CN107615335A - 医学图象处理方法和系统 - Google Patents
医学图象处理方法和系统 Download PDFInfo
- Publication number
- CN107615335A CN107615335A CN201680027187.1A CN201680027187A CN107615335A CN 107615335 A CN107615335 A CN 107615335A CN 201680027187 A CN201680027187 A CN 201680027187A CN 107615335 A CN107615335 A CN 107615335A
- Authority
- CN
- China
- Prior art keywords
- model
- blood flow
- stenotic lesion
- flow
- lesion
- 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.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computerised tomographs
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/50—Clinical applications
- A61B6/504—Clinical applications involving diagnosis of blood vessels, e.g. by angiography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/50—Clinical applications
- A61B6/507—Clinical applications involving determination of haemodynamic parameters, e.g. perfusion CT
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
-
- 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
Abstract
本申请公开了一种根据医学图像数据确定通过冠状动脉的狭窄病变的血流储备分数的医学图象处理方法。所述医学图像数据包括患者的冠状动脉区域的一组图像。所述冠状动脉区域包括所述狭窄病变。该方法包括:根据所述医学图像数据重建患者三维冠状动脉树模型;根据所述患者三维冠状动脉树模型确定狭窄病变尺寸;模拟所述患者三维冠状动脉树模型中的血液流动,以确定模型流量;根据所述模型流量,取决于所述狭窄病变尺寸使用分析模型,预测所述狭窄病变两端上的模型压降;根据所述模型压降,确定通过所述狭窄病变的血流储备分数。
Description
技术领域
本发明涉及药物输送装置。
本发明实施例涉及医学图象处理。更具体地说,本申请公开的实施例涉及处理患者的冠状动脉区域的医学图像,以通过确定血流储备分数(fractional flow reserve,FFR)来评估冠状动脉狭窄病变。
背景技术
心血管疾病是发达和发展中国家的主要死亡原因。它占全球所有死亡人数的30%。由于世界人口老龄化,心血管疾病患者人数预期大幅增加。冠状动脉疾病(CAD)是最常见的心血管疾病,其由冠状动脉内斑块的积聚引起。斑块使动脉变窄并最终影响到心脏的血液供应。因此,CAD与心血管相关事件的发展有关,占心血管疾病死亡人数的45%。
因此,对冠状动脉狭窄病变的意义进行特征描述和量化对于管理患者以预防因CAD死亡至关重要。在临床心脏病学中,解剖学和血液动力学指标通常被用于量化CAD的严重程度。快速发展的非侵入性成像技术,如计算机断层扫描血管造影(CTA),是有价值的,因为其具有相对较低的成本和医疗并发症。大多数非侵入性成像技术都集中在解剖学意义上,并将直径狭窄病变(DS)作为指标进行计算。DS表示狭窄病变区域相对于“正常”区段的直径,但是它很少提供或不提供狭窄病变的血液动力学信息。评估冠状动脉狭窄病变的功能严重程度的当前金标准是血流储备分数(FFR)。FFR可以作为在充血状态下冠状动脉狭窄病变远侧的压力与主动脉压力的比率进行计算。当冠状动脉狭窄病变导致FFR≤0.80时,通常建议进行血管重建术。但是FFR只能通过侵入性冠状动脉导管术来进行测量,其具有较高的医疗成本和一些并发症。
侵入性冠状动脉导管术的局限性促使我们找到一种新的方法,直接根据非侵入性成像技术获得的医学图像评估冠状动脉狭窄病变的功能性意义。
在目前的临床实践中,心脏科医师和放射科医师仅从CTA图像中获得冠状动脉狭窄病变的解剖信息。缺乏关于冠状动脉病变的功能性意义的信息。然而,直径狭窄病变(DS)的解剖指标被发现相对于FFR导致高得多的假阳性率,往往高估了狭窄病变对于缺血的意义。
发明内容
根据本发明第一方面,提供了一种医学图象处理方法,其根据医学图像数据确定通过冠状动脉的狭窄病变的血流储备分数。所述医学图像数据包括患者的冠状动脉区域的一组图像。所述冠状动脉区域包括所述狭窄病变。该方法包括:根据所述医学图像数据重建患者的三维冠状动脉树模型;根据患者三维冠状动脉树模型确定狭窄病变尺寸;模拟患者的三维冠状动脉树模型中的血液流动,以确定模型流量;根据模型流量,使用分析模型取决于所述狭窄病变尺寸,预测所述狭窄病变两端模型压降;根据模型压降确定通过狭窄病变的血流储备分数。
本发明实施方式可以利用分析模型允许根据狭窄病变尺寸(近侧、远侧和最小管腔面积和长度)以及通过病变的充血冠状动脉流量,实时计算FFR。由于能够经由非侵入性CTA获得所述狭窄病变尺寸,并且计算流体动力学(CFD)能够有助于推导出通过所述病变的充血冠状动脉流量。用分析模型建立用于分析冠状动脉狭窄病变的血液动力学意义的框架是可行的。
在一个实施例中,模拟患者三维冠状动脉树模型中的血液流动以确定通过建模确定的流量,包括模拟稳态血液流动。模拟稳态血液流动可以包括以迭代方式确定稳态流体阻力和压力值。
本发明实施例使用简化的计算流体动力学(CFD),其可以涉及使用稳态流动模拟和/或新颖的边界条件,降低了降阶模型作为边界条件的脉动流模拟的复杂性。
在一个实施例中,以迭代方式确定稳态流体阻力和压力值包括利用欠松弛方案以迭代方式更新所述稳态流体阻力和压力值。
在一个实施例中,所述患者三维冠状动脉树模型包括至少一个入口和多个出口,所述方法进一步包括根据所述医学图像数据估计流入所述患者三维冠状动脉树模型中的总流入流量,并且其中以迭代方式确定稳态流体阻力和压力值包括以迭代方式更新所述稳态流体阻力和压力值,直到流出所述多个出口的总流出流量匹配所述总流入流量。
模拟得到的血液流动可以是充血血液流动。充血流动是指一种生理状态,此时下游血管的阻力变得最小,通过冠状血管的血液流量变得最大。它涉及目标是以稳态流或者脉动流建模的流动条件。
在一个实施例中,根据通过建模确定的流量,使用分析模型取决于狭窄病变尺寸预测狭窄病变两端上的通过建模确定的压降,包括取决于狭窄病变长度和流量确定非粘性流芯的半径,并将非粘性流芯的半径与阈值比较,确定是否在分析模型中包括入口效应。
在一个实施例中,所述分析模型是基于伯努利方程的改进型。
根据本发明另一方面,提供了根据医学图像数据评估冠状动脉狭窄病变的功能性意义的方法。该方法包括根据上述实施例的方法,根据医学图像数据确定通过冠状动脉的狭窄病变的血流储备分数;将通过冠状动脉的狭窄病变的血流储备分数与阈值比较,评估冠状动脉狭窄病变的功能性意义。
在一个实施例中,将通过冠状动脉狭窄病变的血流储备分数与阈值比较以评估冠状动脉狭窄病变的功能性意义,包括如果通过冠状动脉的狭窄病变的血流储备分数小于阈值,则将狭窄病变分类为缺血性病变。
在一个实施例中,将通过冠状动脉的狭窄病变的血流储备分数与阈值比较以评估冠状动脉狭窄病变的功能性意义,包括如果通过冠状动脉的狭窄病变的血流储备分数大于阈值,则将狭窄病变分类为非缺血性病变。在一个实施例中,所述阈值是0.8。
根据本发明的另一方面,提供了一种医学图象处理系统,其根据医学图像数据评估通过冠状动脉狭窄病变的血流储备分数。所述医学图像数据包括患者冠状动脉区域的一组图像。所述冠状动脉区域包括所述狭窄病变。所述系统包括计算机处理器和数据存储器装置,所述数据存储器装置具有三维模型重建模块、狭窄病变尺寸确定模块、血液流动模拟模块、分析建模模块、血流储备分数确定模块,包括非暂态指令,所述非暂态指令能够由所述处理器操作以:根据所述医学图像数据重建患者三维冠状动脉树模型;根据所述患者三维冠状动脉树模型确定狭窄病变尺寸;模拟所述患者三维冠状动脉树模型中的血液流动,以确定通过建模确定的流量;根据所述通过建模确定的流量,使用分析模型取决于所述狭窄病变尺寸预测狭窄病变两端上的通过建模确定的压降;根据通过建模确定的压降,确定通过所述狭窄病变的血流储备分数。
根据又一方面,提供了一种非暂态计算机可读介质。所述计算机可读介质上存储有程序指令用于促使至少一个处理器执行以上公开的方法的操作。
附图说明
在下文中,将参照附图作为非限制性示例描述本发明的实施例,其中:
图1是示出根据本发明一个实施例的医学图象处理系统的框图;
图2是流程图,示出了根据本发明一个实施例的处理医学图像数据方法;
图3是流程图,示出了根据本发明一个实施例的评估冠状动脉病的功能性意义的方法;
图4a、4b示出了针对具有缺血性冠状动脉病变的两个患者将根据本发明实施例的方法应用于医学图像数据的示例;
图5a、5b示出了针对具有非缺血性冠状动脉病变的两个患者将根据本发明实施例的方法应用于医学图像数据的示例;
图6a是示出测量到的FFRB和使用根据本发明一个实施例的方法计算出的FFR之间相关性的曲线图;
图6b是示出以每个血管为基础,测量到的FFRB与使用根据本发明一个实施例的方法计算出的FFR的Bland-Altman图的曲线图;
图7是针对本发明一个实施例示出每个血管性能曲线下方面积的曲线图。
具体实施方式
图1示出了根据本发明一个实施例的医学图象处理系统。图像处理系统100包括处理器110,处理器110可以称为中央处理装置(CPU),其与包括储存器120和存储器150的存储器件连通。处理器110可以实现为一个以上CPU芯片。存储器150实现为随机存取存储器(RAM)。所述医学图象处理系统还包括输入输出(I/O)装置160和网络接口170。
储存器120一般包括一个以上磁盘驱动器,用于数据的非易失性存储。储存器120存储若干程序模块130,当选取执行这些程序时,其被装入到存储器150中。所述程序模块包括3D模型重建模块131、狭窄病变尺寸确定模块132、血液流动模拟模块133、分析建模模块134、血流储备分数(FFR)确定模块135、阈值比较模块136。存储在储存器120中的每个程序模块130都包括非暂态指令,该非暂态指令由处理器120操作以执行稍后更详细说明的诸方法中的各种操作。储存器120和存储器150在一些情形中可以称为计算机可读存储介质和/或非暂态计算机可读介质。
储存器120还存储医学图像数据140。医学图像数据包括患者冠状动脉区域的一组医学图像。患者冠状动脉区域可以包括通过稍后描述的方法进行分析的狭窄病变。医学图像数据140可以是DICOM格式。所述医学图像数据可以通过医学成像技术获得,例如对患者的计算机断层(CT)扫描、计算机断层扫描血管造影(CTA)扫描;或者对患者的磁共振成像(MRI)扫描。
I/O装置160可以包括:打印机;视频监视器;液晶显示器(LCD);等离子显示器;触摸屏显示器键盘;小键盘;开关;拨盘;鼠标;跟踪球;声音识别器;读卡器;或者其它公知的输入装置。
网络接口170可以采用下述形式:调制解调器,调制解调器机组,Ethernet卡,通用串行总线(USB)接口卡,串行接口,令牌环卡,光纤分布式数据接口(FDDI)卡,无线局域网(WLAN)卡,无线收发器卡和/或其它空中接口协议无线电收发器卡,以及其它公知的网络装置。无线收发器卡使用诸如码分多址(CDMA)、全球移动通信系统(GSM)、长期演进(LTE)、微波存取全球互通(WiMAX)、近场通信(NFC)、射频识别(RFID)等协议促进无线电通讯。这些网络接口170可以使得处理器110能够与因特网或者一个以上内部网通信。通过这样的网络连接,可以设想,处理器110可以在执行稍后所述的方法操作过程中从网络接收信息,或者可以对网络输出信息。所述信息通常表示为要用处理器110执行的指令序列,其可以从网络接收到以及输出到网络,例如形式为体现在载波中的计算机数据信号。
网络接口170可以允许医学图象处理系统110从医学成像设备接收医学图像数据140,用于依照稍后描述的方法进行处理。
处理器110执行它从硬盘、软盘、光盘(这些各种基于磁盘的系统全部可认为是储存器120)、闪存驱动器,存储器150或网络接口170访问得到的指令、代码、计算机程序、脚本。尽管仅示出了一个处理器110,但是可以存在多个处理器。因此,虽然指令可以被讨论为由处理器执行,但是指令可以被同时地、串行地或者以其它方式由一个以上处理器执行。
可以理解,通过编程和/或将可执行指令加载到医学图像处理系统100上,CPU110、存储器150和储存器120中的至少一个被改变,将图像处理系统部分地转换成具有本申请所教导的新颖功能的特定用途的机器或系统。对于电气工程和软件工程领域来说很基础的一点是,能够通过将可执行软件加载到计算机中来实现的功能,可以通过公知的设计规则转换为硬件实现。
尽管参照计算机描述了系统100,但应该理解的是,该系统可以由两个以上计算机彼此通信、相互协作执行任务来形成。例如,但不作为限制,一个应用程序可以被分割,以允许同时和/或并行处理该应用程序的指令。作为替代,由该应用程序处理的数据可以分割,以允许两个以上计算机对数据组中的不同部分进行同时和/或并行处理。在一个实施例中,上面公开的功能可以通过在云计算环境中执行该应用程序和/或多个应用程序来提供。云计算可以包括经由网络连接使用动态可扩展计算资源来提供计算服务。云计算环境可以由企业建立,并且/或者可以根据需要从第三方提供商处租用。
图2是流程图,说明了根据本发明一个实施例的处理医学图像数据的方法。图中的方法200可以在图1所示的医学图像处理系统100上执行。应该指出的是,对诸操作的列举是为了清楚的目的,这些操作不需要按列举所暗示的顺序执行。
如上所述,方法200对医学图像数据140执行。医学图像数据140可以通过以下示例所述的标准冠状动脉CTA获得。标准冠状动脉CTA采用64层多检测器CTA扫描仪(例如,具有0.5mm×64检测器行的Toshiba Aquilion 64)或320层多检测器CTA扫描仪(ToshibaAquilion ONETM,具有0.5mm×320检测器行),按照目前的临床指导来执行。扫描范围根据不同的个体进行计划,以覆盖大多数冠状动脉和主动脉。一些患者被服用β-受体阻滞剂以缓和心率。在图像采集之前通常给予碘苯六醇非离子型对照剂,以突出CT图像中感兴趣的区域。使用心电触发对对照剂量进行预期控制。在吸气屏气的情况下,执行图像采集。扫描参数为:龙门旋转时间350-400ms,管电位100-120kV,视场(FOV)161-230mm。根据心脏的尺寸和间距,对于每一次屏气,在头尾方向上扫描时间为5.7-8.4秒。所有CT图像以0.25mm增量(即0.5mm层厚)记录,并以“DICOM”格式保存用于图像处理。
在步骤202中,医学图像处理系统100的3D重建模块131根据医学图像数据140重建患者的三维冠状动脉树模型。在步骤202中,可以执行图像处理,以从背景CT图像分离出动脉结构,用来重建3D冠状动脉树。首先,对每一个单个的横向CT图像应用基于Hessian矩阵的滤波器,以获得高阶几何特征;即图像强度的主曲率。对获得的Hessian矩阵进行特征向量分析,被用来确定所分析的体素(voxel)是否属于血管结构。最后,基于图像切割的图形分割技术被应用于增强的3D图像,然后使用行进立方体算法从分割的体素数据建立三角表面网格。我们发现,有些模型需要手动编辑,来去除直径<1mm的伪影和小血管。
在步骤204中,医学图像处理系统100的狭窄病变尺寸确定模块132根据在步骤202中重建的三维动脉树模型来确定狭窄病变的尺寸。通过重建的三维模型,可以测量狭窄病变的尺寸,如近侧、远侧和最小管腔面积,以及长度。
在步骤206中,医学图像处理系统100的血液流动模拟模块133模拟三维模型中的血液流动。在步骤206中,对于3D模型执行计算流体动力学(CFD),以获得通过病变的充血冠状动脉流量。为了以非侵入方式获得冠状动脉病变的流量信息,进行CFD模拟。首先,3D冠状动脉模型被离散化,以将计算域分成小的控制体积。然后,对边界设定基于形态学和生理学的边界条件。之后,通过迭代法求解质量守恒方程和动量守恒方程。最后,从解中取得流量信息。
在步骤206中,可以使用ANSYS工作台(一种商业软件包)将计算域离散成四面体形状的元素。在网格依赖性测试之后,冠状动脉树模型被离散化为具有总共约80万个体积单元。进一步的网格细化导致最大速度<1%的相对误差。
在一个实施例中,用FLUENTTM求解连续性方程和Navier-Stokes方程。将血液建模为牛顿流体,以模拟患者特异性冠状动脉树模型中的血液流动。在每个模型的入口和出口分别指定适当的边界条件,以模拟生理条件,并满足3个关键原则。首先,假定冠状动脉供应在静息时满足心肌需求。因此,静息总冠状动脉血液流量可以通过根据CT图像评估的心肌质量来计算。其次,每个冠状动脉分支的静息阻力与父母和小孩分支血管的大小成正比。第三,在充血状况期间假定冠脉阻力按照预期减小,其在预期的生理范围内。
为了模拟患者特异性冠状动脉树模型中的血液流动,本研究使用FLUENTTM求解连续性方程和Navier-Stokes方程,分别如方程(1)和(2)所示:
其中,xj是笛卡尔坐标系中的位置,uj(或ui)是速度的笛卡尔分量,P代表静态压力;ρ和μ分别设定为1060kg/m3和4.5×10-3Pa·s,代表大心外膜动脉中血液的密度和动态粘度。
分别在每个模型的入口和出口处指定压力和阻力边界条件,以模拟生理条件。为了分配入口总压力,使用患者特异性收缩压和舒张压来计算平均肱动脉压,并匹配平均主动脉压。
指定出口的冠状动脉阻力值的一个关键要素是规定参考压力(P0)。生理学研究报告:在低压力处,冠状动脉压力流线凹向流动轴线,但是在生理压力下是直的。在生理压力范围(即本申请中的P0)下的零流量压力截距超过冠状静脉或左心室舒张压五至十倍。因此,在本研究中,我们提出了一种新的方法来确定参考压力P0,并因此通过迭代过程确定出口阻力。具体细节如下。简而言之,静息状态下的总阻力Rinlet由方程(3)定义。
Rinlet=(Pinlet-P0)/Qinlet (3)
其中,Pinlet代表根据平均鳃动脉压力估计的平均主动脉压力。静息状态下的总冠状动脉流量可根据心肌质量估算。因此,Qinlet可以根据CT图像中确定。
在每个冠状动脉出口处,
Pi=P0+RiQi (4)
每个冠状动脉分支的下游脉管系统的阻力Ri与冠状动脉树的阻力Rinlet之间的相关性可以根据下面方程(5)的相似律估算。
Ri=NiRinlet (5)
其中,Ni表示入口与第i个出口处的流量的比。
根据(3)和(5),Ri可以有以下形式:
按照质量守恒定律,总流出流量等于流入流量(方程(7)),
根据方程(4)、(5)和(7)可以看出,P0由下式给出:
在充血时,假定冠状动脉微循环对腺苷具有可预测的反应,并且假定阻力减小到K倍的静息值(其中K=0.21),该值在预期的生理范围内。
根据方程(6),充血阻力由下式给出:
为了保证CFD数值迭代过程中的平滑收敛,P0和Ri分别初始化为20mmHg和1.0e+8Pa·s/m3;然后,以方程(10)和(11)制定的欠松弛方案进行更新,直到所有出口的总流出流量与充血时的流入流量相匹配。
为了保证CFD数值迭代过程中的平滑收敛,P0和Ri分别初始化为20mmHg和1.0e+8Pa·s/m3;然后,以如方程(10)和(11)制定的欠松弛方案进行更新,直到所有出口的总流出流量与充血时的入流速率相匹配。
其中,α是欠松弛因子。P0,old和Ri,hyperemia,old表示最后一次迭代中的参考压力和阻力,而P0,new和Ri,hyperemia,new表示在下一次迭代中参考压力和阻力的值。由于已经发现最小微血管阻力与心外膜狭窄病变的严重程度无关,所以假定狭窄病变远侧的充血性微循环阻力与无狭窄病变时的冠状动脉的阻力相同,如方程(11)中指明的。
利用这些新颖的迭代边界条件,与解决复杂的集总参数心脏模型和冠状动脉模型相比,可以减少计算负担。
对于本研究中调查的21例患者,P0的计算值为38.6±9.5mmHg,接近于Dole等人对10名患者测量的37.9±9.8mmHg(Dole WP,Richards KL,Hartley CJ,Alexander GM,Campbell AB,Bishop VS.“Diastolic coronary artery pressure-flow velocityrelationships in conscious man(在有意识的人中的舒张性冠状动脉压力-流速关系)”,Cardiovasc Res.1984;18(9):548-554),以及Nanto等人对分别处于血管舒张状态的15名受试者测量的36±9mmHg(Nanto S,Masuyama T,Takano Y。“Determination of coronaryzero flow pressure by analysis of The baseline pressure–flow in humans(通过分析人体的基线压力-流来确定冠状动脉零流量压力)”。Jpn Circ J.2001;65(9):793-796)。在血管壁上施加无滑动边界条件。
在步骤208中,医学图像处理系统100的分析建模模块134使用分析模型来预测狭窄病变病变两端上的压降。根据狭窄病变的尺寸,如从重建的3D模型测量的近侧、远侧和最小管腔面积以及长度,和从CFD模拟获得的流量信息,根据下述方法进行解析性分析。
我们使用分析模型来预测狭窄病变两端上的压降(ΔP1)。由于狭窄病变越长导致的压降因入口效应而更大,首先利用方程12求解非粘性流芯的无量纲半径(γ),以确定是否包括入口效应:
L和Q分别表示狭窄病变的长度和流量。μ和ρ是血液的粘度和密度。
如果γ≥0.05,则狭窄病变的长度短,入口效应可以忽略不计。因此,在具有单个狭窄病变的血管中的压降可按下式计算:
Adistal、Aproximal和Astenosis分别表示在远侧位置、近侧位置和狭窄病变位置处的管腔面积。
对于长的狭窄病变(γ<0.05),考虑了入口效应,在单个狭窄病变两端上的总压降计算如下:
如上所述,该分析模型是从节能的角度出发得出的,其考虑了对流和扩散能量损失以及管腔面积突然收缩和膨胀引起的能量损失。在本申请中,利用从模拟获得的数据指明了通过冠状动脉分支的充血冠状动脉流量。结合狭窄病变的尺寸(近侧、远侧和最小管腔面积,以及长度),根据分析模型推导出狭窄病变两端上的压降(ΔP1)。根据Poiseuille方程,计算了正常血管区段(从入口到狭窄病变前的区段)两端的压降ΔP2。
在步骤210中,医学图象处理系统100的FFR确定模块135使用以下方程确定FFR:
其中,P代表患者特异性平均主动脉压力。在本申请中,由该方法计算的FFR被表示为FFRB,以指示FFR是使用上述修改的伯努利方程(13)和/或(14)计算的。
在步骤212中,医学图像处理系统100的阈值比较模块136将计算出的FFR与阈值进行比较,以对狭窄病变进行分类。如果病变导致FFRB≤0.8,则该狭窄病变被分类为缺血性病变。相反,FFRB>0.8的病变被分类为非缺血性病变。
图3是流程图,示出了根据本发明一个实施例的评估冠状动脉疾病的功能性意义的方法。
如上所述,方法300涉及用于分析CTA图像和评估冠状动脉疾病的功能性意义的计算机辅助技术和方法。方法300包括CTA图像采集310、CTA图像处理320、CFD模拟330和解析性分析340。在通过CTA扫描器采集CTA图像之后,执行图像处理330以重建3D冠状动脉树。为了处理CTA图像,应用了基于Hessian矩阵的滤波器322、特征向量分析324和基于图形切割的图像分割326等技术。狭窄病变的尺寸,如近侧、远侧和最小管腔面积以及长度可以通过重建的三维模型来测量。
对于3D模型,进行了稳流CFD以获得通过病变的充血冠状动脉流量。典型的CFD模拟330包括网格化332(将计算域离散成小的控制体积),设置基于形态学和生理学的边界条件334,求解质量守恒方程和动量守恒方程336,以及后处理。
最后,执行解析性分析340,以利用狭窄病变尺寸(近侧、远侧和最小管腔面积,以及长度)和通过病变的充血冠状动脉流量计算FFRB。
如上所述,在一个实施例中,可以考虑包含四个步骤:图像采集310,图象处理320,CFD模拟330和解析性分析340。本发明的优选实践模式可以通过包括Matlab、C/C++在内的许多高级程序设计语言来实现。
在图像采集步骤310中,在临床实践中获得CT图像。所述图像符合DICOM协议。所有图像的元信息被检查和记录。
在图像处理步骤320中,为了重建3D冠状动脉树,进行了图像处理以从背景CT图像分离出动脉结构。首先,基于Hessian矩阵的滤波器332被应用于每一个单个的横向CT图像,以获得高阶几何特征。之后,对得到的Hessian矩阵的特征向量进行分析,以确定所分析的体素是否属于血管结构。最后,使用基于图形切割的图像分割技术326和行进立方体算法,生成3D表面和体积网格。
在重建的3D模型上,能够测量狭窄病变尺寸,诸如近侧、远侧和最小管腔面积以及长度,计算了狭窄病变的DS。
在CFD模拟步骤330中,执行稳流CFD模拟。为了以非侵入方式获得冠状动脉病变的流量信息,进行了CFD模拟。首先,在网格化步骤332中,将3D冠状动脉模型离散以将计算域分成小的控制体积。然后,在设置步骤334中,将基于形态学和生理学的边界条件设定到边界。之后,通过迭代求解质量守恒方程和动量守恒方程。最后,在步骤336中从解中取得流量信息。
在解析性分析步骤340中,根据狭窄病变尺寸,诸如从重建的3D模型测量的近侧、远侧和最小管腔面积以及长度和从CFD模拟得到的流量信息,根据获得的FFRB血液动力学指标进行解析性分析。
在解释步骤350中,将FFR的值与阈值比较。如果病变导致FFRB≤0.8,则狭窄病变分类为缺血性病变。相反,FFRB>0.8的病变分类为非缺血性病变。
图4a、4b示出了将如上所述的方法应用于具有缺血性冠状动脉病变的两个患者的医学图像数据的示例。
如图4a所示,一名患者400沿着中间的左前降支动脉(LAD)420具有缺血性病变410。
如图4b所示,一名患者450沿着LAD 470的第一斜线支路480具有缺血性病变460。
图4a和4b还显示了计算出来的直径狭窄病变(DS)的解剖学指标;使用根据如上所述本发明一个实施例的方法计算出来的血流储备分数FFRB;通过侵入性冠状动脉导管术测量到的血流储备分数FFR。对于图4a所示的患者,DS计算为69%;FFRB计算为0.67,FFR测量为0.74。对于图4b所示的患者,DS计算为52%;FFRB计算为0.72,FFR测量为0.79。
图5a、5b示出了将如上所述的方法应用于具有非缺血性冠状动脉病变的两个患者的医学图像数据的示例。
如图5a所示,一名患者500沿着中间LAD 520具有非缺血性病变510。
如图5b所示,一名患者550沿着近侧LAD 570具有非缺血性病变460。
图5a和5b还显示了计算出来的直径狭窄病变(DS)的解剖学指标;使用根据如上所述本发明一个实施例的方法计算出来的血流储备分数FFRB;通过侵入性冠状动脉导管术测量到的血流储备分数FFR。对于图5a所示的患者,DS计算为61%;FFRB计算为0.89,FFR测量为0.83。对于图5b所示的患者,DS计算为51%;FFRB计算为0.97,FFR测量为0.97。
如图4a、4b、5a和5b所示,通过本发明以非侵入性方式获得的所有FFRB血液动力学指标与通过侵入性血管造影测量的FFR接近。患有非缺血性病变的两名患者的DS值大于50%,这说明DS可能导致假阳性预测。FFRB的血液动力学指标对于以非侵入性方式评估冠状动脉疾病的功能性意义是至关重要的。
为了验证本发明,我们进行了试点研究;招募21名患者,随后对他们进行CTA和侵入性血管造影,用于诊断CAD。对总计32条血管测量FFR。
图6a是示出测量的FFR与计算的FFRB之间相关性的图。如图6a所示,计算的FFRB与FFR有良好相关性(R=0.825,p<0.001)。
图6b是基于每个血管测量的FFR和计算的FFRB的Bland-Altman图。如图6b所示,FFR和FFRB之间的差异可以忽略不计。
图7是FFRB≤0.8时每个血管性能的曲线下面积(AUC)曲线。在每个血管水平上,FFRB的接受者工作特征下方的面积(AUC)是0.968。
在每个血管基础上,FFRB的诊断准确性、阳性预测值(PPV)、阴性预测值(NPV)、灵敏性和特异性,分别是87.5%、80.0%、90.9%、80.0%和90.9%。总之,FFRB是诊断冠状动脉狭窄病变的血液动力学意义的有希望的指标。
虽然前面的描述已经描述了示例性实施例,但本领域技术人员将会理解,在由所附权利要求限定的本发明范围内可以对实施例进行许多变化。
Claims (25)
1.一种医学图象处理方法,所述方法用于根据医学图像数据确定通过冠状动脉的狭窄病变的血流储备分数,所述医学图像数据包括患者的冠状动脉区域的一组图像,所述冠状动脉区域包括所述狭窄病变,所述方法包括:
根据所述医学图像数据重建患者三维冠状动脉树模型;
根据所述患者三维冠状动脉树模型确定狭窄病变尺寸;
模拟所述患者三维冠状动脉树模型中的血液流动,以确定模型流量;
根据所述模型流量,取决于所述狭窄病变尺寸使用分析模型预测所述狭窄病变两端上的模型压降;以及
根据所述模型压降,确定通过所述狭窄病变的血流储备分数。
2.根据权利要求1所述的方法,其中,模拟所述患者三维冠状动脉树模型中的血液流动以确定模型流量,包括模拟稳态血液流动。
3.根据权利要求2所述的方法,其中,模拟稳态血液流动包括以迭代方式确定稳态流体阻力和压力值。
4.根据权利要求3所述的方法,其中,以迭代方式确定稳态流体阻力和压力值包括利用欠松弛方案以迭代方式更新所述稳态流体阻力和压力值。
5.根据权利要求3至4中任一项所述的方法,其中,所述患者三维冠状动脉树模型包括至少一个入口和多个出口,所述方法进一步包括根据所述医学图像数据估计流入所述患者三维冠状动脉树模型中的总流入流量,并且其中,以迭代方式确定稳态流体阻力和压力值包括以迭代方式更新所述稳态流体阻力和压力值,直到流出所述多个出口的总流出流量匹配所述总流入流量。
6.根据前述权利要求中任一项所述的方法,其中,模拟所述患者三维冠状动脉树模型中的血液流动以确定模型流量包括模拟充血血液流动。
7.根据前述权利要求中任一项所述的方法,其中,根据所述模型流量取决于所述狭窄病变尺寸使用分析模型预测狭窄病变两端上的模型压降,包括取决于狭窄病变长度和流量确定非粘性流芯的半径,以及将所述非粘性流芯的半径与阈值比较,以确定在所述分析模型中是否包括入口效应。
8.根据前述权利要求中任一项所述的方法,其中,所述分析模型是基于伯努利方程的改进型。
9.一种根据医学图像数据评估冠状动脉狭窄病变的功能性意义的方法,所述方法包括:
根据权利要求1至8中任一项的方法根据所述医学图像数据确定通过冠状动脉的狭窄病变的血流储备分数;
将所述通过冠状动脉的狭窄病变的血流储备分数与阈值比较,以评估冠状动脉狭窄病变的功能性意义。
10.根据权利要求9所述的方法,其中,将所述通过冠状动脉的狭窄病变的血流储备分数与阈值比较以评估冠状动脉狭窄病变的功能性意义,包括如果所述通过冠状动脉的狭窄病变的血流储备分数小于所述阈值,则将所述狭窄病变分类为缺血性病变。
11.根据权利要求9或10所述的方法,其中,将所述通过冠状动脉的狭窄病变的血流储备分数与阈值比较以评估冠状动脉狭窄病变的功能性意义,包括如果所述通过冠状动脉的狭窄病变的血流储备分数大于所述阈值,则将所述狭窄病变分类为非缺血性病变。
12.根据权利要求9至11中任一项所述的方法,其中,所述阈值是0.8。
13.一种计算机可读介质,所述计算机可读介质承载处理器可执行指令,所述处理器可执行指令当在处理器上执行时使得所述处理器执行根据权利要求1至12中任一项所述的方法。
14.一种医学图象处理系统,所述系统用于根据医学图像数据确定通过冠状动脉的狭窄病变的血流储备分数,所述医学图像数据包括患者的冠状动脉区域的一组图像,所述冠状动脉区域包括所述狭窄病变,所述系统包括:
计算机处理器和数据存储器装置,所述数据存储器装置具有包括非暂态指令的三维模型重建模块、狭窄病变尺寸确定模块、血液流动模拟模块、分析建模模块和血流储备分数确定模块,所述非暂态指令能够由所述处理器操作以:
根据所述医学图像数据重建患者三维冠状动脉树模型;
根据所述患者三维冠状动脉树模型确定狭窄病变尺寸;
模拟所述患者三维冠状动脉树模型中的血液流动,以确定模型流量;
根据所述模型流量,取决于所述狭窄病变尺寸使用分析模型,预测狭窄病变两端上的模型压降;
根据所述模型压降,确定通过所述狭窄病变的血流储备分数。
15.根据权利要求14所述的系统,其中,所述血液流动模拟模块包括非暂态指令,所述非暂态指令能够由所述处理器操作以:通过模拟稳态血液流动,模拟所述患者三维冠状动脉树模型中的血液流动以确定模型流量。
16.根据权利要求15所述的系统,其中,所述血液流动模拟模块包括非暂态指令,所述非暂态指令能够由所述处理器操作以:通过以迭代方式确定稳态流体阻力和压力值,模拟稳态血液流动。
17.根据权利要求16所述的系统,其中,所述血液流动模拟模块包括非暂态指令,所述非暂态指令能够由所述处理器操作以:通过利用欠松弛方案以迭代方式更新所述稳态流体阻力和压力值,以迭代方式确定稳态流体阻力和压力值。
18.根据权利要求16至17中任一项所述的系统,其中,所述血液流动模拟模块包括非暂态指令,所述非暂态指令能够由所述处理器操作以:根据所述医学图像数据估计流入所述患者三维冠状动脉树模型中的总流入流量,并且其中,以迭代方式确定稳态流体阻力和压力值包括以迭代方式更新所述稳态流体阻力和压力值,直至流出所述患者三维冠状动脉树模型的全部出口的总流出流量匹配所述总流入流量。
19.根据权利要求14至18中任一项所述的系统,其中,所述血液流动模拟模块包括非暂态指令,所述非暂态指令能够由所述处理器操作以:通过模拟充血血液流动,模拟所述患者三维冠状动脉树模型中的血液流动以确定模型流量。
20.根据权利要求14至19任一项所述的系统,其中,所述分析建模模块包括非暂态指令,所述非暂态指令能够由所述处理器操作以:通过取决于狭窄病变长度和流量确定非粘性流芯的半径以及将所述非粘性流芯的半径与阈值比较以确定在分析模型中是否包括入口效应,根据所述模型流量,取决于所述狭窄病变尺寸使用分析模型预测狭窄病变两端上的模型压降。
21.根据权利要求14至20中任一项所述的系统,其中,所述分析模型是基于伯努利方程的改进型。
22.根据权利要求14至21中任一项所述的系统,所述数据存储器装置进一步包括阈值比较模块,所述阈值比较模块包括非暂态指令,所述非暂态指能够由所述处理器操作以:
将所述通过冠状动脉的狭窄病变的血流储备分数与阈值比较,以评估冠状动脉狭窄病变的功能性意义。
23.根据权利要求14至22中任一项所述的系统,其中,所述阈值比较模块进一步包括非暂态指令,所进一步包括的非暂态指令能够由所述处理器操作以:在所述通过冠状动脉的狭窄病变的血流储备分数小于所述阈值时,将所述狭窄病变分类为缺血性病变。
24.根据权利要求14至23中任一项所述的系统,其中,所述阈值比较模块进一步包括非暂态指令,所进一步包括的非暂态指令能够由所述处理器操作以:在所述通过冠状动脉的狭窄病变的血流储备分数大于所述阈值时,将所述狭窄病变分类为非缺血性病变。
25.根据权利要求14至24中任一项所述的系统,其中,所述阈值是0.8。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
SG10201503747W | 2015-05-12 | ||
SG10201503747W | 2015-05-12 | ||
PCT/SG2016/050213 WO2016182508A1 (en) | 2015-05-12 | 2016-05-06 | Medical image processing methods and systems |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107615335A true CN107615335A (zh) | 2018-01-19 |
Family
ID=57249243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680027187.1A Pending CN107615335A (zh) | 2015-05-12 | 2016-05-06 | 医学图象处理方法和系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10636146B2 (zh) |
CN (1) | CN107615335A (zh) |
WO (1) | WO2016182508A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110400638A (zh) * | 2019-05-30 | 2019-11-01 | 合肥工业大学 | 用于研究颅内动脉瘤生长过程以及探究生长机制的方法 |
WO2020098705A1 (zh) * | 2018-11-13 | 2020-05-22 | 苏州润迈德医疗科技有限公司 | 基于造影图像获取静息态下血管评定参数的方法及装置 |
CN112704505A (zh) * | 2020-11-20 | 2021-04-27 | 杭州阿特瑞科技有限公司 | 一种利用cta和dsa测量冠状动脉血流储备分数的方法 |
CN112967234A (zh) * | 2021-02-09 | 2021-06-15 | 复旦大学附属中山医院 | 冠状动脉功能生理学病变模式定量评价方法 |
CN113838007A (zh) * | 2021-09-07 | 2021-12-24 | 深圳睿心智能医疗科技有限公司 | 生理参数获取方法、装置、电子设备及存储介质 |
CN117679059A (zh) * | 2024-02-01 | 2024-03-12 | 北京大学第三医院(北京大学第三临床医学院) | 一种量化功能性血流动力学参数的系统和方法 |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9858387B2 (en) * | 2013-01-15 | 2018-01-02 | CathWorks, LTD. | Vascular flow assessment |
CN107615335A (zh) | 2015-05-12 | 2018-01-19 | 新加坡保健服务集团有限公司 | 医学图象处理方法和系统 |
WO2017199246A1 (en) | 2016-05-16 | 2017-11-23 | Cathworks Ltd. | Vascular selection from images |
EP4300419A3 (en) | 2016-05-16 | 2024-04-03 | Cathworks Ltd. | System for vascular assessment |
US11589924B2 (en) * | 2017-08-01 | 2023-02-28 | Siemens Healthcare Gmbh | Non-invasive assessment and therapy guidance for coronary artery disease in diffuse and tandem lesions |
EP3438989A1 (en) | 2017-08-04 | 2019-02-06 | Universität Zürich | Method and apparatus for predicting fluid flow through a subject conduit |
CN107978371B (zh) * | 2017-11-30 | 2021-04-02 | 博动医学影像科技(上海)有限公司 | 快速计算微循环阻力的方法及系统 |
CN113423330A (zh) * | 2019-01-06 | 2021-09-21 | 科瓦诺斯股份有限公司 | 静息状态舒张血液动力学信息的非侵入性确定 |
JP2022522951A (ja) * | 2019-01-06 | 2022-04-21 | コヴァノス・インコーポレイテッド | 電子患者データに基づく仮想ストレステスト |
JP2022519876A (ja) | 2019-02-06 | 2022-03-25 | チューリッヒ大学 | 対象となる導管を通る流体の流れを決定するシステムおよび方法 |
US10861157B2 (en) | 2019-04-04 | 2020-12-08 | Medtronic Vascular, Inc. | System and methods for determining modified fractional flow reserve values |
CN110584639A (zh) * | 2019-09-04 | 2019-12-20 | 北京工业大学 | 一种对cta冠状动脉图像进行数据处理预测ffr的方法 |
US20220254131A1 (en) * | 2019-09-23 | 2022-08-11 | Cathworks Ltd. | Methods, apparatus, and system for synchronization between a three-dimensional vascular model and an imaging device |
KR102130254B1 (ko) * | 2019-10-15 | 2020-07-03 | 주식회사 실리콘사피엔스 | 대상자 고유의 혈관에 대한 혈류 시뮬레이션 방법 및 장치 |
WO2022136688A1 (en) * | 2020-12-23 | 2022-06-30 | Flowreserve Labs S.L. | Non-invasive method for determining a vessel damage indicator |
CN112950537A (zh) * | 2021-01-26 | 2021-06-11 | 上海友脉科技有限责任公司 | 一种冠脉血流储备分数获取系统、方法及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103270513A (zh) * | 2010-08-12 | 2013-08-28 | 哈特弗罗公司 | 用于患者特异性血流建模的方法和系统 |
CN103300820A (zh) * | 2012-03-13 | 2013-09-18 | 西门子公司 | 用于冠状动脉狭窄的非侵入性功能评估的方法和系统 |
US20140024932A1 (en) * | 2012-07-09 | 2014-01-23 | Siemens Aktiengesellschaft | Computation of Hemodynamic Quantities From Angiographic Data |
US20140073976A1 (en) * | 2012-09-12 | 2014-03-13 | Heartflow, Inc. | Systems and methods for estimating ischemia and blood flow characteristics from vessel geometry and physiology |
WO2014062946A1 (en) * | 2012-10-19 | 2014-04-24 | Heartflow, Inc. | Systems and methods for numerically evaluating vasculature |
WO2014072861A2 (en) * | 2012-11-06 | 2014-05-15 | Koninklijke Philips N.V. | Fractional flow reserve (ffr) index |
CN103932694A (zh) * | 2014-05-07 | 2014-07-23 | 霍云龙 | 精确诊断心肌血流储备分数(ffr)的方法和设备 |
WO2014170385A1 (en) * | 2013-04-18 | 2014-10-23 | Koninklijke Philips N.V. | Stenosis therapy planning |
US20150112191A1 (en) * | 2013-10-22 | 2015-04-23 | Koninklijke Philips Electronics N.V. | Fractional flow reserve (ffr) index with adaptive boundary condition parameters |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10162932B2 (en) | 2011-11-10 | 2018-12-25 | Siemens Healthcare Gmbh | Method and system for multi-scale anatomical and functional modeling of coronary circulation |
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 |
JP2014100249A (ja) * | 2012-11-19 | 2014-06-05 | Toshiba Corp | 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 |
US9629563B2 (en) | 2013-09-04 | 2017-04-25 | Siemens Healthcare Gmbh | Method and system for functional assessment of renal artery stenosis from medical images |
CN105792738B (zh) | 2013-12-04 | 2020-03-13 | 皇家飞利浦有限公司 | 用于改善功能狭窄分析的局部ffr估计和可视化 |
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 |
US10130266B2 (en) * | 2014-06-30 | 2018-11-20 | Siemens Healthcare Gmbh | Method and system for prediction of post-stenting hemodynamic metrics for treatment planning of arterial stenosis |
US9888968B2 (en) * | 2014-07-22 | 2018-02-13 | Siemens Healthcare Gmbh | Method and system for automated therapy planning for arterial stenosis |
US9349178B1 (en) * | 2014-11-24 | 2016-05-24 | Siemens Aktiengesellschaft | Synthetic data-driven hemodynamic determination in medical imaging |
US10595790B2 (en) * | 2014-12-16 | 2020-03-24 | Siemens Healthcare Gmbh | Method and system for personalized non-invasive hemodynamic assessment of renal artery stenosis from medical images |
CN107615335A (zh) | 2015-05-12 | 2018-01-19 | 新加坡保健服务集团有限公司 | 医学图象处理方法和系统 |
-
2016
- 2016-05-06 CN CN201680027187.1A patent/CN107615335A/zh active Pending
- 2016-05-06 WO PCT/SG2016/050213 patent/WO2016182508A1/en active Application Filing
- 2016-05-06 US US15/573,366 patent/US10636146B2/en active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103270513A (zh) * | 2010-08-12 | 2013-08-28 | 哈特弗罗公司 | 用于患者特异性血流建模的方法和系统 |
CN103300820A (zh) * | 2012-03-13 | 2013-09-18 | 西门子公司 | 用于冠状动脉狭窄的非侵入性功能评估的方法和系统 |
US20140024932A1 (en) * | 2012-07-09 | 2014-01-23 | Siemens Aktiengesellschaft | Computation of Hemodynamic Quantities From Angiographic Data |
US20140073976A1 (en) * | 2012-09-12 | 2014-03-13 | Heartflow, Inc. | Systems and methods for estimating ischemia and blood flow characteristics from vessel geometry and physiology |
WO2014062946A1 (en) * | 2012-10-19 | 2014-04-24 | Heartflow, Inc. | Systems and methods for numerically evaluating vasculature |
WO2014072861A2 (en) * | 2012-11-06 | 2014-05-15 | Koninklijke Philips N.V. | Fractional flow reserve (ffr) index |
WO2014170385A1 (en) * | 2013-04-18 | 2014-10-23 | Koninklijke Philips N.V. | Stenosis therapy planning |
US20150112191A1 (en) * | 2013-10-22 | 2015-04-23 | Koninklijke Philips Electronics N.V. | Fractional flow reserve (ffr) index with adaptive boundary condition parameters |
CN103932694A (zh) * | 2014-05-07 | 2014-07-23 | 霍云龙 | 精确诊断心肌血流储备分数(ffr)的方法和设备 |
Non-Patent Citations (1)
Title |
---|
ZHANG J. ET AL.: ""Hemodynamic analysis of patient-specific coronary artery tree"", 《INTERNATIONAL JOURNAL FOR NUMERICAL METHODS IN BIOMEDICAL ENGINEERING》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020098705A1 (zh) * | 2018-11-13 | 2020-05-22 | 苏州润迈德医疗科技有限公司 | 基于造影图像获取静息态下血管评定参数的方法及装置 |
WO2020098704A1 (zh) * | 2018-11-13 | 2020-05-22 | 苏州润迈德医疗科技有限公司 | 基于造影图像获取血管评定参数的方法、装置及系统 |
CN112384137A (zh) * | 2018-11-13 | 2021-02-19 | 苏州润迈德医疗科技有限公司 | 基于造影图像获取静息态下血管评定参数的方法及装置 |
CN112384137B (zh) * | 2018-11-13 | 2023-11-14 | 苏州润迈德医疗科技有限公司 | 基于造影图像获取静息态下血管评定参数的方法及装置 |
CN110400638A (zh) * | 2019-05-30 | 2019-11-01 | 合肥工业大学 | 用于研究颅内动脉瘤生长过程以及探究生长机制的方法 |
CN110400638B (zh) * | 2019-05-30 | 2022-09-30 | 合肥工业大学 | 用于研究颅内动脉瘤生长过程以及探究生长机制的方法 |
CN112704505A (zh) * | 2020-11-20 | 2021-04-27 | 杭州阿特瑞科技有限公司 | 一种利用cta和dsa测量冠状动脉血流储备分数的方法 |
CN112967234A (zh) * | 2021-02-09 | 2021-06-15 | 复旦大学附属中山医院 | 冠状动脉功能生理学病变模式定量评价方法 |
CN113838007A (zh) * | 2021-09-07 | 2021-12-24 | 深圳睿心智能医疗科技有限公司 | 生理参数获取方法、装置、电子设备及存储介质 |
CN117679059A (zh) * | 2024-02-01 | 2024-03-12 | 北京大学第三医院(北京大学第三临床医学院) | 一种量化功能性血流动力学参数的系统和方法 |
CN117679059B (zh) * | 2024-02-01 | 2024-04-26 | 北京大学第三医院(北京大学第三临床医学院) | 一种量化功能性血流动力学参数的系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
US20180089829A1 (en) | 2018-03-29 |
WO2016182508A1 (en) | 2016-11-17 |
US10636146B2 (en) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107615335A (zh) | 医学图象处理方法和系统 | |
US20220406470A1 (en) | Systems and methods for processing electronic images to determine flow using flow ratio | |
JP7235710B2 (ja) | 患者固有の幾何学的形状モデルを変更することによって治療を決定する方法及びシステム | |
JP7304390B2 (ja) | 患者固有の血流のモデリングのための方法およびシステム | |
CN110168613B (zh) | 用于使用降阶模型和机器学习估计血流特性的系统和方法 | |
EP3140757B1 (en) | Method and system for non-invasive functional assessment of coronary artery stenosis using flow computations in models based on diseased patients and hypothetical normal anatomical models | |
Marlevi et al. | Estimation of cardiovascular relative pressure using virtual work-energy | |
KR20220009995A (ko) | 반응 표면 및 차수 감소 모델링을 사용한 혈류 추정 시스템 및 방법 | |
JP7483079B2 (ja) | 患者固有の幾何学的形状モデルを変更することによって治療を決定する方法及びシステム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |