CN107787202A - 用于从生理学、解剖学和患者特征预测灌注缺陷的系统和方法 - Google Patents
用于从生理学、解剖学和患者特征预测灌注缺陷的系统和方法 Download PDFInfo
- Publication number
- CN107787202A CN107787202A CN201680020419.0A CN201680020419A CN107787202A CN 107787202 A CN107787202 A CN 107787202A CN 201680020419 A CN201680020419 A CN 201680020419A CN 107787202 A CN107787202 A CN 107787202A
- Authority
- CN
- China
- Prior art keywords
- patient
- model
- feature
- hemoperfusion
- estimated
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000010412 perfusion Effects 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 61
- 210000003484 anatomy Anatomy 0.000 title claims abstract description 16
- 230000035479 physiological effects, processes and functions Effects 0.000 title claims description 6
- 230000007547 defect Effects 0.000 title description 2
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 47
- 230000017531 blood circulation Effects 0.000 claims abstract description 26
- 230000002792 vascular Effects 0.000 claims abstract description 26
- 238000010801 machine learning Methods 0.000 claims abstract description 20
- 238000013334 tissue model Methods 0.000 claims abstract description 18
- 230000008520 organization Effects 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 210000001519 tissue Anatomy 0.000 claims description 49
- 230000001951 hemoperfusion Effects 0.000 claims description 29
- 238000005259 measurement Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 15
- 238000002603 single-photon emission computed tomography Methods 0.000 claims description 11
- 230000036770 blood supply Effects 0.000 claims description 9
- 210000004165 myocardium Anatomy 0.000 claims description 7
- 210000000056 organ Anatomy 0.000 claims description 7
- 210000004556 brain Anatomy 0.000 claims description 6
- 210000004185 liver Anatomy 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 5
- 230000000291 postprandial effect Effects 0.000 claims description 5
- 206010020772 Hypertension Diseases 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 4
- 239000003814 drug Substances 0.000 claims description 4
- 229940079593 drug Drugs 0.000 claims description 4
- 230000002996 emotional effect Effects 0.000 claims description 3
- 230000001631 hypertensive effect Effects 0.000 claims description 3
- 210000003734 kidney Anatomy 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 210000001835 viscera Anatomy 0.000 claims description 3
- 230000009278 visceral effect Effects 0.000 claims description 3
- 230000005662 electromechanics Effects 0.000 claims description 2
- 239000003218 coronary vasodilator agent Substances 0.000 claims 2
- 210000003205 muscle Anatomy 0.000 claims 2
- 238000013507 mapping Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 210000004369 blood Anatomy 0.000 description 19
- 239000008280 blood Substances 0.000 description 19
- 238000012549 training Methods 0.000 description 15
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 14
- 201000010099 disease Diseases 0.000 description 13
- 238000004088 simulation Methods 0.000 description 11
- 238000002600 positron emission tomography Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 9
- 238000002591 computed tomography Methods 0.000 description 8
- 238000002595 magnetic resonance imaging Methods 0.000 description 7
- 230000000284 resting effect Effects 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 208000029078 coronary artery disease Diseases 0.000 description 5
- 239000000700 radioactive tracer Substances 0.000 description 5
- 230000002526 effect on cardiovascular system Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 208000010125 myocardial infarction Diseases 0.000 description 3
- 208000019553 vascular disease Diseases 0.000 description 3
- 206010061216 Infarction Diseases 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000002224 dissection Methods 0.000 description 2
- 238000002001 electrophysiology Methods 0.000 description 2
- 230000007831 electrophysiology Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000007574 infarction Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013146 percutaneous coronary intervention Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 229940121710 HMGCoA reductase inhibitor Drugs 0.000 description 1
- 206010020565 Hyperaemia Diseases 0.000 description 1
- 208000007718 Stable Angina Diseases 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 208000026062 Tissue disease Diseases 0.000 description 1
- 208000007814 Unstable Angina Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000001594 aberrant effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000033115 angiogenesis Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000002651 drug therapy Methods 0.000 description 1
- 230000003511 endothelial effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 210000005003 heart tissue Anatomy 0.000 description 1
- 239000002471 hydroxymethylglutaryl coenzyme A reductase inhibitor Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 210000000952 spleen Anatomy 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/026—Measuring blood flow
-
- 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
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Physiology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Cardiology (AREA)
- Biophysics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Hematology (AREA)
- Vascular Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了用于使用患者特定解剖模型和生理参数来估计靶组织的灌注以指导心血管疾病的诊断和治疗的系统和方法。一种方法包括：接收患者解剖结构的患者特定血管模型和患者特定组织模型；针对所述患者的一个或多个生理状态从所述血管模型和所述组织模型提取一个或多个患者特定生理参数(例如，血液流量、解剖特征、图像特征等等)；使用所述患者特定生理参数估计所述患者特定组织模型的所述灌注的特征(例如，经由经过训练的机器学习算法而实现)；以及向显示器输出所述所估计的灌注特征。
Description
相关申请
本申请依据35 U.S.C.§119(e)要求2015年4月2日提交的美国临时申请第62/142,158号的优先权，该申请的内容以引用的方式全文并入本文。
技术领域
本公开的各种实施方案大体上涉及了疾病评估、治疗计划和相关方法。更确切地，本公开的特定实施方案涉及用于估计靶组织的灌注的系统和方法。
背景技术
冠状动脉疾病是影响数百万人的常见疾病。冠状动脉疾病可能导致向心脏提供血液的血管形成病变，诸如狭窄(血管异常变窄)。因此，可能限制通向心脏的血液流动。患冠状动脉疾病的患者可能会在体力活动期间感到胸痛(称为慢性稳定型心绞痛)或在患者休息时经历不稳定型心绞痛。更严重的疾病表现可能引起心肌梗塞或心脏病发作。在治疗冠状动脉疾病(包括药物治疗(例如他汀类药物)或外科方案(例如，经皮冠状动脉介入(PCI)和冠状动脉旁路移植手术(CABG)两者)上已取得了显著进步。侵入性评估通常用于评估患者可接受的治疗类型。然而，在探索和开发用于制定患者治疗方案的间接或非侵入性评估。
心脏疾病典型地被视为由血管疾病(具体来说，以影响血液流动的方式使血管变窄或血管内腔内部阻塞)造成的。一种测量这种变窄或阻塞的程度的方式是通过灌注扫描，因为灌注是血液通过血管网络(例如，动脉、毛细血管等等)的流动。当前，灌注扫描可能是昂贵的，并且可能使患者暴露于不必要的辐射。因此，存在对使用可用患者信息来估计在某些靶组织中的灌注的期望，其中可使用所估计的灌注数据来模拟熟悉扫描类型，例如，单光子发射计算机断层摄影(SPECT)或正电子发射断层摄影(PET)，使得内科医生可以熟悉如何阅读图像。此外，存在对通过以更好的方式评估心血管疾病的严重程度来改进心血管疾病的治疗的期望。
以上概括描述和以下详细描述仅是示例性和解释性的，并且不是对公开内容的限制。
发明内容
根据本公开的某些方面，公开使用可用信息来估计靶组织的灌注以指导心血管疾病的诊断或治疗的系统和方法。
一种方法包括：接收患者解剖结构的患者特定血管模型和患者特定组织模型；针对所述患者的一个或多个生理状态从所述血管模型和所述组织模型提取一个或多个患者特定生理参数；使用所述患者特定生理参数通过所述患者特定组织模型来估计所述血液灌注的特征；以及向显示器输出所述血液灌注的所述所估计的特征。
根据另一实施方案，公开用于估计患者特定灌注的系统，所述系统包括：数据存储设备，所述数据存储设备存储用于确定所述血液灌注的患者特定特征的指令；以及处理器，所述处理器被配置为执行所述指令以执行包括以下步骤的方法：接收患者解剖结构的患者特定血管模型和患者特定组织模型；针对所述患者的一个或多个生理状态从所述血管模型和所述组织模型提取一个或多个患者特定生理参数；使用所述患者特定生理参数通过所述患者特定组织模型来估计所述血液灌注的特征；以及向显示器输出所述血液灌注的所述所估计的特征。
根据另一实施方案，公开一种用于计算机系统上的非暂时性计算机可读介质，所述非暂时性计算机可读介质含有用于估计血液灌注的患者特定特征的计算机可执行编程指令，所述方法包括：接收患者解剖结构的患者特定血管模型和患者特定组织模型；针对所述患者的一个或多个生理状态从所述血管模型和所述组织模型提取一个或多个患者特定生理参数；使用所述患者特定生理参数通过所述患者特定组织模型来估计所述血液灌注的特征；以及向显示器输出所述血液灌注的所述所估计的特征。
所公开的实施方案的附加特征和优点将部分地在以下描述中阐述，并且将部分地从描述显而易见或可通过实践所公开的实施方案来了解。所公开的实施方案的目标和优点将借助于在随附权利要求中具体指出的要素和组合来认识和达成。
将要理解，以上概括描述和以下详细描述仅是示例性和解释性的，并且不是对详细实施方案的限制，如要求保护的。
附图说明
并入本说明书且构成其一部分的附图示出各种示例性实施方案，并且连同描述来用于解释所公开的实施方案的原理。
图1是根据本公开的示例性实施方案的用于预测灌注以指导心血管疾病的诊断或治疗的示例性系统和网络的方框图。
图2是根据本公开的一般实施方案的估计灌注的一般方法的方框图。
图3是根据本公开的示例性实施方案的估计灌注的示例性方法的方框图。
图4是根据本公开的示例性实施方案的使用机器学习来估计灌注的示例性方法的方框图。图4还可公开分别执行图2和图3中的步骤208或322来确定对组织灌注的估计的方法。
图5是图4中公开的方法的更详细方框图。此外，图5还公开了根据本公开的示例性实施方案的用于使用机器学习从血管几何结构和患者特定生理参数(例如，解剖信息、次要信息和血液供应信息)来估计患者特定灌注特征的示例性方法。
具体实施方式
为了现将详细参考本公开的示例性实施方案，这些实施方案的实例示出于附图。在任何可能情况下，相同参考数字将会在全部附图中用来指代相同或相似的部分。
冠状动脉疾病是可能限制通向心脏的血液流动的常见疾病。虽然在治疗冠状动脉疾病上已取得了显著进展，但是治疗常常是不当或过度的。例如，患者常常经受侵入性外科治疗或灌注扫描，这样可能是昂贵的和/或使患者暴露于不必要的辐射。患者有时受到可能并不会改变他们病情的治疗。在某些情况下，患者甚至经受最终使他们病情恶化的治疗。因此，存在对准确评估心血管疾病的严重程度和/或预测灌注以有助于选择治疗过程的需要。
心血管疾病可与血管疾病(其意思是血管变窄或阻塞)相关。心脏灌注扫描可以测量在不同生理状态下心肌中的血量。“生理状态”可指休息患者状态、充血状态、锻炼状态、餐后状态、重力状态、情绪状态、高血压状态、用药状态或其组合。常常执行灌注扫描以确定哪些可能导致胸痛和确定心脏组织是否被供应了充足血流，或者确定心肌受到心脏病发作的损伤程度。
在扫描期间，在放射性示踪剂静脉内施用于患者后生成心脏图像。放射性示踪剂通过血液行进并且进入心肌。在示踪剂移动通过心肌时，具有足够的血液流动的组织吸收示踪剂。不吸收示踪剂的组织可能不会接收足够血液，或者可能已经受到心脏病发作损伤。在心脏灌注扫描期间可以生成两组图像。然后，将休息图像与应激或非休息图像进行比较，并且可以确定靶组织中的灌注水平。“靶组织”可指可估计血液供应和/或灌注特征的组织和/或器官。
因此，对靶组织中的灌注的理解在临床上可能是重要的。对灌注的理解可以改进对疾病严重程度和治疗适当程度的估计。本公开可通过在灌注可能难以测量的状况下估计灌注和/或通过采用对心脏灌注的测量来更准确地评估在不同生理状况下血管疾病严重程度而有益于患者和医生。所生成的灌注图像可以模拟从熟悉扫描类型(诸如PET和/或SPECT)生成的图像。所模拟的图像可以便于被训练阅读PET和/或SPECT图像的内科医生来阅读和理解。出于本公开的目的：“患者”可指被执行诊断或治疗分析的任何个体或人，或是与一个或多个个体的诊断或治疗分析关联的任何个体或人。
虽然图1提供了本公开的系统和网络的抽象视图，但是图2示出了用于估计血液灌注的一个或多个特征的方法的一般实施方案，并且图3示出了更具体的实施方案。此外，图2和图3公开了通过组织确定对血液灌注的估计的步骤。图4示出了用于执行使用经过训练的机器学习算法通过组织确定对血液灌注的一个或多个特征的估计的步骤的示例性方法。图5更详细地示出图4中公开的方法。
现在更详细地参考附图，图1示出了根据示例性实施方案的用于估计心脏灌注以指导心血管疾病的诊断或治疗的示例性系统100和网络的方框图。确切地讲，图1示出了多个内科医生102和第三方提供商104，它们中任一者可通过一个或多个计算机、服务器和/或手持移动设备连接到电子网络101，诸如互联网。内科医生102和/或第三方提供商104可以创建或以其它方式获得一个或多个患者解剖结构的图像。内科医生102和/或第三方提供商104还可获得患者特定信息(诸如年龄、病史、血压、血液粘度、患者活动或锻炼水平等等)的任何组合。内科医生102和/或第三方提供商104可通过电子网络101向服务器系统106发送解剖图像和/或患者特定信息。服务器系统106可以包括用于存储从内科医生102和/或第三方提供商104接收的图像和数据的存储设备。服务器系统106还可包括用于处理存储在存储设备中的图像和数据的处理设备。
图2示出了用于估计心脏灌注以指导心血管疾病的诊断或治疗的示例性方法200的一般实施方案。图2的方法可由服务器系统106基于通过电子网络101从内科医生102和/或第三方提供商104接收的信息、图像和数据执行。
在一个实施方案中，步骤202可以包括接收存储在存储系统106的电子存储介质中的患者解剖结构的患者特定血管模型和患者特定靶组织模型。“电子存储介质”可以包括但不限于硬驱动器、网络驱动器、云驱动器、移动电话、平板电脑或可或可不被附连到显示屏幕的类似物等等。确切地讲，接收患者特定血管模型和患者特定靶组织模型可以包括在服务器系统106处生成患者特定血管模型和/或患者特定靶组织模型，或者通过电子网络(例如，电子网络101)接收患者特定血管模型和/或患者特定靶组织模型。患者特定血管模型和患者特定靶组织模型可以包括特定的人的心血管模型。在一个实施方案中，血管模型和靶组织模型可从经由一个或多个可用成像或扫描模态(例如，计算机断层摄影(CT)扫描和/或磁共振成像(MR))而获取的人的图像导出。例如，步骤202可以包括接收人的心脏的CT和/或MR图像。步骤202还可包括从所接收的图像生成特定的人的患者特定心血管模型。电子存储介质可以包括但不限于硬驱动器、网络驱动器、云驱动器、移动电话、平板电脑或类似物。
在一个实施方案中，步骤204和206可以包括接收或计算一个或多个患者特定生理参数。这些患者特定生理参数可从所接收的血管模型和/或靶组织模型被接收或计算。这些患者特定生理参数可以包括解剖特征、图像特征，以及与患者和/或患者解剖结构相关的次要特征(例如，患者特征、疾病负荷特征和机电测量)。患者特定生理参数还可包括与血液循环相关的参数，包括在一个或多个生理状态下对通向靶组织的每个区域的血液供应的估计和/或对血液流动特性的估计。
确切地讲，步骤204可以包括接收或计算在一个或多个生理状态下的一个或多个解剖特征、图像特征、患者特征、疾病负荷特征和/或机电特征。一个生理状态实例可为休息状态。另一生理状态可为除休息状态之外的生理状态，或者说是“活动”生理状态。活动生理状态可以包括充血、各种锻炼水平、餐后、位置(例如，仰卧)、重力(例如，G力、零重力等等)或其组合。在一个实施方案中，可从除血管模型和/或靶组织模型之外的来源获得患者特定生理参数。
在一个实施方案中，步骤206可以包括在一个或多个生理状态下接收或计算对靶组织的每个区域或血管网络中的每个血管的所估计的供应血液和/或所估计的血液流动特征。这些估计可以是基于测量(例如，通过成像进行测量)或经由在休息状态下对供应血液的估计(例如，基于3D模拟、1D模拟或所学习的关系)的。
在一个实施方案中，步骤208可以包括使用联合先验信息来确定和输出对血管模型的血管或靶组织的区域中的灌注的估计。联合先验信息可指在步骤204和206中确定的一个或多个所接收的患者特定生理参数(例如，所接收或计算的医学图像特征、解剖特征、对靶组织的血液供应、血液流动特征、患者特征、疾病负荷特征、机电测量等等)。在一个实施方案中，确定对灌注的估计可以涉及在人是处于给定生理状态时，确定对人的血管模型的一个或多个血管位置处的供应血液的估计。这个确定同样可以是基于对血液流量的测量(例如，通过成像)或经由在休息状态下对血液流量的估计(例如，基于3D模拟、1D模拟或所学习的关系)的。在一个实施方案中，步骤208可以包括计算对与血管模型相关的靶组织的灌注区位的估计。可通过使用最近邻(例如，Voronoi图)方法将靶组织中的位置分配给血管模型中的最靠近的供应血管来确定这个估计。也可使用微血管估计技术(例如，通过使用受约束的建构优化方法)从解剖模型来确定所述估计。在一个实施方案中，步骤208可由处理器执行。处理器可通过机器学习来估计在一个或多个生理状态下在血管模型中的靶组织的一个或多个位置处的灌注。在一个实施方案中，步骤208还可包括向电子存储设备(例如，硬盘、网络驱动器、便携式盘、智能电话、平板电脑等等)和/或显示屏幕输出对灌注的估计。在一个实施方案中，所输出的灌注估计可以2D或3D显示为灰度的或彩色的。所计算的灌注估计可以叠加在靶组织的解剖模型上和/或叠加在靶组织的图像上。
在一个实施方案中，步骤210可以包括估计被设计用于模拟在一个或多个生理状态下的SPECT或PET扫描的虚拟灌注。在一个实施方案中，估计可通过以灌注估计给定的浓度对造影剂建模来执行。在另一实施方案中，所述估计可以涉及执行蒙特卡罗模拟来估计虚拟准直器位置处的光子或正电子的准直。使用准直器估计，就可使用标准断层摄影技术重建SPECT或PET图像。所估计的虚拟灌注图像可以被保存到电子存储介质和/或显示在监视器上。
图3示出了用于估计心脏灌注以指导心血管疾病的诊断或治疗的方法300的示例性实施方案。图3的方法可由服务器系统106基于通过电子网络101从内科医生102和/或第三方提供商104接收的信息、图像和数据执行。
在一个实施方案中，步骤302可以包括接收至少在存储系统106的电子存储介质中的患者解剖结构的靶组织的患者特定血管模型。确切地讲，接收患者特定解剖模型可以包括在服务器系统106处生成患者特定解剖模型，或者通过电子网络(例如，电子网络101)接收患者特定解剖模型。患者特定解剖模型可以包括特定的人的心血管模型。在一个实施方案中，解剖模型可从经由一个或多个可用成像或扫描模态(例如，CT扫描和/或磁共振成像)而获取的人的图像导出。例如，步骤302可以包括接收人的心脏的CT和/或MRI图像。步骤302还可包括从所接收的图像生成特定的人的患者特定心血管模型。电子存储介质可以包括但不限于硬驱动器、网络驱动器、云驱动器、移动电话、平板电脑或类似物。
在一个实施方案中，步骤304可以包括计算对靶组织的解剖特征中的一个或多个的估计。解剖特征可以包括但不限于血管大小、血管形状、曲度、厚度和/或靶组织或血管网络内的所估计的灌注区位。这个估计可以是基于测量(例如，通过从成像来测量解剖特征)或经由在休息状态下对解剖特征的估计(例如，基于3D模拟、1D模拟或所学习的关系)的。
在一个实施方案中，步骤306可以包括接收靶组织的一个或多个图像特征。图像特征可从CT扫描图像、MRI图像、超声图像、PET图像或SPECT图像获得。图像可以捕获在一个或多个生理状态(例如休息、应激、活动)下的血管模型。在血管模型的一个或多个位置处可接收或计算靶组织或血管的图像特征。图像特征可以包括但不限于在一个或多个图像分辨率下的局部平均强度、平均强度差异(例如，使用例如哈尔小波经由小波基计算的)、纹理特征(例如Haralick纹理特征)和任何标准图像特征(包括直方图、梯度、SIFT或可转向滤波器等等)。
在一个实施方案中，步骤308可以包括接收患者特征。患者特征可以包括但不限于年龄、性别、吸烟史、身高、体重、糖尿病状态、高血压状态、种族、家族史、血型、先前药物使用历史和/或遗传史。患者特征可以经由电子网络100或从患者内科医师102或从第三方提供商103获得。
在一个实施方案中，步骤310可以包括接收血管或靶组织疾病特征。靶组织疾病特征可以包括但不限于动脉内的斑块累积的存在和程度、斑块特征(例如，斑点钙化、低衰减性斑块、餐巾环征、正性重塑)的存在、患者水平或血管水平钙分数、组织活力信息、血管壁运动、血管壁厚度和/或射血分数信息。
在一个实施方案中，步骤312可以包括接收机电测量。机电测量可以包括但不限于心电图(ECG)测量或侵入性电生理学(EP)测量。
在一个实施方案中，步骤314可以包括计算在一个或多个生理状态下对通向靶组织的每个区域的所供应的血液的估计。一个第一生理状态实例可为休息状态。这个计算可以是基于测量(例如，通过成像进行测量)或经由在休息状态下对供应血液的估计(例如，基于三维(3D)模拟、一维(1D)模拟或所学习的关系)的。另一生理状态可为除休息状态之外的生理状态，或者说是“活动”生理状态。此生理状态的一个实例可以包括充血。其它非休息生理状态可以包括各种锻炼水平、餐后、位置(例如，仰卧)、重力(例如，G力、零重力等等)。
在一个实施方案中，步骤316可以包括计算靶组织的一个或多个血液流动特征。在一个实施方案中，血液流动特征可以包括但不限于流量储备分数值(FFR)、流动方向和/或流量量值，并且通过对通向靶组织的血液流量的估计确定。在一个实施方案中，血液流动特性可通过若干手段来计算，包括但不限于侵入性测量(例如，侵入性FFR、心肌梗塞(TIMI)中的血栓形成或微球)、使用血液流动模拟模型(例如，3D或1D流体模拟模型、计算或TAFE)的计算、使用成像特征(例如，TAG或CCO)的计算或使用基于解剖或成像特征对血液供应的机器学习估计的计算。在一个实施方案中，步骤316可以包括计算对与血管模型相关的靶组织的灌注区位中的血液流量的估计。可通过使用最近邻(例如，Voronoi图)方法将靶组织中的位置分配给血管模型中的最靠近的供应血管来确定这个估计。也可使用微血管估计技术(例如，通过使用受约束的建构优化方法)从解剖模型来确定所述估计。在一个实施方案中，步骤316可由处理器执行。处理器可通过机器学习来估计在一个或多个生理状态下在血管模型中的靶组织的一个或多个位置处的灌注。
在一个实施方案中，步骤318可以包括使用处理器计算对与血管模型相关的靶组织中的一个或多个位置处的灌注的估计。可针对一个或多个生理状态使用患者特定患者特定生理参数(例如，图像特征、解剖特征、所估计的血液供应、所估计的血液流动特征、所估计的灌注区位、患者特征、疾病负荷特征和/或机电测量)中的一个或多个来计算对灌注的估计。在一个实施方案中，可通过使用具有已知灌注特征和已知患者特定生理参数(包括但不限于图像特征、解剖特征、所估计的灌注区位、疾病负荷特征和/或机电测量)的患者数据库训练机器学习算法来执行这个计算。在一个实施方案中，步骤318可由处理器执行。
在一个实施方案中，步骤320可以包括向电子存储设备(例如，硬盘、网络驱动器、便携式盘、智能电话、平板电脑等等)和/或显示屏幕输出对灌注的估计。在一个实施方案中，所输出的灌注估计可以2D或3D显示为灰度的或彩色的。在一个实施方案中，所输出的灌注估计可以叠加或叠合在靶组织的解剖模型上和/或叠加或叠合在靶组织的图像上。在一个实施方案中，可通过使用具有已知灌注特征和已知患者特定生理参数的患者数据库训练机器学习算法来执行这个确定。在一个实施方案中，灌注估计可以用于估计被设计用于模拟在患者生理状态中的一个或多个下的SPECT或PET图像的虚拟灌注图像。在一个实施方案中，虚拟灌注图像可以保存到电子存储介质中和/或输出到显示器。对虚拟灌注图像的估计可通过以灌注估计给定的浓度对造影图像建模来执行，从而执行蒙特卡罗模拟以估计多个虚拟准直器位置处的光子或正电子的准直，和/或使用准直器估计以使用标准断层摄影技术来重建SPECT或PET图像。所估计的虚拟灌注图像在可读性和设计上可类似于SPECT或PET扫描图像，并且因此内科医师可以熟悉如何分析所估计的灌注图像。
方法200和300的上述步骤可以用于估计各种组织中的灌注，包括但不限于使用冠状动脉血管模型的心肌、使用脑血管模型的脑、使用周围血管模型的肌肉组织、使用肝脏血管模型的肝脏、使用肾脏血管模型的肾脏、使用内脏血管模型的内脏，以及使用用于向靶器官供应血液的血管的血管模型在包括脾脏和胰腺的其它器官中进行灌注。
在一个实施方案中，灌注估计还可用于通过使用更准确的边界条件来执行对血液流动特征的模拟或估计以增强血液流动模拟。
在一个实施方案中，可通过虚拟改变输入信息(例如，血管模型、组织模型患者特定生理参数等等)并且基于已改变的输入预测对靶组织中的灌注的影响来改进治疗计划和诊断。
图4示出了用于训练机器学习算法以在一个或多个生理状态下确定对靶组织中的一个或多个位置处的灌注的估计的方法400的示例性实施方案。图4的方法可由服务器系统106基于通过电子网络101从内科医生102和/或第三方提供商104接收的信息、图像和数据执行。
在一个实施方案中，步骤402可以包括汇编含有血管和/或靶组织模型中的一个或多个位置处的患者特定生理参数和那些位置处的所估计或测量的灌注数据中的一个或多个的数据库。“患者特定生理参数”可指所接收或计算的医学图像特征、解剖特征、灌注区位、通向靶组织的血液供应、血液流动特征、患者特征、疾病负荷特征和/或机电测量。位置可以来自患者特定血管和/或靶组织模型，或是来自从一个或多个可用成像或扫描模态获得的图像，包括但不限于PET、SPECT、MR灌注和/或CT灌注。
在一个实施方案中，步骤404可以包括训练机器学习算法以将血管和/或靶组织模型的一个或多个位置处的一个或多个患者特定生理参数映射到那些位置处的灌注数据。机器学习算法可以采取许多形式，包括但不限于多层感知、深度学习、支持向量机、随机森林、k-最近邻、贝叶斯网络等等。
在一个实施方案中，步骤406可以包括将经过训练的机器学习算法应用于从新的患者获得的血管模型和/或靶组织的患者特定生理参数集合来估计一个或多个位置处的灌注数据。
图5是根据本公开的示例性实施方案的用于从血管几何结构和生理信息估计患者特定血液流动特征的示例性方法的方框图。图5的方法可由服务器系统106基于通过电子网络100从内科医生102和/或第三方提供商104接收的信息执行。
在一个实施方案中，图5的方法可以包括用于基于来自多个患者的患者特定生理参数和所测量或估计的灌注特征来训练一个或多个机器学习算法的训练方法502，以及用于使用机器学习算法结果来预测特定患者灌注特征的产生方法504。
在一个实施方案中，训练方法502可以涉及：针对多个个体中每一者，例如以数字格式来获取：(a)患者特定几何模型；(b)一个或多个所测量或估计的患者特定生理参数；以及(c)灌注特征的值。然后，训练方法502可以涉及：针对每个患者模型中的一个或多个点，创建患者生理参数的特征矢量并且将特征矢量与灌注特征的值关联。然后，训练方法1002可以基于特征矢量和所估计的灌注特征来训练机器学习算法(例如，使用服务器系统106的处理设备)以预测几何模型中的每一个点处的灌注。然后，训练方法502可以将机器学习算法结果(包括特征权重)保存到服务器系统106的存储设备中。所存储的特征权重可以限定患者特定生理参数和/或解剖几何结构可预测某些灌注特征的程度。
在另一实施方案中，训练方法502可以基于针对多个患者使用计算流体动力(CFD)技术而生成的FFR估计执行。然后，训练方法502可以涉及将所估计的FFR值与患者几何模型中的每一个点关联，并且接着创建患者特定生理参数的特征矢量而且将特征矢量与FFR估计关联。然后，训练方法502可以基于特征矢量和所估计的FFR来训练机器学习算法(例如，使用服务器系统106的处理设备)以预测几何模型中的每一个点处的灌注。
在一个实施方案中，产生方法504可以涉及基于执行训练方法502的结果来估计特定患者的灌注特征。在一个实施方案中，产生方法504可以包括例如以数字格式来获取：(a)患者特定几何模型；以及(b)一个或多个所测量或估计的患者特定生理参数。对于患者几何模型中的多个点，产生方法504可以涉及创建训练模式中使用的患者特定生理参数的特征矢量。然后，产生方法504可以使用所保存的机器学习算法结果来产生针对患者特定几何模型中的每一个点的对患者灌注特征的估计。最后，产生方法504可以将机器学习算法结果(包括所预测的灌注特征)保存到服务器系统106的存储设备。
通过考虑本文中公开的本发明的说明书和实践，本发明的其它实施方案将对本领域的技术人员显而易见。预期的是，说明书和实例仅仅被认为是示例性的，其中本发明的范围和精神由随附权利要求指出。
Claims (20)
1.一种通过患者解剖结构来估计患者特定血液灌注值的由计算机实现的方法，所述方法包括：
接收患者解剖结构的患者特定血管模型和患者特定组织模型；
在所述患者的一个或多个生理状态下，从所述血管模型或所述组织模型提取所述患者的一个或多个患者特定生理参数；
使用所述患者特定生理参数和机器学习算法通过所述患者特定组织模型来估计所述血液灌注的特征，其中所述机器学习算法已被训练以将患者灌注特征映射到患者特定解剖几何结构和生理参数；并且
向电子显示器输出所述血液灌注的所估计的特征。
2.如权利要求1所述的由计算机实现的方法，其中所述患者特定生理参数包括：在一个或多个生理状态下通向血管或组织的多个区域的所估计或所测量的血液流量。
3.如权利要求1所述的由计算机实现的方法，其中所述患者特定生理参数包括：一个或多个解剖特征，所述解剖特征包括但不限于血管大小、血管形状、血管曲度、血管长度、血管厚度、组织或血管网络内的血液灌注的所估计的区位，或以上项的组合。
4.如权利要求1所述的由计算机实现的方法，其中所述生理状态可以包括以下项中的一个或多个：休息患者状态、充血状态、锻炼状态、餐后状态、重力状态、情绪状态、高血压状态、用药状态，或以上项的组合。
5.如权利要求1所述的由计算机实现的方法，其中所述血液灌注的特征包括以下项中的一个或多个：流量储备分数、流动量值、流动方向，或以上项的组合。
6.如权利要求1所述的由计算机实现的方法，其中所述患者特定生理参数包括：在一个或多个生理状态下的靶组织或血管模型的一个特征或多个图像特征，所述图像特征包括局部平均强度、纹理特征、标准图像，或以上项的组合中的一个或多个。
7.如权利要求1所述的由计算机实现的方法，其中所述患者特定生理参数还包括：多个次要特征，所述次要特征包括以下项中的一个或多个：患者特征、靶组织疾病特征、机电测量，或以上项的组合。
8.如权利要求1所述的由计算机实现的方法，其中通过所述患者特定组织模型来估计所述血液灌注的特征包括：比较在一个或多个生理状态下的所述靶组织中的血液流量。
9.如权利要求1所述的由计算机实现的方法，其中患者解剖结构的所述患者特定血管模型和患者特定组织模型包括以下项中的一个或多个：冠状血管模型和心肌；脑血管模型和大脑；周围血管模型和肌肉；肝脏血管模型和肝脏；肾脏血管模型和肾脏；内脏血管模型和内脏；或具有将血液供应到所述靶器官的血管的任何靶器官和血管模型。
10.如权利要求1所述的由计算机实现的方法，所述方法还包括：
基于所述血液灌注的所估计的特征来调整所述患者特定生理参数；并且
使用所述血液灌注的所估计的特征和所调整的生理参数来模拟血液流动特征。
11.如权利要求1所述的由计算机实现的方法，该方法还包括：
接收所述靶组织中的一个或多个位置处的一个或多个所要灌注特征；
将所述血液灌注在所述靶组织中的所述一个或多个位置处的所估计的特征与在那些位置处的所述所要灌注特征进行比较；并且
基于所述比较来改变所述血管或靶组织的所述生理参数、患者特定解剖模型中的一个或多个。
12.如权利要求1所述的由计算机实现的方法，该方法还包括：
使用所述血液灌注的所估计的一个或多个特征来估计一个或多个虚拟灌注图像，所述一个或多个虚拟灌注图像被设计用于模拟一个或多个生理状态下的SPECT或PET扫描；
向电子存储介质输出所述一个或多个虚拟灌注图像。
13.一种用于估计患者特定灌注的系统，所述系统包括：
数据存储设备，所述数据存储设备存储用于确定血液灌注的患者特定特征的指令；以及
处理器，所述处理器被配置为执行所述指令以执行包括以下步骤的方法：
接收患者解剖结构的患者特定血管模型和患者特定组织模型；
在所述患者的一个或多个生理状态下，从所述血管模型或所述组织模型提取所述患者的一个或多个患者特定生理参数；
使用所述患者特定生理参数通过所述患者特定组织模型来估计所述血液灌注的特征；并且
向显示器输出所述血液灌注的所估计的特征。
14.如权利要求13所述的系统，其中所述患者特定生理参数包括：在一个或多个生理状态下的以下项中的一个或多个：
通向血管或组织的多个区域的所估计或测量的血液流量；
解剖特征；
图像特征；
患者特征；
靶组织疾病特征；
机电测量；或
以上项的组合。
15.如权利要求13所述的系统，其中所述生理状态包括以下项中的一个或多个：休息患者状态、充血状态、锻炼状态、餐后状态、重力状态、情绪状态、高血压状态、用药状态，或以上项的组合。
16.如权利要求13所述的系统，其中所述血液灌注的特征包括以下项中的一个或多个：流量储备分数、流动量值、流动方向，或以上项的组合。
17.如权利要求13所述的系统，其中通过所述患者特定组织来估计所述血液灌注的特征包括：比较在一个或多个生理状态下的所述靶组织中的血液流量。
18.如权利要求13所述的系统，其中患者解剖结构的所述患者特定血管模型和患者特定组织模型包括以下项中的一个或多个：
冠状血管模型和心肌；
脑血管模型和大脑；
周围血管模型和肌肉；
肝脏血管模型和肝脏；
肾脏血管模型和肾脏；
内脏血管模型和内脏；
或具有将血液供应到所述靶器官的血管的任何靶器官和血管模型。
19.如权利要求13所述的系统，该系统还包括：
基于所述血液灌注的所估计的特征来调整所述患者特定生理参数；
使用血液灌注的所估计的特征和所调整的生理参数来模拟血液流动特征。
20.一种用于计算机系统上的非暂时性计算机可读介质，所述非暂时性计算机可读介质包含用于估计血液灌注的患者特定特征的计算机可执行编程指令，所述方法包括：
接收患者解剖结构的患者特定血管模型和患者特定组织模型；
在所述患者的一个或多个生理状态下，从所述血管模型或所述组织模型提取所述患者的一个或多个患者特定生理参数；
使用所述患者特定生理参数通过所述患者特定组织模型来估计所述血液灌注的特征；并且
向显示器输出所述血液灌注的所估计的特征。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201562142158P | 2015-04-02 | 2015-04-02 | |
| US62/142,158 | 2015-04-02 | ||
| PCT/US2016/025595 WO2016161308A1 (en) | 2015-04-02 | 2016-04-01 | Systems and methods for predicting perfusion deficits from physiological, anatomical, and patient characteristics |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107787202A true CN107787202A (zh) | 2018-03-09 |
| CN107787202B CN107787202B (zh) | 2024-03-22 |
Family
ID=55795185
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201680020419.0A Active CN107787202B (zh) | 2015-04-02 | 2016-04-01 | 用于从生理学、解剖学和患者特征预测灌注缺陷的系统和方法 |
Country Status (8)
| Country | Link |
|---|---|
| US (2) | US10262101B2 (zh) |
| EP (2) | EP3277169B1 (zh) |
| JP (1) | JP6522149B2 (zh) |
| KR (1) | KR102527582B1 (zh) |
| CN (1) | CN107787202B (zh) |
| AU (1) | AU2016242999B2 (zh) |
| CA (1) | CA2981464A1 (zh) |
| WO (1) | WO2016161308A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113393433A (zh) * | 2021-06-10 | 2021-09-14 | 北京安德医智科技有限公司 | 一种通用的医学影像灌注参数预测方法及装置 |
| CN114113173A (zh) * | 2021-11-18 | 2022-03-01 | 上海联影医疗科技股份有限公司 | 一种x射线设备、应用于x射线设备中的散射校正方法 |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10349909B2 (en) * | 2015-06-30 | 2019-07-16 | General Electric Company | Systems and methods for flow rate compensated acquisition parameters for medical imaging |
| FR3062498B1 (fr) * | 2017-02-02 | 2019-06-07 | Casis - Cardiac Simulation & Imaging Software | Systeme et procede pour l'evaluation de risques vasculaires |
| EP3378398A1 (en) * | 2017-03-24 | 2018-09-26 | Koninklijke Philips N.V. | Myocardial ct perfusion image synthesis |
| WO2018184779A1 (en) * | 2017-04-06 | 2018-10-11 | Koninklijke Philips N.V. | Coronary artery disease metric based on estimation of myocardial microvascular resistance from ecg signal |
| US11871995B2 (en) | 2017-12-18 | 2024-01-16 | Hemolens Diagnostics Sp. Z O.O. | Patient-specific modeling of hemodynamic parameters in coronary arteries |
| US10991465B2 (en) | 2017-12-20 | 2021-04-27 | Heartflow, Inc. | Systems and methods for performing computer-simulated evaluation of treatments on a target population |
| WO2019132048A1 (ko) * | 2017-12-26 | 2019-07-04 | 부산대학교 산학협력단 | 안구 맥락막 혈류 시뮬레이션 방법 |
| US20210085273A1 (en) * | 2018-02-01 | 2021-03-25 | Koninklijke Philips N.V. | Low radiation dose computed tomography perfusion (ctp) with improved quantitative analysis |
| JP7267000B2 (ja) * | 2018-12-06 | 2023-05-01 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置、核医学診断装置、医用画像処理方法、および学習装置 |
| WO2021113510A1 (en) * | 2019-12-06 | 2021-06-10 | The Henry M. Jackson Foundation For The Advancement Of Military Medicine | Prediction of venous thromboembolism utilizing machine learning models |
| WO2021261920A1 (ko) * | 2020-06-24 | 2021-12-30 | 한양대학교 에리카산학협력단 | 동맥류 학습 데이터 증강 시스템 및 방법 |
| CN115040100B (zh) * | 2022-06-14 | 2023-10-27 | 安影科技（北京）有限公司 | 一种视神经血流灌注数值快速采集方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000010034A1 (en) * | 1998-08-14 | 2000-02-24 | Prato Frank S | Application of scatter and attenuation correction to emission tomography images using inferred anatomy from atlas |
| WO2001010301A1 (en) * | 1999-08-06 | 2001-02-15 | Karolinska Innovations Ab | Paperbased nuclear medical phantom and the method of using such a phantom |
| JP2006320387A (ja) * | 2005-05-17 | 2006-11-30 | Univ Of Tsukuba | 計算機支援診断装置および方法 |
| US20120053918A1 (en) * | 2010-08-12 | 2012-03-01 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
| EP2662794A2 (en) * | 2012-05-11 | 2013-11-13 | Fujitsu Limited | Simulation method, simulator apparatus, and simulation program for hemodynamics in vessels |
| 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 |
| US20150038860A1 (en) * | 2013-07-30 | 2015-02-05 | Heartflow, Inc. | Method and system for modeling blood flow with boundary conditions for optimized diagnostic performance |
| US20150112182A1 (en) * | 2013-10-17 | 2015-04-23 | Siemens Aktiengesellschaft | Method and System for Machine Learning Based Assessment of Fractional Flow Reserve |
| WO2015153362A1 (en) * | 2014-03-31 | 2015-10-08 | Heartflow, Inc. | Systems and methods for determining blood flow characteristics using flow ratio |
Family Cites Families (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09176040A (ja) * | 1995-12-27 | 1997-07-08 | Green Cross Corp:The | ヘパリンコファクターｉｉの医薬用途 |
| US6556695B1 (en) * | 1999-02-05 | 2003-04-29 | Mayo Foundation For Medical Education And Research | Method for producing high resolution real-time images, of structure and function during medical procedures |
| AU5951901A (en) * | 2000-05-08 | 2001-11-20 | Biogen Inc | Method for promoting neovascularization |
| US20030113827A1 (en) * | 2001-12-17 | 2003-06-19 | Burkoth Terry L. | Non-or minimally invasive monitoring methods |
| US7181284B2 (en) * | 2004-03-17 | 2007-02-20 | Medtronic, Inc. | Apparatus and methods of energy efficient, atrial-based Bi-ventricular fusion-pacing |
| JP2007068620A (ja) * | 2005-09-05 | 2007-03-22 | Konica Minolta Holdings Inc | 心理状態計測装置 |
| US8503741B2 (en) * | 2006-11-30 | 2013-08-06 | Siemens Aktiengesellschaft | Workflow of a service provider based CFD business model for the risk assessment of aneurysm and respective clinical interface |
| US8202226B2 (en) * | 2007-01-23 | 2012-06-19 | Kci Licensing, Inc. | Providing automated or manual guidance on dynamic patient positioning based on measured variables for ventilation control |
| WO2008132664A2 (en) * | 2007-04-26 | 2008-11-06 | Koninklijke Philips Electronics N.V. | Risk indication for surgical procedures |
| US20110015520A1 (en) * | 2008-03-17 | 2011-01-20 | Koninklijke Philips Electronics N.V. | Perfusion imaging |
| KR100994312B1 (ko) * | 2008-07-09 | 2010-11-12 | 성균관대학교산학협력단 | 신경 회로망을 이용한 사용자 상태 측정 장치 및 그 방법 |
| JP5656361B2 (ja) * | 2009-03-16 | 2015-01-21 | 株式会社東芝 | Ｘ線診断装置 |
| EP2445403B1 (en) * | 2009-06-24 | 2023-06-14 | Oridion Medical (1987) Ltd. | Method and apparatus for producing a waveform |
| BR112012017166A2 (pt) * | 2009-12-23 | 2016-03-15 | Delta Dansk Elektronik Lys Og Akustik | dispositivo de monitoração |
| WO2012029928A1 (ja) * | 2010-09-01 | 2012-03-08 | 株式会社 東芝 | 医用画像処理装置 |
| JP6120504B2 (ja) * | 2012-08-06 | 2017-04-26 | 有限会社湘南化成 | 管状モデルの製造方法、血管モデル、血管モデルシミュレータ及び成形型 |
| JP5889825B2 (ja) * | 2013-03-29 | 2016-03-22 | 富士フイルムＲｉファーマ株式会社 | Ｒｏｉ設定装置、ｒｏｉ設定方法、コンピュータプログラム及び脳血流推定装置 |
| JP2015039448A (ja) * | 2013-08-20 | 2015-03-02 | 国立大学法人埼玉大学 | 血管出術後の血流配分を予測する方法及び予測プログラム |
| US9501622B2 (en) * | 2014-03-05 | 2016-11-22 | Heartflow, Inc. | Methods and systems for predicting sensitivity of blood flow calculations to changes in anatomical geometry |
| US9349178B1 (en) * | 2014-11-24 | 2016-05-24 | Siemens Aktiengesellschaft | Synthetic data-driven hemodynamic determination in medical imaging |
| WO2016161356A1 (en) * | 2015-04-02 | 2016-10-06 | Heartflow, Inc. | Systems and methods for predicting tissue viability deficits from physiological, anatomical, and patient characteristics |
-
2016
- 2016-04-01 AU AU2016242999A patent/AU2016242999B2/en active Active
- 2016-04-01 US US15/088,733 patent/US10262101B2/en active Active
- 2016-04-01 KR KR1020177030160A patent/KR102527582B1/ko active IP Right Grant
- 2016-04-01 JP JP2017551099A patent/JP6522149B2/ja active Active
- 2016-04-01 CA CA2981464A patent/CA2981464A1/en active Pending
- 2016-04-01 WO PCT/US2016/025595 patent/WO2016161308A1/en active Application Filing
- 2016-04-01 EP EP16717514.0A patent/EP3277169B1/en active Active
- 2016-04-01 EP EP21176984.9A patent/EP3912550B1/en active Active
- 2016-04-01 CN CN201680020419.0A patent/CN107787202B/zh active Active
-
2019
- 2019-03-04 US US16/291,967 patent/US20190200881A1/en active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000010034A1 (en) * | 1998-08-14 | 2000-02-24 | Prato Frank S | Application of scatter and attenuation correction to emission tomography images using inferred anatomy from atlas |
| WO2001010301A1 (en) * | 1999-08-06 | 2001-02-15 | Karolinska Innovations Ab | Paperbased nuclear medical phantom and the method of using such a phantom |
| JP2006320387A (ja) * | 2005-05-17 | 2006-11-30 | Univ Of Tsukuba | 計算機支援診断装置および方法 |
| US20120053918A1 (en) * | 2010-08-12 | 2012-03-01 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
| EP2662794A2 (en) * | 2012-05-11 | 2013-11-13 | Fujitsu Limited | Simulation method, simulator apparatus, and simulation program for hemodynamics in vessels |
| 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 |
| US20150038860A1 (en) * | 2013-07-30 | 2015-02-05 | Heartflow, Inc. | Method and system for modeling blood flow with boundary conditions for optimized diagnostic performance |
| US20150112182A1 (en) * | 2013-10-17 | 2015-04-23 | Siemens Aktiengesellschaft | Method and System for Machine Learning Based Assessment of Fractional Flow Reserve |
| WO2015153362A1 (en) * | 2014-03-31 | 2015-10-08 | Heartflow, Inc. | Systems and methods for determining blood flow characteristics using flow ratio |
Non-Patent Citations (4)
| Title |
|---|
| CHARLESA.TAYLOR等: "Computational Fluid Dynamics Applied to Cardiac Computed Tomography for Noninvasive Quantification of Fractional Flow Reserve", 《JOURNAL OF AMERICAN COLLEGE OF CARDIOLOGY》 * |
| CHARLESA.TAYLOR等: "Computational Fluid Dynamics Applied to Cardiac Computed Tomography for Noninvasive Quantification of Fractional Flow Reserve", 《JOURNAL OF AMERICAN COLLEGE OF CARDIOLOGY》, vol. 61, no. 22, 4 June 2013 (2013-06-04), pages 2233 - 2241 * |
| H.J.KIM等: "Patient-Specific Modeling of Blood Flow and Pressure in Human Coronary Arteries", 《ANNALS OF BIOMEDICAL ENGINEERING》 * |
| H.J.KIM等: "Patient-Specific Modeling of Blood Flow and Pressure in Human Coronary Arteries", 《ANNALS OF BIOMEDICAL ENGINEERING》, vol. 38, no. 10, 31 October 2010 (2010-10-31), pages 3195 - 3209, XP019811680 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113393433A (zh) * | 2021-06-10 | 2021-09-14 | 北京安德医智科技有限公司 | 一种通用的医学影像灌注参数预测方法及装置 |
| CN114113173A (zh) * | 2021-11-18 | 2022-03-01 | 上海联影医疗科技股份有限公司 | 一种x射线设备、应用于x射线设备中的散射校正方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CA2981464A1 (en) | 2016-10-06 |
| KR102527582B1 (ko) | 2023-05-03 |
| EP3912550A1 (en) | 2021-11-24 |
| JP2018517958A (ja) | 2018-07-05 |
| KR20170133391A (ko) | 2017-12-05 |
| US20190200881A1 (en) | 2019-07-04 |
| US20160292382A1 (en) | 2016-10-06 |
| JP6522149B2 (ja) | 2019-05-29 |
| AU2016242999B2 (en) | 2018-11-22 |
| WO2016161308A1 (en) | 2016-10-06 |
| AU2016242999A1 (en) | 2017-11-23 |
| US10262101B2 (en) | 2019-04-16 |
| EP3912550B1 (en) | 2024-06-12 |
| EP3277169A1 (en) | 2018-02-07 |
| EP3277169B1 (en) | 2021-07-07 |
| CN107787202B (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107787202A (zh) | 用于从生理学、解剖学和患者特征预测灌注缺陷的系统和方法 | |
| US11660143B2 (en) | Systems and methods for diagnosis and assessment of cardiovascular disease by comparing arterial supply capacity to end-organ demand | |
| US11701175B2 (en) | System and method for vascular tree generation using patient-specific structural and functional data, and joint prior information | |
| US20200178815A1 (en) | Systems and methods for predicting tissue viability deficits from physiological, anatomical, and patient characteristics | |
| EP3624132A1 (en) | Calculating boundary conditions for virtual ffr and ifr calculation based on myocardial blush characteristics |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |