CN107427268A - 用于基于纯几何机器学习的血流储备分数的方法和系统 - Google Patents

Abstract

公开用于确定针对患者的冠状动脉中的感兴趣的位置的血液动力学指标（诸如血流储备分数（FFR））的方法和系统。接收患者的医学图像数据。从所述医学图像数据提取患者的患者特定冠状动脉树几何结构。从患者的所述患者特定冠状动脉树几何结构提取几何特征。使用经训练的基于机器学习的代理模型、基于所提取的几何特征来计算针对所述患者特定冠状动脉树中的感兴趣的位置的血液动力学指标，诸如FFR。基于从综合生成的冠状动脉树几何结构提取的几何特征来训练基于机器学习的代理模型。

Description

用于基于纯几何机器学习的血流储备分数的方法和系统

本申请要求2014年11月14日提交的美国临时申请号62/079,641和2014年11月24日提交的美国临时申请号62/083,373的益处，其公开通过引用以其整体并入在本文中。本申请还要求2015年7月21日提交的美国申请号14/804,609和2015年10月7日提交的美国申请号14/876,852的优先权，其公开通过引用以其整体并入在本文中。

技术领域

本发明涉及冠状动脉狭窄的非侵入式功能评价，并且更特别地涉及根据医学图像数据对冠状动脉狭窄的基于机器学习的非侵入式功能评价。

背景技术

心血管疾病（CVD）是全世界的主要死亡原因。在各种CVD之中，冠状动脉疾病（CAD）占到那些死亡的接近百分之五十。尽管在医学成像和其他诊断方式中有显著改进，但是针对CAD患者的过早发病率和死亡率中的增加仍旧非常高。用于冠状动脉狭窄的诊断和管理的当前临床实践牵涉在视觉上或通过定量冠状动脉造影（QCA）对患病血管的评价。这样的评价为临床医生提供狭窄区段和亲代血管的解剖学概观，包括区域减小、病变长度和最小腔直径，但是不提供病变对通过血管的血液流动的效应的功能评价。通过将压力导丝插入到狭窄血管中来测量血流储备分数（FFR）已经示出是用于引导血管重建决定的更好选项，因为相比于侵入式血管造影术，FFR在标识缺血导致的病变方面更加有效。如果狭窄则QCA仅评估形态学意义并且具有许多其他限制。基于压力导丝的FFR测量牵涉与将压力导丝插入到血管中所必要的介入相关联的风险，并且对于非常窄的狭窄，压力导丝可能引致附加的压力下降。

最近，已经提出机械模型，其使用数学方程来在从医学图像提取的患者的冠状血管的三维解剖学模型中对血液流动的物理学进行建模。这样的方案依赖于基于物理学的数学方程来对处于静息和充血的生理机能进行建模，从而允许人们在计算机上在数值上求解方程并且确定针对个体患者的流量和压力下降。最广泛使用的基于物理学的模型是Navier-Stokes方程，其为基于质量、动量和能量守恒原理的非线性偏微分方程，并且用于表征冠状动脉中的血液流动。这通常与对解剖学的上游（心脏、主动脉）和下游（心肌）区的生理机能进行建模的数学方程结合。取决于复杂度和临床使用情况，这些方法可以用于合并以各种尺度的生理学模型。尽管已经提出用于血液流动的各种类型的基于物理学的模型、边界条件和生理学假设，但是机械模型的共同主题是其对数学方程的使用以明确地对各种生理学相互作用进行建模。然而，这样的机械模型的缺点是与模型准备和基于物理学的方程的数值求解相关联的高计算成本和复杂度。

发明内容

本公开提供用于纯粹基于从医学图像数据提取的几何特征对血液动力学指标的基于机器学习的评价的方法和系统。最近提出的用于估计患者特定的冠状动脉血液动力学的基于机器学习的方法依赖于患者特定的几何结构和生理测量结果的大数据库，所述患者特定的几何结构和生理测量结果用于对照患者特定的计算流体动力学（CFD）计算来训练代理模型。特征基于患者特定的测量结果（血压、心率、几何结构和血球比容）、降阶血液动力学计算和生理学假设。除针对大数目的数据集的医学成像之外，已经提出的所有方法还依赖于患者特定的测量结果的可得性。由于该依赖性，这样的方法不适合于实现为作为成像扫描仪或工作站上的服务运行的全自动的解决方案。当前没有允许纯粹基于从医学成像数据提取的患者特定的几何特征对血流储备分数（FFR）的估计的解决方案是可用的。

本发明的实施例使用机器学习数据驱动的方案来计算冠状动脉诊断指标，诸如FFR和感兴趣的其他血液动力学测量结果，所述机器学习数据驱动的方案应用于排他性地基于冠状动脉树的几何结构的详尽特征集合。训练阶段不依赖于患者特定的数据，诸如医学图像和/或FFR测量结果，而是替代地使用综合生成的几何结构的数据库来训练基于机器学习的代理模型。

在本发明的一个实施例中，接收患者的医学图像数据。从医学图像数据提取患者的患者特定冠状动脉树几何结构。从患者的患者特定冠状动脉树几何结构提取几何特征。使用基于从综合生成的冠状动脉树几何结构提取的几何特征训练的经训练的基于机器学习的代理模型、基于所提取的几何特征，针对患者特定冠状动脉树中的感兴趣的一个或多个位置计算血液动力学指标。

在本发明的另一实施例中，生成具有带有变化的几何结构的异常区的多个综合冠状动脉树。在所述多个综合冠状动脉树中执行血液流动模拟。基于血液流动模拟在所述多个综合冠状动脉树中的每一个中的多个位置处计算血液动力学指标值。从所述多个综合冠状动脉树提取几何特征。使用机器学习算法来训练代理模型，其用以将从所述多个综合冠状动脉树提取的几何特征映射到在所述多个综合冠状动脉树中的每一个中的所述多个位置处计算的血液动力学指标值。

本发明的这些和其他优点通过对以下详细描述和附图的参考将对本领域普通技术人员显而易见。

附图说明

图1图示根据本发明的实施例的、用于从提取自患者的医学图像数据的几何特征确定冠状动脉的患者特定的血液动力学指标的基于机器学习的方法；

图2图示根据本发明的实施例的、用于计算针对冠状动脉树的缺血权重的方法；

图3图示具有分派给每一个冠状动脉区段的世代号的冠状动脉树的示例；

图4图示针对冠状动脉的非异常长度的缺血贡献得分的计算；

图5图示针对部分患病的血管区段的缺血贡献得分的计算；

图6图示针对分叉狭窄的缺血贡献得分的计算；

图7图示用于生成冠状动脉树的患者特定的解剖学模型的示例性结果；

图8图示根据本发明的实施例的、用于扩展综合训练数据库和更新经训练的代理模型的方法；以及

图9是能够实现本发明的计算机的高级框图。

具体实施方式

本发明涉及用于对针对冠状动脉狭窄的血液动力学指标（诸如血流储备分数（FFR））的基于机器学习的评价的方法和系统。本文中描述了本发明的实施例以给出对用于评价冠状动脉狭窄的方法的直观理解。数字图像通常包括一个或多个对象（或形状）的数字表示。在本文中通常在标识和操纵对象的方面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其他电路/硬件中完成的虚拟操纵。相应地，要理解的是，本发明的实施例可以在计算机系统内使用存储在计算机系统内的数据来执行。

本发明的实施例利用数据驱动的、统计学方法来纯粹地基于从患者的医学图像数据提取的几何特征计算一个或多个血液动力学指标。本发明的实施例采用机器学习算法来学习这样的几何特征与感兴趣的输出量（例如，FFR）之间的复杂映射。不同于基于机械模型的方法，本发明的实施例不依赖于描述输入与输出之间的关系的先验假设模型。替代地，本发明的实施例经由统计学方案通过使用机器学习算法来学习来自综合生成的训练数据的映射从而确定最优映射。根据本发明的有利实施例，代替使用患者特定的几何结构作为训练数据，排他性地使用不基于患者特定的数据的综合生成的几何结构作为训练数据来训练用以预测血液动力学诊断指标的数据驱动的代理模型。这样的综合几何结构可以通过使狭窄的形状、严重性、位置和数目连同冠状动脉树的一般模型中的主和侧分支的半径和位置变化来生成。在综合生成的几何结构的一个可能示例中，笔直管可以用于表示冠状动脉，其中变窄用以表示冠状动脉中的狭窄或其他异常。可以通过使综合几何结构（例如，狭窄的最小半径、入口角度、出口角度）变化并且使流入或流出边界条件变化来执行多个CFD模拟以计算血液动力学诊断指标，诸如FFR值。使用综合生成的几何结构的一个优点在于其不要求对患者特定的数据的收集和处理来完成训练阶段，从而节约时间和成本二者。进一步地，不存在对可以生成的综合几何结构的类型的限制，从而覆盖宽范围的血管形状和拓扑。通过使用该方案，整个训练阶段可以在没有任何患者特定的几何结构或图像数据的情况下执行。

图1图示根据本发明的实施例的、用于从提取自患者的医学图像数据的几何特征确定冠状动脉的患者特定的血液动力学指标的基于机器学习的方法。图1的方法可以应用于计算血液动力学指标，诸如FFR，以便提供对冠状动脉中的狭窄区或其他异常区的功能评价。在有利实施例中，图1的方法用于计算FFR，但是本发明不限于此，并且该方法也可以应用于计算其他血液动力学指标。

图1的方法包括训练阶段100和预测阶段120。训练阶段100是离线过程，其中使用机器学习方法基于综合生成的冠状动脉几何结构来训练用于预测血液动力学指标的一个或多个数据驱动的代理模型。预测阶段120是在线过程，据此使用来自训练阶段100的经训练的数据驱动的代理模型，纯粹地基于从患者的输入医学图像数据提取的几何特征来计算一个或多个患者特定的血液动力学指标。一旦完成训练阶段100，经训练的代理模型就例如存储在计算机系统的存储器或储存器中，并且可以使用经训练的代理模型来针对各种患者重复地执行预测阶段120。

训练阶段100包括步骤102-110。在步骤102处，生成综合冠状动脉树的集合。代替使用患者特定的几何结构作为训练数据，不基于患者特定的数据的冠状动脉树的综合生成的几何结构被生成并且被排他性地用作训练数据。综合冠状动脉树可以通过使狭窄的形状、严重性、位置和数目连同冠状动脉树的一般模型中的主和侧分支的半径和位置变化来生成。在示例性实施例中，综合生成的冠状动脉树可以使用笔直管来实现以表示冠状动脉，其中管中的变窄用以表示冠状动脉中的狭窄或其他异常。也可以使用冠状动脉和狭窄几何结构的其他更复杂的模型。综合冠状动脉树可以包括跨越冠状动脉分支的分叉的分叉狭窄。综合冠状动脉树可以在硅中（即，在计算机上）使用用以生成综合冠状动脉树的计算机模型来生成。在该情况下，在狭窄的形状、严重性、位置和数目方面具有变化以及使冠状动脉几何结构变化的综合冠状动脉树的数据库可以被生成并且被存储在计算机系统上。还可能的是，综合冠状动脉树可以在体外使用具有变化的几何结构的各种物理冠状动脉树模型来生成。例如，这样的物理模型可以在计算机上设计并且使用3D打印技术生成。

在步骤104处，针对综合冠状动脉树执行血液流动模拟。对于在硅中（基于计算机）的综合冠状动脉树模型，计算流体动力学（CFD）计算被用于模拟各种综合冠状动脉树中的血液流动。多个CFD血液流动模拟可以通过使流入和/或流出边界条件变化来针对具有变化的几何结构的综合冠状动脉树而执行。例如，CFD模拟表示静息状态血液流动，并且可以执行充血状态血液流动。公知的CFD技术可以用于执行这样的CFD模拟。这样的CFD计算的示例描述在美国公开专利申请号2014/0024932中，其通过引用并入在本文中。对于体外（物理）综合冠状动脉树模型，物理流动实验可以用于执行血液流动模拟。例如，可以执行表示静息状态和充血状态血液流动的通过物理综合冠状动脉模型的流动实验。

在步骤106处，从血液流动模拟针对综合冠状动脉树计算血液动力学诊断指标。在有利实施例中，可以针对沿综合冠状动脉树中的每一个中的冠状动脉中心线的多个采样点计算血流储备分数（FFR）。FFR是用于确定冠状动脉狭窄的血液动力学显著性的功能度量。将FFR定义为狭窄血管中的流量占正常血管中的流量的分数，两个流量均在最大充血处确定。FFR可以使用来自血液流动模拟的压力数据来近似为，其中和分别是心动周期内的平均远端压力和主动脉压力，并且是静脉压力（）。FFR在范围[0，1]内变化，其中0.80典型地为临界值，在此以下，狭窄被视为在血液动力学上是显著的（即，缺血）。除了FFR之外或代替FFR，可以在综合冠状动脉树中的每一个中的多个采样点处计算其他血液动力学指标，诸如压力下降、冠状动脉流量储备（CFR）、瞬时自由波比（IFR）、充血狭窄阻力（HSR）、基础狭窄阻力（BSR）和微循环阻力指数（IMR）。在有利实施例中，在综合冠状动脉树中的每一个中的多个采样点处计算壁面切应力（WSS）。WSS值可以用作用以表示给定点处的斑块破裂的风险。还可以基于WSS值计算针对每一个采样点的表示斑块破裂的风险的风险得分。

在步骤108处，提取综合冠状动脉树的几何特征。如图1中示出的，步骤108可以与步骤104和106并行执行，但是本发明不限于此。针对每一个给定综合冠状动脉树构造中心线树。中心线树中的点然后被分类为开始点、分支点、结束点和内部点。开始点是对应于冠状动脉口的中心线树的第一点。分支点是其中中心线分叉成两个或更多中心线区段的点。结束点是针对其不存在另外的下游中心线点的点。内部点是处于开始点与分支点、两个分支点或分支点与结束点之间的点。冠状动脉树的每一个区段被分类为根区段、分支区段或叶区段。根区段是由开始点和分支点定界的区段。分支区段是由两个分支点定界的区段。叶区段是由分支点和结束点定界的区段。每一个冠状动脉区段（根/分支/叶）然后被划分成表征为异常（不健康）或非异常（健康）区段的一个或多个区段。异常（非健康）区段是具有反常腔变窄或扩张的区段。非异常（健康）是没有反常腔变窄或扩张的区段。

针对每一个综合冠状动脉树的采样点提取的特征完全基于几何结构。在有利实施例中，这样的特征包括缺血权重w和缺血贡献得分s。缺血权重w是与每一个冠状动脉区段（即，根、内部或叶区段）相关联的缺血权重值。针对包括一个或多个分支的冠状动脉几何结构的特定有限长度区段计算缺血贡献得分s。从特定区段的一系列几何性质和缺血权重计算缺血贡献得分。

关于缺血权重w，可以假设每一个冠状动脉区段的缺血权重值对应于所有下游区段的缺血权重值。图2图示根据本发明的实施例的、用于计算针对冠状动脉树的缺血权重的方法。图2的方法可以用于在图1的训练阶段100的步骤108中计算针对综合冠状动脉树的缺血权重，并且在图1的预测阶段120的步骤126中计算针对患者特定冠状动脉树的缺血权重。为了计算缺血权重，图2的方法使用三阶段局部到全局到局部方案。在第一局部阶段（图2的阶段I）中，计算针对每一个冠状动脉区段的分离的缺血权重。由于这些缺血值被独立地计算，因此不存在初始假设有效的保证（例如，两个子代区段的缺血权重之和不一定等于亲代区段的缺血权重）。相应地，在全局阶段（图2的阶段II）中，通过对不同世代中的不同区段的权重求平均来计算整个冠状动脉树的全局缺血权重。在最终局部阶段（图2的阶段III）中，以满足初始假设的方式将全局缺血权重分配到各个区段。

参照图2，阶段I通过步骤202实现。在步骤202处，针对每一个冠状动脉区段独立地计算局部缺血权重。特别地，针对每一个根区段、分支区段和叶区段，局部缺血权重值可以使用以下来计算：

其中是区段的参考半径，是比例常数，并且是幂系数。在示例性实现中，幂系数可以取2（对于大动脉）和3（对于小动脉）之间的值。由于，经常地，沿区段中心线的半径连续变化，因此应用数学运算符来计算针对每一个冠状动脉区段的参考半径值：

其中是冠状动脉区段的半径，并且是沿冠状动脉区段的中心线的位置。在可能的实现中，运算符可以计算沿区段的整个长度或区段的部分的健康半径的平均值。当使用在本文中时，“健康半径”是指区段的健康（非异常）部分的半径。在另一可能实现中，运算符可以计算沿区段的整个长度或区段的部分的健康半径的平均值，排除健康半径值的最大x%和最小y%。在另一可能实现中，运算符可以计算沿区段的整个长度或区段的部分的健康半径的最大或最小值。要理解的是，运算符不一定限于这些运算，并且其他可能的计算也可以用于估计区段的参考半径。

在图2的阶段II中，基于阶段I（步骤202）中计算的局部缺血权重来计算针对整个冠状动脉树（左或右冠状动脉树）的全局缺血权重值。阶段II通过步骤204和206来实现。在步骤204处，基于在步骤202中计算的区段的局部缺血权重从区段的每一个世代计算针对冠状动脉树的相应全局缺血权重。图3图示具有分派给每一个冠状动脉区段的世代号的冠状动脉树300的示例。如图3中示出的，冠状动脉树300的根区段302具有世代号0，并且在每一个分叉处，世代号增加一。针对冠状动脉树的全局缺血权重的分离的估计可以从每一个世代号的区段来估计。使用具有世代号的分支计算的针对冠状动脉树的全局缺血权重估计被按如下计算。在从世代号估计全局缺血权重之前，向每一个区段分派置信度值，其表示针对该区段的所估计的参考半径的正确性中的置信度。区段可以基于区段的长度和/或患病（异常）的分支的百分比而被加权。相应地，短区段，诸如在图3中具有等于1的世代号的底部区段304，或完全患病的区段，诸如在图3中具有等于2的世代号的弥漫性患病的区段306，被分派低置信度值，而没有半径不规则性的长区段被分派大置信度值。置信度值可以归一化到0（最小置信度）和1（最大置信度）之间的范围。然后基于来自世代的区段、使用针对来自世代的区段计算的局部缺血权重和分派给那些区段的置信度值、使用数学运算符来估计针对整个冠状动脉树的全局缺血权重：

其中指数是指来自世代的所有区段和具有小于的世代号的所有叶区段。例如，针对每一个世代的可以被计算为：

。

通过基于来自和之间的每一个世代的区段计算相应的全局缺血权重估计来计算多个全局缺血权重估计。在有利实现中，最小世代级可以是0，但是还可以大于0，如果根节点非常短的话。最大世代级可以被设置以确定在计算冠状动脉树的总静息流动速率中使用多少世代。在有利实现中，用于最大世代级的值可以设置成3或4。更大世代的分支变得愈加更小，这使得使用更高世代分支对参考半径和对应局部缺血权重的精确估计更加困难。此外，当从医学图像数据重构冠状动脉树几何结构（在预测阶段120中）时，在模型中可能未计及小侧分支。因而，世代号越高，未被考虑的侧分支的数目将越高，从而造成流动速率估计中的较大误差。

返回图2，在步骤206处，从根据区段的各种世代计算的全局缺血权重估计计算整个冠状动脉树的最终全局缺血权重。为了改进冠状动脉树的最终全局缺血权重的精度，从多个不同区段世代计算的全局缺血权重估计被用于计算最终的总全局缺血权重值。特别地，从和之间的每一个世代计算的全局缺血权重估计被用于计算针对冠状动脉树的最终全局缺血权重值。在估计整个冠状动脉树的最终全局缺血权重之前，向每一个世代号分派置信度值，其表示从具有对应世代号的区段计算的全局缺血权重估计的正确性中的置信度。低世代号可以被分派大权重，而大世代号可以被分派低权重，因为随着世代号增加，较小的侧分支可能在患者特定的冠状动脉树几何结构中遗失（在预测阶段120中）。例如，置信度值可以具有与世代号的相反关系。置信度值可以归一化到0（最小置信度）和1（最大置信度）之间的范围。最终全局缺血权重值被估计为针对各种世代的全局缺血权重估计和分派给该世代的对应置信度值的，使用数学运算符的函数：

其中指数是指和之间的世代。例如，针对冠状动脉树的全局缺血权重可以计算为加权平均数：

。

在图2的阶段III中，通过向各个冠状动脉区段分配在阶段II中计算的全局缺血权重来计算针对冠状动脉树的区段的最终局部缺血权重值。阶段III通过步骤208和210来实现。在步骤208处，基于冠状动脉树的全局缺血权重计算针对冠状动脉树的叶区段中的每一个的最终局部缺血权重。针对冠状动脉树的叶区段的局部缺血权重可以通过以下来计算：基于针对叶区段单独计算的参考比例或初始缺血权重值而在所有叶区段之上分配冠状动脉树的全局缺血权重。特别地，针对冠状动脉叶区段中的每一个的局部缺血权重可以计算为：

其中是指冠状动脉树的叶区段。

在步骤210处，基于叶区段的最终局部缺血权重计算冠状动脉树的其余区段的最终局部缺血权重值。将分支区段和根区段的最终缺血权重值计算为下游叶区段之和。即，对于每一个其余冠状动脉区段（根区段和分支区段），最终局部缺血权重被计算为：

其中是指当前冠状动脉区段，并且是指处于自当前区段的下游的所有叶区段。

可以针对可以或可以不包含分支的一个或多个任何非零有限长度冠状动脉区段计算缺血贡献得分。针对非异常（健康）和异常（非健康）区段而不同地计算缺血贡献得分。非异常区段将具有低缺血贡献得分。图4图示针对冠状动脉的非异常长度的缺血贡献得分的计算。对于冠状动脉的非异常长度，诸如图4中示出的多区段冠状动脉长度400，可以使用以下公式来计算缺血贡献得分：

其中是（一个或多个）区段的总长度，是比例常数，是幂系数，是沿中心线变化的半径，并且是缺血权重，如果存在分支则其可能沿中心线变化，如图4中示出的。如图4中示出的，冠状动脉的长度400具有分支，并且因而被划分成三个区段402、404和406。区段402具有的缺血权重（使用图2的方法计算）和可能沿中心线变化的半径。区段404具有的缺血权重和可能沿其中心线变化的半径。区段406具有缺血权重和可能沿其中心线变化的半径。冠状动脉的整个多区段长度400的缺血贡献得分可以使用等式（9）来计算。

异常（非健康）区段（例如，狭窄区段）具有较高的缺血贡献得分，而病变（例如，狭窄）的严重性越高，缺血贡献得分将越高。缺血贡献得分的计算在本文中针对非健康的狭窄区段来描述，但是也可以类似地应用于其他类型的病理（例如，动脉瘤）。图5图示针对部分患病的血管区段的缺血贡献得分的计算。如图5中示出的，冠状动脉区段500具有两个健康区段502和506以及狭窄区段504。对于沿单个根、分支或叶区段伸展的狭窄，诸如图5的狭窄504，使用以下公式来计算缺血贡献得分：

其中和是应用于狭窄区段的纵向变化的半径的数学运算符，并且是区段的缺血权重。各种数学运算符可以用于和。在示例性实现中，使用沿狭窄的半径的均值，使得，其中是狭窄区段之上的半径的均值，并且是比例常数。在另一示例性实现中，使用半径的倒数的积分，使得，其中是比例常数，是狭窄区段的长度，并且是幂系数。可以使用狭窄的顶部和底部处的半径来计算。在一个示例性实现中，将计算为，其中是比例常数，是指狭窄区段的近端处的健康半径，并且是指狭窄区段的远端处的健康半径。在另一示例性实现中，将计算为，其中是比例常数，是指狭窄区段的最小半径，并且是指狭窄区段的远端处的健康半径。除了使用等式（10）计算的缺血得分之外，等式（10）的两个分量还可以分离地用作用于训练代理模型的训练特征，并且每一个分量还可以划分成子分量，其然后也可以用作特征。

如图5中示出的，分别针对健康区段502、狭窄区段504和健康区段506计算分离的缺血贡献得分、和。对于健康区段502和506，缺血得分分别计算为和，其中和分别是区段502和506的缺血权重，并且和是指分别向区段502和506的纵向变化的半径应用数学运算符的结果，诸如在等式（9）中应用的数学运算符 。对于狭窄区段504，将缺血得分计算为，其中是区段504的缺血权重，并且和是指使用等式（10）将数学运算符和应用于狭窄区段504的纵向变化的直径的相应结果。

在分叉狭窄的情况中，即在沿多个根、分支或叶区段的分叉之上伸展的狭窄，使用等式（10）针对关于亲代或子代区段的狭窄的每一个根、分支或叶区段来计算分离的缺血贡献得分。图6图示针对分叉狭窄的缺血贡献得分的计算。如图6中示出的，狭窄600在沿冠状动脉区段602、604和606的分叉之上伸展。使用等式（10）分别针对区段602、604和606中的狭窄600的相应部分计算分离的缺血贡献得分和。将针对区段602中的狭窄的部分的缺血贡献得分计算为其中是区段602的缺血权重，并且和是指使用等式（10）向区段602中的狭窄的纵向变化的直径应用数学运算符和的相应结果。将针对区段604中的狭窄的部分的缺血贡献得分计算为，其中是区段604的缺血权重，并且和是指使用等式（10）向区段602中的狭窄的纵向变化的半径应用数学运算符和的相应结果。将针对区段606中的狭窄的部分的缺血贡献得分计算为，其中是区段606的缺血权重，并且和是指使用等式（10）向区段606中的狭窄的纵向变化的半径应用数学运算符和的相应结果。

基于各个区段的缺血贡献得分，可以在冠状动脉树中的任何位置处计算表示累积缺血贡献得分的多个特征。多个区段的累积缺血贡献得分可以通过将区段的缺血贡献得分加在一起来计算。对于冠状动脉树中的当前位置（例如，综合生成的冠状动脉树中的采样点），可以计算包括以下特征中的一个或多个的多个缺血贡献得分特征：

– 从处于根区段与当前位置之间的所有区段计算的累积缺血贡献得分；

- 从处于根区段与当前位置之间的非异常（健康）区段计算的累积缺血贡献得分；

- 从处于根区段与当前位置之间的异常（非健康/病理/狭窄）区段计算的累积缺血贡献得分；

- 从处于当前位置与叶区段之间的所有区段计算的累积缺血贡献得分。从当前位置到叶区段的路径可以例如通过在每一个分支处选取沿主子代区段的路径来确定，如从诸如参考半径、总下游长度、世代下游的总数目等之类的性质的组合确定的；

- 从处于当前位置与叶区段之间的非异常（健康）区段计算的累积缺血贡献得分；和/或

- 从处于当前位置与叶区段之间的异常（非健康/病理/狭窄）区段计算的累积缺血贡献得分。

除了以上描述的缺血权重和缺血贡献得分特征之外，也可以从冠状动脉树提取其他几何特征。例如，针对冠状动脉树中的每一个狭窄（异常区段），提取以下几何特征：狭窄的近端半径、狭窄的远端半径、狭窄的最小半径、从近端半径和最小半径计算的狭窄的百分比直径、从远端半径和最小半径计算的狭窄的百分比直径、总狭窄长度、狭窄的入口长度（从狭窄的开始到具有最小半径的位置的长度）、狭窄的出口长度（从具有最小半径的位置到狭窄的结束的长度）以及最小半径长度（最小半径的区中的狭窄的长度——容限可以用于检测具有最小半径的位置周围的区）。此外，通过对狭窄的近端、远端和最小半径应用代数、积分或求导运算获取的各种组合也可以用作特征。以上描述的缺血贡献得分和所述其他几何特征可以针对处于自当前位置的上游和下游的所有病理区段分离地计算。然后它们可以基于所选准则（缺血贡献得分或某个其他特征）来排序并且用作特征的有序列表。

返回到图1，在步骤110处，使用机器学习方法来基于所提取的几何特征训练数据驱动的代理模型以预测血液动力学诊断指标。一旦针对综合冠状动脉树中的各种采样点的血液动力学指标被从血液流动模拟确定并且几何特征被从综合冠状动脉树提取，就通过使用机器学习算法来确定提供输入几何特征与血液动力学指标之间的映射的代理模型。用于训练代理模型的机器学习算法的类型可以是基于监督式、半监督式、转导式或强化的学习算法。例如，机器学习算法，诸如回归算法（线性、非线性或对数的）、决策树或图表、关联规则学习、人工神经网络、支持向量机、归纳逻辑编程、贝叶斯网络、基于实例的学习、流形学习、子空间学习、深度学习、字典学习等，可以用于训练基于机器学习的代理模型。根据有利实施例，经训练的代理模型是组合所提取的特征与各种经学习的权重的经学习的数据驱动的代理模型。分离的代理模型可以针对感兴趣的每一个血液动力学指标或测量结果而进行训练。例如，可以训练分离的代理模型来计算FFR、WSS和其他血液动力学指标，诸如IFR、HSR、BSR和IMR。

在图1的预测阶段120（步骤122-130）中，（一个或多个）经训练的代理模型用于纯粹基于从患者的医学图像数据提取的几何特征来预测患者特定的血液动力学指标（诸如FFR）。在预测阶段120中，在步骤122处，接收患者的医学图像数据。可以接收来自一个或多个成像模式的医学图像数据。例如，医学图像数据可以包括计算机断层扫描术（CT）、DynaCT、磁共振（MR）、血管造影术、超声、单光子发射计算机断层扫描术（SPECT）和任何其他类型的医学成像模式。医学图像数据可以是2D、3D或4D（3D+时间）医学图像数据。医学图像数据可以直接从一个或多个图像采集设备诸如CT扫描仪、MR扫描仪、血管造影术扫描仪、超声设备等接收，或者医学图像数据可以通过加载针对患者的先前存储的医学图像数据来接收。在有利实施例中，在CT扫描仪上采集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），包括包含狭窄的（一个或多个）血管，使用注射到患者中的造影剂来被适当地成像。

在步骤104处，从患者的医学图像数据提取患者特定冠状动脉树几何结构。患者特定冠状动脉树几何结构可以是针对患者的完整冠状动脉树的患者特定的几何测量结果或者针对小于患者的完整冠状动脉树的任何部分的患者特定的几何测量结果。在可能的实现中，患者特定冠状动脉树几何结构可以是仅左冠状动脉（LCA）树或右冠状动脉（RCA）树的患者特定的解剖学测量结果。

在有利的实施例中，患者特定冠状动脉树几何结构通过对来自医学图像数据的冠状动脉树的患者特定的解剖学模型进行分段来提取，但是本发明不限于此。患者特定的解剖学模型可以是患者的完整冠状动脉树的任何部分的患者特定的解剖学模型。为了生成冠状动脉树的患者特定的解剖学模型，冠状动脉可以使用自动化冠状动脉中心线提取算法来在3D医学图像数据中进行分段。例如，冠状动脉可以使用美国公开专利申请号2010/0067760（其通过引用并入在本文中）描述的方法来在CT体积中进行分段。一旦提取冠状动脉中心线树，就可以在中心线树的每一个点处生成横横截面轮廓。每一个中心线点处的横截面轮廓给出冠状动脉中的该点处的对应横截面面积测量结果。然后针对经分段的冠状动脉生成几何表面模型。例如，用于冠状动脉的解剖学建模的方法描述在美国专利号7,860,290和美国专利号7,953,266中，其二者通过引用并入在本文中。图7图示用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7的图像700示出冠状动脉CTA数据。图像710示出从CTA数据提取的中心线树712。图像720示出在中心线树712的每一个点处提取的横截面轮廓722。图像730示出冠状动脉、主动脉根和主动脉的近端部分的3D表面网格732。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在例如计算机系统的显示屏上。

在可替换的实施例中，患者特定冠状动脉树几何结构可以通过在没有对冠状动脉的完整患者特定的解剖学模型进行分段的情况下直接从图像数据提取冠状动脉树的几何测量结果来提取。例如，冠状动脉中心线可以在图像数据中检测到，如以上所描述的，然后可以在每一个中心线点处自动检测冠状动脉的半径。这些几何测量结果然后可以用于在步骤226中计算几何特征。

标识冠状动脉的异常（例如，狭窄）区。例如，狭窄区可以在医学图像数据中或在冠状动脉树的患者特定的解剖学模型中进行自动分段。在一个实施例中，基于机器学习的方法可以用于自动检测医学图像数据中的狭窄区。用于冠状动脉狭窄的自动检测的这样的方法描述在美国公开专利申请号2011/0224542中，其通过引用并入在本文中。在另一实施例中，狭窄区可以通过检测到其中半径减小并且再次增加至超出容限值的中心线而从所提取的冠状动脉中心线和中心线点的半径值来被自动检测到。在另一实施例中，标识狭窄区的用户输入可以例如通过用户使用用户输入设备来点击计算机系统的显示设备上的医学图像数据或经分段的冠状动脉树的狭窄区来接收。

返回到图1，在步骤126处，从患者特定冠状动脉树提取几何特征。特别地，针对患者特定冠状动脉树提取以上结合训练阶段100的步骤108描述的特征。这样的特征包括患者特定冠状动脉树的各种区段的缺血权重、缺血贡献得分（包括多个累积缺血贡献得分）和患者特定冠状动脉树中的异常/狭窄区的几何测量结果。纯粹来自患者特定冠状动脉树的几何结构的这样的特征的计算被执行，如以上结合步骤108所描述的那样。

在步骤128处，使用经训练的代理模型基于几何特征来计算患者特定的血液动力学诊断指标。经训练的代理模型是排他性地从综合（非患者特定的）训练数据进行训练的数据驱动的模型。经训练的代理模型输入所提取的几何特征并且基于所提取的几何特征计算针对患者特定冠状动脉树中的特定位置的血液动力学指标（诸如FFR）。经训练的代理模型纯粹地基于从医学图像数据提取的几何特征来计算患者特定的血液动力学指标并且不考虑来自患者特定生理学测量结果的任何其他特征，诸如血压或心率。为了计算针对患者特定冠状动脉树中的特定位置的血液动力学指标，可以训练经训练的代理模型来考虑除了在该位置处提取的特征之外的在当前位置的上游和下游提取的几何特征（例如，缺血贡献得分、缺血权重、几何测量结果）。在一个实施例中，经训练的代理模型可以在没有任何用户输入的情况下自动计算针对多个位置的血液动力学指标。例如，经训练的代理模型可以自动计算针对患者特定冠状动脉中心线的所有中心线点、从患者特定冠状动脉中心线的中心线点（例如，跳过每n个中心线点）自动采样的多个位置、或在对应于患者特定冠状动脉中心线中的狭窄区中的每一个的位置处的血液动力学指标。在另一实施例中，用户可以例如通过点击计算机系统的显示设备上的位置来输入位置，并且经训练的代理模型可以响应于接收到用户输入而实时计算输入位置处的患者特定的血液动力学指标（例如，FFR、WSS等）。多个经训练的代理模型可以用于计算患者特定冠状动脉模型中的位置处的多个血液动力学指标。例如，分离的经训练的代理模型可以用于计算FFR、WSS和其他血液动力学指标，诸如IFR、HSR、BSR和IMR。

在步骤130处，输出通过经训练的代理模型计算的患者特定的血液动力学指标。例如，针对这样的指标的值可以显示在显示设备上。当血液动力学指标由经训练的代理模型响应于标识位置的用户输入来计算时，针对血液动力学指标的值可以向用户实时显示。在可能的实现中，用于针对一个或多个位置的血液动力学指标的值可以通过在患者特定冠状动脉中心线的所显示的图像上或在患者的所显示的医学图像数据上的其对应位置处叠加那些值来显示。当使用经训练的代理模型来自动计算针对多个位置的血液动力学指标时，可以自动显示示出位置和用于血液动力学指标的对应值的图像。在可能的实现中，可以显示患者特定冠状动脉中心线的经彩色编码的可视化，其中冠状动脉中心线上的位置基于血液动力学指标（例如，FFR）的严重性而进行彩色编码。在其中WSS是血液动力学指标的实施例中，高的壁面切应力值可以对应于具有高斑块破裂风险的位置，并且可以显示示出具有高斑块破裂风险的位置的地图。

图1的方法可以用于在预测阶段120中提供实时FFR计算。由于经训练的代理模型排他性地在综合生成的冠状动脉树上进行训练，因此图1的方法不需要经匹配的CTA和FFR数据来进行训练。综合训练数据可以覆盖所有类型的病理学和异常情况，包括冠状动脉病理学类型的各种组合（例如，单个区段狭窄、具有受影响的一个或全部亲代和子代分支的分叉狭窄、弥漫性疾病、动脉瘤、连续病变、侧支循环等），以及各种严重性。图1的方法还可以扩展到通过使训练数据附加有表征这些血管的几何尺度的综合情况来解决其他疾病（例如，主动脉狭窄、脑血管狭窄、外周狭窄）。

根据有利实施例，由于综合训练数据用于训练数据驱动的代理模型，因此训练数据库可以以少量的附加成本来大大地扩展。尽管可以生成非常大数目的综合情况以用于训练基于机器学习的代理模型，但是这些情况可能不覆盖所有患者特定的情况。因而，当应用经训练的代理模型来在预测阶段中预测针对患者特定的数据的结果时，针对患者特定的数据计算的一些特征可能具有处于被综合数据库所覆盖的值的范围之外的值。图8图示根据本发明的实施例的、用于扩展综合训练数据库并且更新经训练的代理模型的方法。图8的方法可以被应用使综合情况的数据库丰富以便增加由综合数据库覆盖的特征值的范围，并且因而还覆盖针对处于由综合训练数据库覆盖的特征值的范围之外的患者特定的数据所计算的特征值。在步骤802处，标识具有处于从综合训练数据库提取的特征范围之外的一个或多个几何特征的患者特定冠状动脉中心线几何结构。特别地，在预测阶段（图1的120）中，当针对患者特定冠状动脉树而提取几何特征（例如，缺血权重、缺血贡献得分、狭窄的几何测量结果）（图1的步骤126）时，将几何特征与从综合训练数据库中的所有综合冠状动脉中心线提取的特征范围相比较以确定是否来自患者特定冠状动脉树的任何特征落在综合训练数据库中的对应特征的范围之外。在步骤804处，生成具有类似于所标识的患者特定冠状动脉树的特征的特征值的新的综合冠状动脉树。例如，可以生成多个新的综合冠状动脉树以跨越在综合训练数据库中的先前特征范围与先前范围之外的新特征之间的特征值。在步骤806处，使用机器学习算法在整个经扩展的综合训练数据库上重新训练数据驱动的代理模型。这导致经更新和改进的经训练的代理模型，其然后可以用于执行预测阶段以预测血液动力学指标。

图1的方法的实时性能以及其依赖于综合生成的训练数据库（其可以按需扩展并且实际上没有限制）的事实使该方法对于疗法计划应用是有利的。广泛用于治疗动脉狭窄的疗法之一是支架术，即金属或聚合物支架在动脉中的放置以打开腔，并且因而促进血液的流动。当应对冠状动脉狭窄时，将支架术疗法称为PCI——经皮冠状动脉介入。这是介入示例，其旨在通过更改其几何结构而恢复动脉树的健康功能，并且照此可以基于由我们的方法使用的几何特征而自然地描述。例如，用于支架在从医学图像提取的解剖学几何模型中的虚拟放置的任何系统可以与基于机器学习的代理模型结合。经训练的代理模型可以计算将由每一个候选疗法选项引起的感兴趣的所有血液动力学量，因而预测PCI的结果，并且允许最优PCI程序的计划。特别相关的示例是使用该方法来在哪个狭窄来放支架方面计划多血管疾病场景中的疗法以实现最优结果。

根据有利的实施例，代替执行支架在从医学图像提取的解剖学模型中的虚拟放置，由机器学习算法使用的特征可以直接适配成计及治疗的效果。因此，首先确定针对原始患者特定的解剖学模型的特征，接着它们自动地或通过使用由用户输入的信息（例如，用户可以指定针对治疗成功的不同级别：狭窄区的部分成功的治疗、狭窄区的完全成功的治疗等）来适配，以及应用最后基于机器学习的经训练的代理模型来计算治疗后血液动力学度量。例如，特征可以直接适配成通过调节缺血贡献得分来计及治疗的效果。在可能的实现中，缺血贡献得分可以通过使用针对数学运算符和的不同公式来适配，其将造成更小的缺血贡献得分。在基于机器学习算法的经训练的代理模型方面，可以使用用于治疗前预测的相同的经训练的代理模型，或者可以在综合情况上训练代表治疗后几何结构的不同机器学习经训练的代理模型并且将其用于预测治疗后血液动力学指标。

在对图1的方法的可能延伸中，使用经训练的代理模型在自当前位置上游的位置处估计的血液动力学指标（例如，FFR）也可以用作用于通过经训练的代理模型计算当前位置处的血液动力学指标的特征。在对图1的方法的另一可能延伸中，缺血贡献得分可以包括关于几何特征与病理学严重性之间的已知关联的信息，例如基于文献证据（例如，对于冠状动脉，与分叉的接近度（斑块稳定性）；这还应用于不同的疾病，例如用于动脉瘤；纵横比；等）。

根据本发明的有利实施例，血液动力学指标关于几何特征中的一个或多个的敏感度可以通过经由使特征在某个范围中变化而使用经训练的基于机器学习的代理模型来确定。还可能的是，血液动力学指标关于几何特征中的一个或多个的敏感度可以使用不同的经训练的代理模型来预测，所述不同的经训练的代理模型使用不同的机器学习算法来训练。血液动力学诊断指标关于几何特征中的一个或多个的敏感度在预测阶段期间通过使所述一个或多个几何特征在预定范围内变化并且利用经训练的代理模型计算血液动力学指标来针对患者特定的数据而被计算和可视化。该信息可以用于通知用户和/或机器学习算法哪些几何特征与血液动力学指标的预测精度更加相关。

用于训练基于机器学习的代理模型数据并且纯粹地基于几何特征使用经训练的基于机器学习的代理模型来确定血液动力学指标的以上描述的方法可以实现在计算机上，该计算机使用公知的计算机处理器、存储器单元、储存设备、计算机软件和其他组件。这样的计算机的高级框图在图9中图示。计算机902包含处理器904，其通过执行定义操作的计算机程序指令来控制计算机902的这样的总操作。计算机程序指令可以存储在储存设备912（例如，磁盘）中并且在期望计算机程序指令的执行时加载到存储器910中。因此图1、2和8的方法的步骤可以由存储在存储器910和/或储存器912中的计算机程序指令限定并且通过处理器904执行计算机程序指令来被控制。图像采集设备920，诸如CT扫描设备、MR扫描设备、超声设备等，可以连接到计算机902以向计算机902输入图像数据。可能的是将图像采集设备920和计算机902实现为一个设备。还可能的是图像采集设备920和计算机902通过网络无线通信。在可能的实现中，计算机902可以远离图像采集设备定位并且可以执行作为基于云的或基于服务器的服务的方法步骤中的一个或多个。计算机902还包括用于经由网络与其他设备通信的一个或多个网络接口906。计算机902还包括其他输入/输出设备908，其实现与计算机902的用户交互（例如，显示器、键盘、鼠标、扬声器、按钮等）。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他组件，并且图9是用于说明目的的这样的计算机的组件中的一些的高级表示。

前述具体实施方式要理解为在每一个方面都是说明性和示例性的，而不是约束性的，并且本文中公开的发明的范围不要从具体实施方式确定，而是从如根据由专利法准许的完整幅度解释的权利要求确定。要理解的是，本文中示出和描述的实施例仅仅说明本发明的原理，并且可以在不脱离本发明的范围和精神的情况下由本领域技术人员实现各种修改。本领域技术人员可以在不脱离本发明的范围和精神的情况下实现各种其他特征组合。

Claims (39)

1.一种用于确定针对患者的冠状动脉中的感兴趣的一个或多个位置的血液动力学指标的方法，包括：

接收患者的医学图像数据；

从所述医学图像数据提取患者的患者特定冠状动脉树几何结构；

从患者的所述患者特定冠状动脉树几何结构提取几何特征；以及

使用基于从综合生成的冠状动脉树几何结构提取的几何特征而训练的经训练的基于机器学习的代理模型、基于所提取的几何特征来计算针对所述患者特定冠状动脉树中的感兴趣的一个或多个位置的血液动力学指标。

2.权利要求1所述的方法，其中使用基于从综合生成的冠状动脉树几何结构提取的几何特征而训练的经训练的基于机器学习的代理模型、基于所提取的几何特征来计算针对所述患者特定冠状动脉树中的感兴趣的一个或多个位置的血液动力学指标包括：

使用所述经训练的基于机器学习的代理模型、纯粹地基于来自所述患者特定冠状动脉树几何结构的所提取的几何特征来计算针对所述感兴趣的一个或多个位置的血液动力学指标。

3.权利要求1所述的方法，其中所述经训练的基于机器学习的代理模型关于排他性地从综合生成的非患者特定冠状动脉树几何结构提取的几何特征进行训练。

4.权利要求1所述的方法，其中从患者的所述患者特定冠状动脉树几何结构提取几何特征包括：

基于所述患者特定冠状动脉树几何结构来计算针对冠状动脉区段的缺血权重；以及

基于所述缺血权重来计算针对冠状动脉区段的缺血贡献得分。

5.权利要求4所述的方法，其中基于所述患者特定冠状动脉树几何结构来计算针对冠状动脉区段的缺血权重包括：

基于针对多个冠状动脉区段中的每一个计算的相应参考半径值而单独地计算针对所述多个冠状动脉区段中的每一个的初始局部缺血权重；

基于针对所述多个冠状动脉区段的初始局部缺血权重来计算针对所述患者特定冠状动脉树的全局缺血权重；以及

通过在所述多个冠状动脉区段之上分配所述全局缺血权重来计算针对所述多个冠状动脉区段中的每一个的最终局部缺血权重。

6.权利要求5所述的方法，其中基于针对所述多个冠状动脉区段的所述初始局部缺血权重来计算针对所述患者特定冠状动脉树的全局缺血权重包括：

计算针对所述患者特定冠状动脉树的多个全局缺血权重估计，其中所述多个全局缺血权重估计中的每一个从来自冠状动脉区段的多个世代中的相应一个的冠状动脉区段的初始局部缺血权重来计算；以及

基于所述多个全局缺血权重估计来计算所述患者特定冠状动脉树的全局缺血权重。

7.权利要求6所述的方法，其中计算针对所述患者特定冠状动脉树的多个全局缺血权重估计，其中所述多个全局缺血权重估计中的每一个从来自冠状动脉区段的多个世代中的相应一个的冠状动脉区段的初始局部缺血权重来计算，包括，针对冠状动脉区段的所述多个世代中的每一个：

向冠状动脉区段的该世代中的冠状动脉区段和具有小于冠状动脉区段的该世代的世代号的叶冠状动脉区段中的每一个分派权重；

计算针对所述患者特定冠状动脉树的所述全局缺血权重的估计，其作为冠状动脉区段的该世代中的冠状动脉区段和具有小于冠状动脉区段的该世代的世代号的叶冠状动脉区段的所述初始缺血权重、和向分支的该世代中的冠状动脉区段和具有小于冠状动脉区段的该世代的世代号的所述叶冠状动脉区段中的每一个分派的权重的函数。

8.权利要求6所述的方法，其中基于所述多个全局缺血权重估计来计算所述患者特定冠状动脉树的所述全局缺血权重包括：

计算所述患者特定冠状动脉树的所述全局缺血权重，其作为所述多个全局缺血权重估计和对应于冠状动脉区段的所述多个世代的权重的函数。

9.权利要求5所述的方法，其中通过在所述多个冠状动脉区段之上分配所述全局缺血权重来计算针对所述多个冠状动脉区段中的每一个的最终局部缺血权重包括：

通过基于所述叶冠状动脉区段的初始局部缺血权重而在叶冠状动脉区段之上分配所述全局缺血权重来计算多个叶冠状动脉区段的所述最终局部缺血权重；以及

计算针对所述多个冠状动脉区段中的每一个其余一个冠状动脉区段的所述最终局部缺血权重，其作为自该冠状动脉区段下游的叶区段的最终局部缺血权重之和。

10.权利要求4所述的方法，其中基于所述缺血权重计算针对冠状动脉区段的缺血贡献得分包括：

将冠状动脉区段划分成非异常部分和异常部分；

基于所述非异常部分的空间变化的半径和所述非异常部分位于其中的冠状动脉区段的缺血权重来计算针对每一个非异常部分的缺血贡献得分；以及

基于以下来计算针对每一个异常部分的缺血贡献得分：所述异常部分位于其中的冠状动脉区段的缺血权重与应用于所述异常部分的空间变化的半径的第一数学运算符的第一乘积、和所述异常部分位于其中的冠状动脉区段的缺血权重的平方和应用于所述异常部分的空间变化的半径的第二数学运算符的第二乘积。

11.权利要求10所述的方法，其中从患者的所述患者特定冠状动脉树几何结构提取几何特征还包括：

对于所述感兴趣的一个或多个位置中的每一个，计算以下中的一个或多个：来自处于根区段与当前位置之间的所有冠状动脉区段的累积缺血贡献得分、来自处于根区段与当前位置之间的冠状动脉区段的非异常部分的累积缺血贡献得分、来自处于根区段与当前位置之间的冠状动脉区段的异常部分的累积缺血贡献得分、来自处于当前位置与叶区段之间的所有冠状动脉区段的累积缺血贡献得分、来自处于当前位置与叶区段之间的冠状动脉区段的非异常部分的累积缺血贡献得分、或来自处于当前位置与叶区段之间的冠状动脉区段的异常部分的累积缺血贡献得分。

12.权利要求4所述的方法，其中从患者的所述患者特定冠状动脉树几何结构提取几何特征还包括：

提取针对患者的所述患者特定冠状动脉树几何结构中的一个或多个狭窄区的多个几何测量结果。

13.权利要求1所述的方法，其中所述感兴趣的一个或多个位置对应于一个或多个狭窄位置，并且使用基于从综合生成的冠状动脉树几何结构提取的几何特征而训练的经训练的基于机器学习的代理模型、基于所提取的几何特征来计算针对所述患者特定冠状动脉树中的感兴趣的一个或多个位置的血液动力学指标包括：

使用所述经训练的基于机器学习的代理模型、基于所提取的几何特征而自动计算针对所述患者特定冠状动脉树中的所述一个或多个狭窄位置的血液动力学指标。

14.权利要求1所述的方法，其中使用基于从综合生成的冠状动脉树几何结构提取的几何特征而训练的经训练的基于机器学习的代理模型、基于所提取的几何特征来计算针对所述患者特定冠状动脉树中的感兴趣的一个或多个位置的血液动力学指标包括：

响应于标识所述感兴趣的一个或多个位置的用户输入来计算针对所述患者特定冠状动脉树中的所述感兴趣的一个或多个位置的血液动力学指标。

15.权利要求1所述的方法，其中血液动力学指标是血流储备分数（FFR）。

16.权利要求1所述的方法，其中血液动力学指标是壁应力。

17.权利要求16所述的方法，还包括使用所述经训练的基于机器学习的代理模型、基于针对所述感兴趣的一个或多个位置计算的壁应力来确定所述感兴趣的一个或多个位置处的斑块破裂的风险。

18.权利要求1所述的方法，其中使用基于从综合生成的冠状动脉树几何结构提取的几何特征而训练的经训练的基于机器学习的代理模型、基于所提取的几何特征来计算针对所述患者特定冠状动脉树中的感兴趣的一个或多个位置的血液动力学指标包括：

使用基于从综合生成的冠状动脉树几何结构提取的几何特征而训练的多个经训练的基于机器学习的代理模型中的相应一个、基于所提取的几何特征来计算针对所述患者特定冠状动脉树中的所述感兴趣的一个或多个位置中的每一个的多个血液动力学指标。

19.权利要求1所述的方法，还包括：

确定从所述患者特定冠状动脉树几何结构提取的几何特征中的至少一个在包括用于训练所述基于机器学习的代理模型的综合生成的冠状动脉树几何结构的综合训练数据库中的对应特征的范围之外；

基于从所述患者特定冠状动脉树几何结构提取的特征而生成一个或多个新的综合冠状动脉树几何结构以扩展所述综合训练数据库；以及

使用机器学习算法、基于从经扩展的综合训练数据库中的综合冠状动脉树几何结构提取的几何特征而重新训练所述基于机器学习的代理模型。

20.一种纯粹从冠状动脉树的几何特征训练用于预测血液动力学指标的数据驱动的代理模型的方法，包括：

生成具有带有变化的几何结构的异常区的多个综合冠状动脉树；

在所述多个综合冠状动脉树中执行血液流动模拟；

基于血液流动模拟计算所述多个综合冠状动脉树中的每一个中的多个位置处的血液动力学指标值；

从所述多个综合冠状动脉树提取几何特征；以及

使用机器学习算法训练代理模型，其用以将从所述多个综合冠状动脉树提取的几何特征映射到在所述多个综合冠状动脉树中的每一个中的所述多个位置处计算的血液动力学指标值。

21.一种用于确定针对患者的冠状动脉中的感兴趣的一个或多个位置的血液动力学指标的装置，包括：

用于接收患者的医学图像数据的部件；

用于从所述医学图像数据提取患者的患者特定冠状动脉树几何结构的部件；

用于从患者的所述患者特定冠状动脉树几何结构提取几何特征的部件；以及

用于如下的部件：使用基于从综合生成的冠状动脉树几何结构提取的几何特征而训练的经训练的基于机器学习的代理模型、基于所提取的几何特征来计算针对所述患者特定冠状动脉树中的感兴趣的一个或多个位置的血液动力学指标。

22.权利要求21所述的装置，其中用于如下的部件：使用基于从综合生成的冠状动脉树几何结构提取的几何特征而训练的经训练的基于机器学习的代理模型、基于所提取的几何特征来计算针对所述患者特定冠状动脉树中的感兴趣的一个或多个位置的血液动力学指标，包括：

用于使用所述经训练的基于机器学习的代理模型、纯粹地基于来自所述患者特定冠状动脉树几何结构的所提取的几何特征来计算针对所述感兴趣的一个或多个位置的血液动力学指标的部件。

23.权利要求21所述的装置，其中所述经训练的基于机器学习的代理模型关于排他性地从综合生成的非患者特定冠状动脉树几何结构提取的几何特征进行训练。

24.权利要求21所述的装置，其中用于从患者的所述患者特定冠状动脉树几何结构提取几何特征的部件包括：

用于基于所述患者特定冠状动脉树几何结构来计算针对冠状动脉区段的缺血权重的部件；以及

用于基于所述缺血权重来计算针对冠状动脉区段的缺血贡献得分的部件。

25.权利要求24所述的装置，其中用于从患者的所述患者特定冠状动脉树几何结构提取几何特征的部件还包括：

用于提取针对患者的所述患者特定冠状动脉树几何结构中的一个或多个狭窄区的多个几何测量结果的部件。

26.权利要求21所述的装置，其中血液动力学指标是血流储备分数（FFR）。

27.权利要求21所述的装置，其中血液动力学指标是壁应力。

28.权利要求21所述的装置，其中用于如下的部件：使用基于从综合生成的冠状动脉树几何结构提取的几何特征而训练的经训练的基于机器学习的代理模型、基于所提取的几何特征来计算针对所述患者特定冠状动脉树中的感兴趣的一个或多个位置的血液动力学指标，包括：

用于如下的部件：使用基于从综合生成的冠状动脉树几何结构提取的几何特征而训练的多个经训练的基于机器学习的代理模型中的相应一个、基于所提取的几何特征来计算针对所述患者特定冠状动脉树中的所述感兴趣的一个或多个位置中的每一个的多个血液动力学指标。

29.一种存储用于确定针对患者的冠状动脉中的感兴趣的一个或多个位置的血液动力学指标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定义在由处理器执行时使所述处理器执行包括以下的操作：

接收患者的医学图像数据；

从所述医学图像数据提取患者的患者特定冠状动脉树几何结构；

从患者的所述患者特定冠状动脉树几何结构提取几何特征；以及

使用基于从综合生成的冠状动脉树几何结构提取的几何特征而训练的经训练的基于机器学习的代理模型、基于所提取的几何特征来计算针对所述患者特定冠状动脉树中的感兴趣的一个或多个位置的血液动力学指标。

30.权利要求29所述的非暂时性计算机可读介质，其中使用基于从综合生成的冠状动脉树几何结构提取的几何特征而训练的经训练的基于机器学习的代理模型、基于所提取的几何特征来计算针对所述患者特定冠状动脉树中的感兴趣的一个或多个位置的血液动力学指标包括：

使用所述经训练的基于机器学习的代理模型、纯粹地基于来自所述患者特定冠状动脉树几何结构的所提取的几何特征来计算针对所述感兴趣的一个或多个位置的血液动力学指标。

31.权利要求29所述的非暂时性计算机可读介质，其中所述经训练的基于机器学习的代理模型关于排他性地从综合生成的非患者特定冠状动脉树几何结构提取的几何特征进行训练。

32.权利要求29所述的非暂时性计算机可读介质，其中从患者的所述患者特定冠状动脉树几何结构提取几何特征包括：

基于所述患者特定冠状动脉树几何结构来计算针对冠状动脉区段的缺血权重；以及

基于所述缺血权重来计算针对冠状动脉区段的缺血贡献得分。

33.权利要求32所述的非暂时性计算机可读介质，其中基于所述患者特定冠状动脉树几何结构来计算针对冠状动脉区段的缺血权重包括：

基于针对多个冠状动脉区段中的每一个计算的相应参考半径值来单独地计算针对所述多个冠状动脉区段中的每一个的初始局部缺血权重；

基于针对所述多个冠状动脉区段的所述初始局部缺血权重来计算针对所述患者特定冠状动脉树的全局缺血权重；以及

通过在所述多个冠状动脉区段之上分配所述全局缺血权重来计算针对所述多个冠状动脉区段中的每一个的最终局部缺血权重。

34.权利要求32所述的非暂时性计算机可读介质，其中基于所述缺血权重计算针对冠状动脉区段的缺血贡献得分包括：

将冠状动脉区段划分成非异常部分和异常部分；

基于所述非异常部分的空间变化的半径和所述非异常部分位于其中的冠状动脉区段的缺血权重来计算针对每一个非异常部分的缺血贡献得分；以及

基于以下来计算针对每一个异常部分的缺血贡献得分：所述异常部分位于其中的冠状动脉区段的缺血权重与应用于所述异常部分的空间变化的半径的第一数学运算符的第一乘积、和所述异常部分位于其中的冠状动脉区段的缺血权重的平方和应用于所述异常部分的空间变化的半径的第二数学运算符的第二乘积。

35.权利要求36所述的非暂时性计算机可读介质，其中从患者的所述患者特定冠状动脉树几何结构提取几何特征还包括：

对于所述感兴趣的一个或多个位置中的每一个，计算以下中的一个或多个：来自处于根区段与当前位置之间的所有冠状动脉区段的累积缺血贡献得分、来自处于根区段与当前位置之间的冠状动脉区段的非异常部分的累积缺血贡献得分、来自处于根区段与当前位置之间的冠状动脉区段的异常部分的累积缺血贡献得分、来自处于当前位置与叶区段之间的所有冠状动脉区段的累积缺血贡献得分、来自处于当前位置与叶区段之间的冠状动脉区段的非异常部分的累积缺血贡献得分、或来自处于当前位置与叶区段之间的冠状动脉区段的异常部分的累积缺血贡献得分。

36.权利要求32所述的非暂时性计算机可读介质，其中从患者的所述患者特定冠状动脉树几何结构提取几何特征还包括：

提取针对患者的所述患者特定冠状动脉树几何结构中的一个或多个狭窄区的多个几何测量结果。

37.权利要求29所述的非暂时性计算机可读介质，其中血液动力学指标是血流储备分数（FFR）。

38.权利要求29所述的非暂时性计算机可读介质，其中血液动力学指标是壁应力。

39.权利要求29所述的非暂时性计算机可读介质，其中使用基于从综合生成的冠状动脉树几何结构提取的几何特征而训练的经训练的基于机器学习的代理模型、基于所提取的几何特征来计算针对所述患者特定冠状动脉树中的感兴趣的一个或多个位置的血液动力学指标包括：

使用基于从综合生成的冠状动脉树几何结构提取的几何特征而训练的多个经训练的基于机器学习的代理模型中的相应一个、基于所提取的几何特征来计算针对所述患者特定冠状动脉树中的所述感兴趣的一个或多个位置中的每一个的多个血液动力学指标。