量由用户或处理器定义。感兴趣度量是诊断上或治疗上相关的信息。例如，左和/或右心室的压力-容积（PV）环、搏出功、动脉心室耦合（即动脉弹性除以左心室收缩末期弹性）、等时容积底部（isochrone volume foot）和/或心肌应变是可以辅助医师诊断或处治心血管状况。

在动作70中，提取感兴趣度量的病人特定的度量标准（measures）。所获得的数据被用以获得度量标准。可以使用任何度量标准。例如，度量标准可以是非侵入性测量结果（例如基于套囊的压力、心率、基于超声波心动描记术的度量标准（容积、血液速度、和/或动脉尺寸）和/或基于成像的度量标准（例如，流速、速度、动脉壁的移动）。作为另一示例，度量标准可以是侵入性测量结果（例如心血管系统中的任何位置处的侵入性压力、流量、或阻力测量结果）。

在动作74中，处理器执行病人的多尺度全身循环模型的参数的敏感度分析。敏感度分析识别影响感兴趣度量的模型的参数。可以使用阈值以确定充分地影响一个度量或多个度量的参数。对于敏感度分析来说，执行全局敏感度分析和不确定性量化。可以使用任何敏感度分析，例如随机配置方法或多项式混沌扩展。作为敏感度分析的替代方案，使用预先确定的参数或用户选择的参数。

一旦具有对感兴趣度量的最大影响的参数已被识别，处理器在动作76中基于病人特定的度量标准来使参数个性化。使来自动作74的参数的所选择的子集个性化。可以使用任何个性化，例如直接作为参数的值来使用度量标准，根据度量标准来计算参数的值，和/或使用度量标准求解参数的值。

在一个实施例中，处理器基于所测量的和所建模的值之间的差异来求解参数。个性化可以包括在动作78中多次运行前向模型直到满足模型输出中的某些目标，例如模型计算的值和所测量的值之间的差异的最小化。此外，简化的模型可以在该过程期间被使用以加速为完成个性化所需的迭代。例如，使用更少参数（例如更集总的）的降阶模型被用以求解参数的值。替代地，全尺度模型（例如集总的、3D或集总+3D）被用以基于来自特定病人的测量结果来求解参数的值。

一旦执行了第一个性化，敏感度分析和不确定性量化可以被重新运行以更精确地确定用于当前病人的个性化的参数。不使一般地针对模型执行敏感度分析，而是针对对特定病人被调谐或被个性化的模型执行敏感度分析。该方法通过从动作78到动作74和76的反馈箭头表示。

在一个示例中，提供个性化用于使用集总参数模型来估算病人特定的左心室PV环。模型个性化框架包括两个顺序步骤。第一，一系列参数被直接估算，并且，接着，采用基于优化的校准方法来估计剩余参数的值，确保个性化的估算匹配测量结果。输入参数是基于套囊的心脏收缩和心脏舒张压（SBP和DBP）、心率（HR）、和基于超声波心动描记术的射血分数（EP）和心脏舒张和心脏收缩末期容积（EDV和ESV）。

在参数估计框架的第一步骤期间，确定平均动脉压（MAP）：

然后，估算心脏收缩末期容积：

接着，确定心搏量：

并且估算平均主动脉流速：

最后，确定总系统阻力以及近端和远端组件：

其中ρ是近端阻力分数。可以使用其它的函数。

在参数估计框架的第二步骤期间，基于优化的校准方法被采用以估计左心室模型的最大弹性E_max-LV、左心室的死容积V_0-LV和系统Windkessel模型的顺应性C_sys。参数估计问题被表达为数值优化问题，所述数值优化问题的目的是找到一组参数值，对于该组参数值来说满足目标集。由于要被估计的参数的数量被设定为等于目标数量，参数估计问题变为找到非线性方程组的根的问题。为了求解方程组，使用狗腿信赖域方法（dogleg trustregion method）。参数估计方法的目标基于心脏收缩和心脏舒张压、和射血分数来表达，从而导致非线性方程组：

其中r(x)是在下面的目标函数中被调用的向量函数，并且x是未知量的向量（即要被估计的参数）。目标函数的每个组件被表达为量的所估算的值(·)_comp（使用集总参数模型来确定）及其参考值 (·)_ref（通过动作70中的测量结果来确定）之间的差异。为了针对给定的参数值集来评估目标函数，集总参数模型被运行仅仅一次或者多次。

相似的个性化方法可以被应用于图5中的模型配置。不同的参数可以针对3D心室模型（例如最大主动力和被动生物力学组织特性）来个性化。除了图7的基于优化的方法，其它的方法可以被用于全自动迭代校准。可以使用基于拟合的或替代的模型方法。对于这些方法中的任何一个来说，要被估计的参数的数量可以比目标或来自病人的测量结果的数量更小、与目标或来自病人的测量结果的数量相等或比目标或来自病人的测量结果的数量更大。

用于个性化的（例如在手臂处所测量的）套囊压力可以在被用作参数估计过程中的目标之前进一步被适配。转移函数根据所测量的套囊压力来估计中心动脉压。

一般地，参数估计问题可以被表达为：

其中p是参数向量，并且是o是目标向量（o_comp 是从前向模型中获得的目标向量，并且o_ref 是从病人所测量的目标参考值向量）。

直接个性化也可以特别地针对心血管模型的子部分被执行。例如，专门的集总参数瓣膜模型可以被使用，其由下列等式给定：

其中R、B和L是由血液特性和瓣膜的几何结构给定的三个参数：

其中A_eff,max是最大环面积，A_eff,min 是最小环面积，A_prox 是瓣膜近端的横截面积，A_dist 是瓣膜远端的横截面积，valve timing（瓣膜定时）指的是瓣膜闭合和打开的动力学，ρ是血液密度，μ是血液粘性。该信息可以使用不同的成像模态（例如超声波心动描记术）来非侵入性地提取。

针对特定病人来使一个、子集或所有参数个性化。通用群体平均值、中值、或其它的预先确定的值对于参数中的一些来说可能足够了。

不同的方法可以用在处理组合的集总和3D模型中。在一种方法中，使图4中的集总模型配置的参数个性化。然后，这些集总参数值被用于图5的多尺度模型的集总部分。3D部分的参数基于个性化集总模型来个性化。在另一种方法中，使图4中的集总模型配置的参数个性化。不是直接使用图5的集总部分的这些参数，而是将集总参数的个性化值用以初始化图5的全尺度模型。个性化于是针对图5的整个模型被重新运行。

再次参照图1，处理器在动作32中利用个性化的多尺度全身循环模型来估算一个或多个度量。例如对病人被个性化的心脏的时变流速、心脏的压力变化、心血管系统阻抗、以及心血管肺阻抗被用以估算度量的值。得到的参数针对病人来适配模型。在表示在动作36中的一个实施例中，于是个性化参数是根据敏感度分析所确定的参数。所适配的或病人特定的模型被用以计算诊断上或治疗上有用的信息。多尺度全身循环模型利用子集的个性化参数来运行。

在提供例如在图2和3中示出的多个模型的情况下，度量的计算依赖于在动作34中模型之间的耦合或交互（见图1）。由一个模型使用的参数值可以通过另一模型来计算。所交换的值提供用于对心血管系统和/或调节系统的部分建模的时变边界条件。例如在动作34中，压力、流量或其它的值针对心脏的所调节的区域来确定。针对给定时间的这些值被传递给一个或多个调节模型。调节模型变更这些参数的值并且将所变更的值传递回心血管模型以用于在下一时间步骤中计算，从而模仿心脏的功能的调节。

基于在所期望的心脏阶段或在时间上建模，估算一个或多个度量。例如，心室的压力-容积（PV）环、搏出工作负荷（stroke workload）、动脉心室耦合、等时容积底部、和/或心肌应变根据模型被估算。

图8显示具有轻度反流的病人的示例PV结果。来自建模的结果与来自病人的相同度量的测量结果进行比较。存在时变LV和主动脉压、时变LV容积、和PV环之间的紧密的一致性。此外，心动周期的四个阶段可以清楚地在所估算的结果中被识别：1：等容收缩阶段，2：心室射血阶段，3：等容松弛阶段，和4：心室充盈阶段。轻度的主动脉瓣反流可在PV环中被观察到，其中与等容松弛相对应的线具有轻微的弯曲。

在图1的动作38中，所述一个度量或多个度量被指示在显示器上。度量可以是值、图表、向量场或空间分布。度量被显示在屏幕上，例如如在图8中所示的那样在没有与测量结果比较的情况下显示PV或其它的值。可以提供指示的其它的显示，例如基于度量来指示工作流程或提供指令。在替代的实施例中，度量被储存在病人记录中和/或在计算机网络上被传输。

图9示出用于个性化全身循环计算的方法的一个实施例。机器学习被用以增强图1的方法的运行或其它的个性化全身循环计算方法。机器学习与运行心血管系统的全尺度模型和运行心血管系统的降尺度模型组合。

所述动作以所示出的顺序或另一顺序被执行。例如，动作82在动作80之前被执行，或者两者并行地被执行。在其它的实施例中，动作84要么与动作80要么与动作82并行地被执行。图9针对训练阶段被示出。对于机器学习的分类器的应用来说，应用动作可以相对于运行全和降阶模型在任何时间发生。

可以提供附加的、不同的或更少的动作。例如，图10和11示出附加的动作。

在动作80中，心血管系统的全尺度模型被运行。处理器执行对病人的全身循环的建模。全尺度模型是具有最大数量的参数和/或变量的模型（即具有最高阶的模型）。全尺度模型可以是集总、3D、或集总+3D模型。“全”被用作与“降”尺度模型相比的相对术语。全尺度模型具有更少的简化、更多的参数，并且与降尺度模型相比在更高维度域上工作。

使全尺度模型个性化。替代地，全尺度模型没有个性化并且正在被运行以便个性化。

在动作82中，处理器运行病人的全身循环的降尺度模型。使降尺度模型个性化。替代地，降尺度模型没有个性化。

在动作84中，处理器应用机器学习以学习分类器或回归量以基于运行全和降尺度模型的输出来预测。所述输出是个性化参数值和/或使用个性化参数值所计算的度量。所述输出被单独地或与其它的信息一起被用作用于机器学习的输入向量。

可以使用任何机器学习。例如，使用神经网络、贝叶斯网络、概率提升树、支持向量机、回归、基于实例的方法、正则化方法、决策树学习、核方法、聚类方法、关联规则学习、降维、或集成方法。给定很多示例作为训练数据，机器学习学习基于输入向量来预测。

训练创建回归量以针对给定病人来估计在降阶模型中所使用的参数值（见图10）或估计作为模型的替换的度量（见图11）。在图10的实施例中，机器训练的分类器或模型基于使用由全身循环的降和全尺度模型提供的参数的训练来预测降尺度模型的参数。降尺度模型的系数基于全尺度模型的运行的输出被适配或被设定。机器学习的分类器于是根据特定的病人信息来预测降尺度模型的系数。（例如被用作降阶模型的）降尺度全身循环模型的参数利用机器训练的模型来预测，所述机器训练的模型根据由全尺度全身循环模型提供的参数（例如参数值）来训练。

图10示出生理降阶模型的基于机器学习的改进的一个实施例。基于机器学习的方法可以被用以改进降阶模型。全尺度（例如三维）模型在估算感兴趣度量标准时与降阶模型相比提供更高的保真度。然而，为了运行全尺度模型所需的执行时间可能是显著更大的，因此对于临床设定可能不是适当的。这些全和降阶模型可以涉及血液流动计算、心脏力学、电生理学、流体结构交互应用或全身循环的其它的方面。

通过使用基于利用全尺度模型所执行的模拟来训练的机器学习方法，降阶模型可以被改进。例如，附加的项可以被添加在降阶模型中以计及没有被降阶模型捕获的特性的效果。替代地或附加地，现有项的系数值（即参数值）也可以使用该方法来改善。

参照图10，大量的输入数据集（几何结构、集总参数值、病人测量结果、或其它的信息）在动作103中被生成。被用于训练机器学习算法的数据库可以包含病人特定的输入数据集、合成地生成的输入数据集、或者两者。

在动作104中，执行全尺度模拟。在动作105中描述没有被降阶模型捕获的特性的特征集从输入数据集中被提取。在动作100中感兴趣度量集从计算结果中被提取。

在动作101中，降阶计算被执行并且降阶模型中的项/系数在动作102中被适配以匹配在动作100中从全尺度模型提取的感兴趣度量。机器学习算法在动作106中被训练以能够仅根据从输入数据（动作105的特征和来自动作102的参数）中提取的特征来预测参数或系数的值。

例如，考虑左心室，流行的降阶模型是时变弹性模型。源电阻Rs 是一个系数，该系数的值可以使用图10中的工作流程来设定，可能通过集中于特定病理学，像：肥大或心肌病（例如，致心律失常性右室心肌病、孤立性心室致密不全、线粒体肌病、扩张型心肌病、限制性心肌病、围生期心肌病、应激性心肌病、勒夫勒心内膜炎、或其他）。类似地，时变弹性模型的最小和/或最大弹性、死容积、和任何的其它的参数可以使用图10中的工作流程来设定。此外，附加项（例如常数或基于压力、容积和/或流速）可以被添加在等式中。降阶模型的改进可以进一步针对病人的不同生理状态、例如静止、运动、餐前或餐后、药物引起的充血、心脏起搏、出血、或另一状态。

图10的工作流程涉及在全尺度和降阶模型两者都是生理模型并且基于机器学习的方法被用以改进降阶模型时的情况。在替代的方法中，基于学习的技术可以被用以导出生理模型的数据驱动的降阶表示，所述生理模型又可以是全尺度或降尺度的。模型利用映射、例如使输入与输出有关的回归来创建。例如，提供心脏电生理学模型的数据驱动的模型降阶。作为另一示例，提供心脏肌丝模型的数据驱动的模型降阶。

一旦被训练，输入数据在动作109中根据特定病人被生成。所述特征在动作110中从输入数据中被提取。使用与在动作105中提取的相同的特征。这些特征在动作107中被应用于所训练的分类器。在动作108中分类器输出要被降阶模型使用的系数或项（例如参数的值）。降阶模型被运行以基于由机器学习的分类器预测的个性化参数来计算感兴趣的一个度量或多个度量。

在图9的另一实施例中，机器训练作为具有从多尺度全身循环模型提取的特征的前向模型来训练。该分类器被用以基于来自病人的个性化信息来估算度量或预测降尺度模型的输出。感兴趣度量、例如压力-容积环由机器学习的分类器输出。

图11示出具有从降阶模型提取的特征的基于机器学习的前向模型的示例流程图。机器学习被用以导出在血液流动计算、心脏力学、电生理学、和/或流体结构交互应用中使用的生理模型的快速数据驱动模型。这些机器学习方法在训练期间将降阶模型的输入参数和/或来自病人的其它的输入数据用作特征并且将全尺度生理模型的输出用作表示目标值（即地面实况）的感兴趣度量。分类器被训练以预测降阶模型的输出，但是包括从全尺度模型得到的知识。

为了训练，在动作112中采集很多病人的输入数据集。相同的和/或不同的特征在动作111中从病人数据中被提取并且在动作114中被提供作为来自在动作113中运行对病人被个性化的降阶模型的输出。在训练期间，全尺度模型在动作117中被使用以确定用于在动作115中训练数据驱动模型的目标值（例如感兴趣度量）。用于训练的输入数据是在动作111中提取的特征的值、在动作114中提取的特征的值、和在动作117中的感兴趣度量的值。感兴趣度量的所测量的值可以替代于或附加于来自动作117的值而被使用。执行动作115提供机器学习的分类器，所述分类器在给定来自病人数据以及来自降阶模型的特征的值的输入的情况下预测感兴趣度量。

在一个示例中，当预测跨缩窄压降低（trans-coarctation pressure drops）时，三维血液流动计算可以被用于精确的估计。然而，全尺度模型的这些计算具有若干小时的执行时间。因此，一种替代方案是使用基于集总参数模型或一维模型的降阶计算，所述降阶计算的执行时间低至少两个数量级。来自降阶模型的结果可以被用作用于机器学习算法的特征。直接从输入数据中提取的其它的或相同的病人特定的特征或几何特征也可以是用于所学习的分类器的机器学习和应用的输入向量的部分。

为了分类器在动作116中的应用，病人特定的数据在动作118中被采集。基于该病人特定的数据，特征（例如测量结果或从测量结果导出的值）在动作119中利用个性化的降阶模型来计算并且在动作120中从病人数据中被提取。机器学习的分类器基于这些输入特征来输出病人的感兴趣度量。

图11的该工作流程可以替代地是用于由降阶模型提供的结果的数据驱动改进的方法。用于训练阶段的数据库可以包含病人特定的输入数据集、合成地生成的输入数据集或者两者。

取决于可用的病人特定的度量，全身循环模型的某些组件可以由空间模型而不是集总参数模型来表示。例如，如果在病人的手臂处的基于套囊的压力测量结果是可用的，升主动脉和测量位置之间的动脉循环可以由一维模型来表示以便捕获两个位置之间的压力和流速波传播效应。因此，心室的后负荷在3D模型中以更高保真度来表示。

图12示出用于个性化全身循环计算的系统。该系统包括医学成像系统11、处理器12、压力套囊13、存储器14、EKG传感器15、和显示器16。处理器12和存储器14被示出为与医学成像系统11分离，这样与同医学成像系统11分开的计算机或工作站相关联。在其它的实施例中，处理器12和/或存储器14是医学成像系统11的部分。在替代的实施例中，所述系统是用于根据由单独的系统实时地采集的数据或者使用先前所采集的被储存在存储器14中的病人特定的数据来估算度量的值的工作站、计算机、或服务器。例如，提供医学成像系统11用于采集表示容积的数据，并且提供单独的数据库、服务器、工作站、和/或计算机用于个性化和估算。

可以使用附加的、不同的、或更少的组件。例如其它的传感器被用于收集病人特定的数据。在其它的实施例中压力套囊13和/或EKG传感器15可以被使用或可以不被使用。

系统的计算组件、设备或机器、例如医学成像系统11和/或处理器12通过硬件、软件、和/或设计来配置以执行计算和其它的动作。计算组件独立地或者相互结合地运行以执行任何给定动作、例如图1、7或9-11的动作。所述动作由计算机组件之一、计算组件中的另一个、或计算组件的组合来执行。其它的组件可以通过计算组件被使用或被控制以扫描或执行其它的功能。

医学成像系统11是任何现在已知的或稍后开发的用于扫描病人的模态。医学成像系统11针对脉管区域来扫描病人。例如，使用C臂x射线系统（例如来自西门子的DynaCT）、像CT的系统（CT like system）、或CT系统。其它的模态包括MR、x射线、血管造影术、荧光透视、PET、SPECT或超声。配置医学成像系统11以采集表示心脏的部分或全部的医学成像数据。可以采集表示一个或多个脉管的数据。通过由扫描仪使用透射来扫描病人和/或通过从病人接收信号来采集数据。扫描的类型或模式可以导致接收心血管系统的仅仅部分的数据。替代地，接收容积区域的数据并且根据其它的解剖结构的信息来分割脉管信息。

压力套囊13是自动化的或手动的压力检测器。套囊13被适配用于感知病人的手臂上的压力，但是可以感知其它的位置处的压力。在替代的实施例中，可以使用其它的压力传感器，例如插入病人体内的导管上的压力传感器。

EKG传感器15是多个与电路或处理器连接的电极。从电信号感知的EKG波形、心率、和/或阶段指示器由EKG传感器15输出。

存储器14是缓冲器、高速缓存、RAM、可移动介质、硬盘驱动器、磁存储器、光学存储器、数据库、或其它的现在已知或者稍后开发的存储器。存储器14是单个设备或两个或更多设备的组。存储器14在系统11内，是具有处理器12的计算机的部分，或者在其它的组件之外或远离其它的组件。

存储器14储存模型、参数值、病人数据、和/或其它的信息。存储器14储存由在此所描述的过程产生的数据，例如储存常数、初始值、个性化值、所估算的度量、或其它的特性。

存储器14附加地或替代地是具有处理指令的非暂时性计算机可读存储介质。存储器14储存表示能够由用于个性化全身循环计算的被编程的处理器12执行的指令的数据。用于实现在此所论述的过程、方法和/或技术的指令在计算机可读存储介质或存储器、例如高速缓存、缓冲器、RAM、可移动介质、硬盘驱动器或其它的计算机可读存储介质上被提供。计算机可读存储介质包括各种类型的易失性和非易失性存储介质。在图中所图解的或在此描述的功能、动作或任务响应于储存在计算机可读存储介质中或上的一个或多个指令集被执行。功能、动作或任务独立于特定类型的指令集、存储介质、处理器或处理策略并且可以通过软件、硬件、集成电路、固件、微码等等以单独地或组合地运行的方式被执行。同样地，处理策略可以包括多处理、多任务处理、并行处理等等。在一个实施例中，指令被储存在用于由本地或远程系统读取的可移动介质设备上。在其它的实施例中，指令被储存在远程位置以用于通过计算机网络或通过电话线来转移。在还有其它的实施例中，指令被储存在给定计算、CPU、GPU或系统内。

图像处理器12是通用处理器、数字信号处理器、三维数据处理器、图形处理单元、专用集成电路、现场可编程门阵列、数字电路、模拟电路、其组合、或其它的现在已知或稍后开发的用于根据医学数据建模的设备。图像处理器12是单个设备、多个设备、或者网络。针对多于一个的设备，可以使用处理的并行或顺序划分。组成图像处理器12的不同设备可以执行不同功能，例如通过一个设备个性化并且通过另一设备计算度量。在一个实施例中，图像处理器12是图像成像系统11的控制处理器或其它的处理器。处理器12依据所储存的指令来运行以执行在此描述的各种动作。

配置图像处理器12以个性化。使闭环心血管模型的一个或多个参数个性化。使模型更好地表示特定病人的值根据那个病人的测量结果或其它信息来计算。配置图像处理器12以估算度量。个性化模型被用以确定感兴趣度量的值。

在一个实施例中，配置图像处理器12以应用机器训练的分类器。分类器针对给定病人被应用。针对那个病人来收集扫描和/或其它的信息。那个数据和机器训练的分类器由处理器12使用以确定度量和/或使模型个性化。分类器是基于集总模型、三维模型、或集总和三维模型的组合并且基于降阶模型来训练的。

显示器16是CRT、LCD、等离子体、投影仪、打印机、或用于示出图像的其它的输出设备。显示器16显示使用个性化模型所计算的一个量或多个量。所述量可以被显示在曲线图、图表、和/或图像中。

虽然在上面已参考各种实施例描述了本发明，但是应当理解的是在不离开本发明的范围的情况下可以作出很多改变和修改。因此，意图是，前面详细的描述应被视为说明性的而不是限制性的，并且应当理解的是包括所有等同方案的下列权利要求旨在限定本发明的精神和范围。

Claims

1.一种用于个性化全身循环计算的方法，所述方法包括：

利用医学扫描仪来捕获病人的心血管空间数据；

利用心脏电生理学传感器来捕获所述病人的心脏电生理学数据；

利用压力传感器来捕获所述病人的压力数据；

根据所述心血管空间数据来测量心脏血液动力学参数；

根据所述心血管空间数据、ECG数据和所述压力数据来确定对所述病人被个性化的心脏的时变流速、心脏的压力变化、心血管系统阻抗、和心血管肺阻抗；

根据对所述病人被个性化的心脏的时变流速、心脏的压力变化、心血管系统阻抗、和心血管肺阻抗利用多尺度全身循环模型来估算度量；以及

为所述病人在显示器上指示所述度量，

所述方法进一步包括利用机器训练的模型来预测所述多尺度全身循环模型的参数，所述机器训练的模型根据由另一全身循环模型提供的参数来训练。

2.根据权利要求1所述的方法，其中捕获所述心血管空间数据包括利用包括超声扫描仪的医学扫描仪来捕获心脏的超声数据。

3.根据权利要求1所述的方法，进一步包括在心动周期的至少两个阶段中分割所述病人的心脏的心血管空间数据。

4.根据权利要求1所述的方法，其中所述多尺度全身循环模型包括所述心脏的至少一部分的集总模型和三维模型的组合，以及其中确定包括利用对所述病人被个性化的解剖模型、血液动力学模型、电生理学模型、和生物力学模型来确定。

5.根据权利要求4所述的方法，其中利用所述生物力学模型来确定包括利用所述生物力学模型的主动组件和被动组件来确定，所述主动组件由所述电生理学模型来控制。

6.根据权利要求1所述的方法，其中确定对所述病人被个性化的心血管系统阻抗和心血管肺阻抗包括利用动脉窦、主动脉、和/或肺动脉的电感来确定、和/或利用动脉树的电阻来确定。

7.根据权利要求1所述的方法，其中确定心脏的时变流速和心脏的压力变化包括确定是心脏瓣膜动力学的模型。

8.根据权利要求1所述的方法，其中利用所述多尺度全身循环模型来估算所述度量包括利用包括闭环心血管系统模型的多尺度全身循环模型来估算所述度量。

9.根据权利要求8所述的方法，进一步包括基于调节系统模型来变更所述闭环心血管系统模型的参数。

10.根据权利要求9所述的方法，其中变更包括利用包括耦合到所述闭环心血管系统模型的压力反射系统模型的调节系统模型来变更。

11.根据权利要求1所述的方法，其中估算所述度量包括估算心室的压力-容积环、搏出工作负荷、动脉-心室耦合、等时容积底部、和/或心肌应变。

12.根据权利要求1所述的方法，进一步包括：

执行所述病人的多尺度全身循环模型的参数的敏感度分析；

使基于所述敏感度分析所选择的参数的子集个性化；以及

利用所述子集的个性化参数来运行所述多尺度全身循环模型的前向模型。

13.根据权利要求12所述的方法，其中个性化包括基于所测量的和所建模的值之间的差异来求解所述参数。

14.根据权利要求1所述的方法，其中估算包括利用机器训练的分类器来估算，所述机器训练的分类器被训练为具有从所述多尺度全身循环模型提取的特征的前向模型。

15.一种非暂时性计算机可读存储介质，所述存储介质具有储存在其中的数据，所述数据表示指令，所述指令在被执行时引起被编程的处理器执行根据权利要求1至14中的任一项所述的用于个性化全身循环计算的方法，所述存储介质进一步包括指令，用于：

运行病人的全身循环的第一模型；

运行病人的全身循环的第二模型，所述第二模型具有相对于所述第一模型降低的数量的变量；以及

训练机器学习的回归量以基于所述第一模型和所述第二模型的运行的输出来估计。

16.根据权利要求15所述的非暂时性计算机可读存储介质，进一步包括基于第一尺度模型的运行的输出来适配第二尺度模型的系数；

其中训练包括训练机器学习的分类器以预测所述第二尺度模型的系数。

17.根据权利要求15所述的非暂时性计算机可读存储介质，其中训练包括训练所述机器学习的分类器以根据对病人被个性化的第二尺度模型来预测所述第二尺度模型的输出。

18.一种用于个性化全身循环计算的系统，所述系统包括：

扫描仪，所述扫描仪被配置用于扫描病人的脉管；以及

处理器，所述处理器被配置用于执行根据权利要求1至14中的任一项所述的用于个性化全身循环计算的方法并且根据对所述病人的扫描基于包括集总模型、三维模型、或者集总和三维模型的组合的第一模型以及基于包括根据第一模型的降阶的第二模型来应用机器训练的分类器。

19.根据权利要求18所述的系统，其中所述处理器被配置用于根据所述机器学习的分类器的应用来确定所述第二模型的系数或者确定所述第二模型的输出度量。