CN108992059B - 用于根据血管几何形状和生理学估计血流特性的系统和方法 - Google Patents
用于根据血管几何形状和生理学估计血流特性的系统和方法 Download PDFInfo
- Publication number
- CN108992059B CN108992059B CN201810916602.XA CN201810916602A CN108992059B CN 108992059 B CN108992059 B CN 108992059B CN 201810916602 A CN201810916602 A CN 201810916602A CN 108992059 B CN108992059 B CN 108992059B
- Authority
- CN
- China
- Prior art keywords
- patient
- blood flow
- individual
- geometric model
- machine learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
-
- 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
- A61B5/02028—Determining haemodynamic parameters not otherwise provided for, e.g. cardiac contractility or left ventricular ejection fraction
- A61B5/02035—Determining blood viscosity
-
- 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
- A61B5/021—Measuring pressure in heart or blood vessels
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14535—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring haematocrit
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
-
- 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
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Hematology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Vascular Medicine (AREA)
- Optics & Photonics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及用于根据血管几何形状和生理学估计血流特性的系统和方法,所述方法包括:针对多个个体中的每一个获取所述个体的血管系统的至少一部分的几何模型和估计血流特性;在用于所述多个个体中的每一个的所述几何模型和估计血流特性上执行机器学习算法;使用所述机器学习算法来识别预测对应于所述几何模型中的多个点的血流特性的特征;针对患者获取所述患者的血管系统的至少一部分的几何模型;以及使用所述识别的特征来针对所述患者的几何模型中的多个点中的每一个产生所述患者的血流特性的估计。
Description
本申请是分案申请,其母案申请的国际申请号是:PCT/US2013/057546,国家申请号是:201380046745.5,国际申请日是:2013.8.30,发明名称是:“用于根据血管几何形状和生理学估计血流特性的系统和方法”。
相关申请
本申请要求2013年5月16日提交的美国专利申请号13/895,893的优先权,所述美国专利申请依据35§USC 119要求2012年9月12日提交的美国临时申请号61/700,213的优先权利益,所述申请的全部公开内容由此以引用的方式整体并入本文。
技术领域
本公开的各个实施方案总体上涉及医学成像和相关方法。更具体来说,本公开的特定实施方案涉及用于根据血管几何形状和生理学估计患者特定的血流特性的系统和方法。
背景技术
动脉能力的功能评估对于用以解决患者需求的治疗计划是重要的。近期的研究已经证明如血流储备分数(FFR)的血液动力学特性是用以确定用于动脉疾病患者的最佳治疗的重要指标。这些血液动力学特性的传统评估使用侵入性导管插入术来直接测量如压力和流动速度的血流特性。然而,尽管收集到重要临床信息,但是这些侵入性测量技术为患者带来严重的风险并且为医疗保健系统带来大量成本。
为了解决与侵入性测量相关联的风险和开支,已经开发出新一代非侵入性测试来评估血流特性。这些非侵入性测试使用患者成像(如计算机断层扫描(CT))来确定患者特定的血管几何模型,并且这个模型在计算上用以使用具有适当生理学边界条件和参数的计算流体力学(CFD)来模拟血流。对这些患者特定的边界条件的输入的实例包括患者的血压、血液粘度和对来自所供应组织的血液的预期需求(来源于标度律以及根据患者成像对所供应组织的质量估计)。虽然血流特性的这些基于模拟的估计已经证明保真度水平堪比对相同感兴趣的量的直接(侵入性)测量,但是物理模拟要求大量的计算负担,所述计算负担可能使这些虚拟的非侵入性测试难以在实时临床环境中执行。因此,本公开描述计算上廉价的用于进行血流特性的快速非侵入性估计的新方法。
发明内容
本发明公开用于得出患者特定的患者血管几何模型,和将这个几何形状与患者特定的生理学信息和边界条件组合的系统和方法。组合的这些数据可用于估计患者的血流特性并且在临床上预测有关感兴趣的量(例如,FFR)。目前所公开系统和方法提供超越血流的基于物理的模拟的优点,以计算感兴趣的量,如通过替代地使用机器学习来预测基于物理的模拟的结果。在一个实施方案中,所公开的系统和方法涉及两个阶段:第一,训练阶段,其中训练机器学习系统以预测一个或多个血流特性;以及第二,产生阶段,其中使用机器学习系统来产生一个或多个血流特性和临床上相关的感兴趣的量。在预测多个血流特性的情况下,这个机器学习系统可应用于每个血流特性和感兴趣的量。
根据一个实施方案,公开一种用于估计患者特定的血流特性的方法。所述方法包括:针对多个个体中的每一个获取所述个体的血管系统的至少一部分的几何模型和估计血流特性;在用于所述多个个体中的每一个的所述几何模型和估计血流特性上执行机器学习算法;使用所述机器学习算法来识别预测对应于所述几何模型中的多个点的血流特性的特征;针对患者获取所述患者的血管系统的至少一部分的几何模型;以及使用所述识别的特征来针对所述患者的几何模型中的多个点中的每一个产生所述患者的血流特性的估计。
根据另一个实施方案,公开一种用于估计患者特定的血流特性的系统。所述系统包括:数据存储装置,其存储用于估计患者特定的血流特性的指令;以及处理器,其被配置来执行指令以进行包括以下步骤的方法:针对多个个体中的每一个获取所述个体的血管系统的至少一部分的几何模型和估计血流特性;在用于所述多个个体中的每一个的所述几何模型和估计血流特性上执行机器学习算法;使用所述机器学习算法来识别预测对应于所述几何模型中的多个点的血流特性的特征;针对患者获取所述患者的血管系统的至少一部分的几何模型;以及使用所述识别的特征来针对所述患者的几何模型中的多个点中的每一个产生所述患者的血流特性的估计。
所公开实施方案的其它目标和优点部分将在以下描述中予以阐述,并且部分将根据描述显而易见,或者可以通过实践所公开实施方案来习得。所公开实施方案的目标和优点将借助于所附权利要求中特别指出的要素和组合来实现和获得。
应理解的是,上文一般性描述与下文详述两者均仅为示例性和说明性的,并且不限制如所要求的所公开实施方案。
附图说明
并入本说明书中并且构成本说明书的一部分的附图示出各个示例性实施方案并且连同描述一起用于解释所公开实施方案的原理。
图1为根据本公开的示例性实施方案的用于根据血管几何形状和生理学信息估计患者特定的血流特性的示例性系统和网络的方框图。
图2为根据本公开的示例性实施方案的用于根据血管几何形状和生理学信息估计患者特定的血流特性的示例性方法的方框图。
具体实施方式
现在将详细参考本公开的示例性实施方案,所述示例性实施方案的实例在附图中示出。只要可能,在全部附图中将使用相同参考数字来指代相同或相似部分。
本公开描述用于提供超越血流的基于物理的模拟的优点的某些原理和实施方案,以计算患者特定的血流特性和临床上相关的感兴趣的量。即,目前所公开系统和方法可并入机器学习技术来预测基于物理的模拟的结果。例如,本公开描述示例性处理不太密集的技术,所述技术涉及将血流储备分数(FFR)建模为患者的血管横截面积、病变长度和边界条件的函数。横截面积可尤其基于内腔节段和血小板节段进行计算。病变长度可尤其基于血小板节段和狭窄位置进行计算。边界条件可反映患者特定的生理学,如冠状流(根据心肌质量估计)、出口面积和充血假设,以反映不同患者具有不同几何形状和生理学响应。
在一个实施方案中,可将血流储备分数建模为患者的边界条件的函数(f(BC))以及患者的血管几何形状的函数(g(areaReductions))。虽然患者的几何形状可描述为“areaReductions”的函数,但是应了解的是,这个术语不仅指代患者的血管横截面积的变化,而且还指代影响患者的血流的任何物理或几何特性。在一个实施方案中,可通过最佳化函数“f”和“g”,以使得估计FFR(FFRCT_ScalingLaw)与测量FFR(mFFR)之间的差异最小化来预测FFR。换句话说,机器学习技术可用于解决使估计FFR近侧测量FFR的函数。在一个实施方案中,可通过传统导管插入方法或通过现代计算流体动力学(CFD)技术来计算测量FFR。在一个实施方案中,一个或多个机器学习算法可用来最佳化数百名或甚至数千名患者的边界条件和患者几何形状的函数,以使得FFR的估计可以可靠地近似测量FFR值。因此,通过CFD技术计算的FFR值对于训练机器学习算法可为有价值的。
现在参考附图,图1描绘用于根据血管几何形状和生理学信息估计患者特定的血流特性的示例性系统和网络的方框图。具体来说,图1描绘多个医师102和第三方提供者104,他们中的任一个可通过一个或多个计算机、服务器和/或手持式移动装置连接至如英特网的电子网络100。医师102和/或第三方提供者104可创建或以其它方法获得一个或多个患者的心脏和/或血管系统的影像。医师102和/或第三方提供者104也可以获得如年龄、病史、血压、血液粘度等的患者特定的信息的任何组合。医师102和/或第三方提供者104可通过电子网络100传输心脏/血管影像和/或患者特定的信息至服务器系统106。服务器系统106可包括用于存储从医师102和/或第三方提供者104接收的影像和数据的存储装置。服务器系统106还可包括用于处理存储在存储装置中的影像和数据的处理装置。
图2为根据本公开的示例性实施方案的用于根据血管几何形状和生理学信息估计患者特定的血流特性的示例性方法的方框图。图2的方法可由服务器系统106基于通过电子网络100从医师102和/或第三方提供者104接收的信息来进行。
在一个实施方案中,图2的方法可包括:训练方法202,其用于基于众多患者的血流特性估计来训练一个或多个机器学习算法;以及产生方法204,其用于使用机器学习算法结果来预测特定患者的血流特性。
在一个实施方案中,可基于使用CFD技术针对数百名患者生成的FFR估计来进行训练方法202。训练方法202可涉及针对多个个体中的每一个例如以数字格式获取以下信息:(a)患者特定的几何模型;(b)一个或多个测量或估计生理学参数;以及(c)血流特性的值。训练方法202随后可涉及针对每一个患者的模型中的一个或多个点创建患者的生理学参数的特征向量,并且使特征向量与血流特性的值相关联。例如,训练方法202可使估计FFR与患者的几何模型中的每一个点相关联。训练方法202随后可训练机器学习算法(例如,使用服务器系统106的处理装置),以基于特征向量和血流特性来预测几何模型的每一个点处的血流特性。训练方法202随后可以将机器学习算法的结果包括特征权重保存在服务器系统106的存储装置中。所存储特征权重可定义患者特征或几何形状对某些血流特性的预测程度。
在一个实施方案中,产生方法204可涉及基于执行训练方法202的结果来估计特定患者的FFR值。在一个实施方案中,产生方法204可包括例如以数字格式获取以下信息:(a)患者特定的几何模型;以及(b)一个或多个测量或估计生理学参数。对于患者的几何模型中的多个点,产生方法204可涉及创建在训练模式中使用的生理学参数的特征向量。产生方法204随后可使用机器学习算法的所保存结果来针对患者特定的几何模型中的每一个点产生患者的血流特性的估计。最后,产生方法204可包括将机器学习算法的结果包括预测血流特性保存至服务器系统106的存储装置。
以下所描述的是用于实现机器学习的训练模式和产生模式的一般和特定示例性实施方案,所述机器学习用于例如使用服务器系统106基于通过电子网络100从医师102和/或第三方提供者104接收的影像和数据来预测患者特定的血流特性。
一般实施方案
在一般实施方案中,服务器系统106可基于通过电子网络100从医师102和/或第三方提供者104接收的影像和数据来进行训练模式。具体来说,服务器系统106可针对一个或多个患者获取以下项目的数字表示(例如,如计算机、笔记本电脑、DSP、服务器等的计算装置的存储器或数字存储设备[例如,硬盘驱动器、网络驱动器]):(a)用于患者的血管中一个或多个的几何形状的患者特定的模型;(b)患者的一个或多个测量或估计生理学或表型参数的列表;和/或(c)作为预测目标的所有血流特性的测量、估计或模拟值。在一个实施方案中,几何形状的患者特定的模型可由空间中的一列表点(每一个点可能具有一列表邻近点)表示,其中所述空间可映射至点之间的空间单元(例如,毫米)。在一个实施方案中,患者的一个或多个测量或估计生理学或表型参数的列表可包括血压、血液粘度、患者年龄、患者性别、所供应组织的质量等。这些患者特定的参数可以是全局的(例如,血压)或局部的(例如,特定位置处的血管壁的估计密度)。
对于患者特定的几何模型中存在血流特性的测量值、估计值或模拟值的每个点,服务器系统106随后可针对那个点创建特征向量。特征向量可以是那个点处的患者特定的几何形状的数值描述和患者的生理学或表型参数的估计。特征向量可含有全局生理学或表型参数和局部生理学或表型参数两者,其中:对于全局参数,所有点均具有相同数值;并且对于局部参数,一个或多个值在特征向量中的不同点处可改变。服务器系统106随后可使这个特征向量与这个点处的血流特性的测量值、估计值或模拟值相关联。
服务器系统106随后可训练机器学习算法以根据各点处的特征向量预测各点处的血流特性。可进行这个任务的机器学习算法的实例为支持向量机(SVM)、多层感知器(MLP)和多元回归(MVR) (例如,加权线性或逻辑回归)。服务器系统106随后可将机器学习算法的结果(例如,特征权重)保存至数字表示(例如,如计算机、笔记本电脑、DSP、服务器等的计算装置的存储器或数字存储设备[例如,硬盘驱动器、网络驱动器])。
另外在一般实施方案中,服务器系统106可基于通过电子网络100从医师102和/或第三方提供者104接收的影像和数据来进行产生模式。对于将要进行血流分析的患者,服务器系统106可获取以下信息的数字表示(例如,如计算机、笔记本电脑、DSP、服务器等的计算装置的存储器或数字存储设备[例如,硬盘驱动器、网络驱动器]):(a)用于患者的血管中一个或多个的几何形状的患者特定的模型;以及(b)患者的生理学或表型参数的一个或多个估计的列表。在一个实施方案中,用于患者的血管中一个或多个的几何形状的患者特定的模型可表示为空间中的一列表点(每一个点可能具有一列表邻近点),其中所述空间可映射至点之间的空间单元(例如,毫米)。患者的生理学或表型参数的一个或多个估计的列表可包括血压、血液粘度、患者年龄、患者性别、所供应组织的质量等。这些参数可以是全局的(例如,血压)或局部的(例如,一个位置处的血管壁的估计密度)。参数列表必须与训练模式中所使用的列表相同。
对于患者特定的几何模型中的每个点,服务器系统106可创建特征向量,所述特征向量由几何形状数值描述和患者的生理学或表型参数的估计组成。全局生理学或表型参数可在所有点的特征向量中使用,并且局部生理学或表型参数在不同点的特征向量中可改变。这些特征向量可表示训练模式中所使用的相同参数。服务器系统106随后可使用在训练模式中产生的机器学习算法的所保存结果(例如,特征权重)来产生患者特定的几何模型中的每一个点处的血流特性的估计。这些估计可使用训练模式中所使用的相同机器学习算法技术(例如,SVM、MLP、MVR技术)来产生。服务器系统106也可以将每一个点的预测血流特性保存至数字表示(例如,如计算机、笔记本电脑、DSP、服务器等的计算装置的存储器或数字存储设备[例如,硬盘驱动器、网络驱动器])。
示例性实施方案
在一个示例性实施方案中,服务器系统106可基于通过电子网络100从医师102和/或第三方提供者104接收的影像和数据来进行训练模式。具体来说,服务器系统106可针对一个或多个患者获取以下信息的数字表示(例如,如计算机、笔记本电脑、DSP、服务器等的计算装置的存储器或数字存储设备[例如,硬盘驱动器、网络驱动器]):(a)用于患者的升主动脉和冠状动脉树的几何形状的患者特定的模型;(b)患者的测量或估计生理学或表型参数的列表;以及(c)FFR可利用时的测量。
在一个实施方案中,用于患者的升主动脉和冠状动脉树的几何形状的患者特定的模型可表示为空间中的一列表点(每一个点可能具有一列表邻接点),其中所述空间可映射至点之间的空间单元(例如,毫米)。这个模型可通过在心动周期的舒张末期期间进行患者的心脏CT成像研究来得出。所得CT影像随后可被手动或自动分段,以识别属于主动脉和属于冠状动脉的内腔的体素。一旦识别出所有相关体素,即可得出几何模型(例如,使用移动立方体法)。
在一个实施方案中,可获得患者的测量或估计生理学或表型参数的列表,并且所述列表可包括:(i)收缩压和舒张压;(ii)心率;(iii)红细胞压积水平;(iv)患者年龄、性别、身高、体重、总体健康状态(有无糖尿病、当前药物治疗);(v)生活方式特性:抽烟/不抽烟;和/或(vi)心肌质量(可通过对在CT成像研究期间获得的心肌进行分段并且随后计算影像中的体积来得出;随后使用心肌质量的所计算体积和估计密度(1.05 g/mL)来计算质量。
在一个实施方案中,FFR的测量可在可利用时加以获得。如果测量FFR值在患者特定的几何模型中的给定空间位置处不可利用,那么可使用所述点处的FFR的数值计算值。数值计算值可使用相同几何模型和从以上列出的生理学和表型参数得出的患者特定的边界条件根据先前CFD模拟来获得。
对于患者特定的几何模型中存在血流特性的测量值、估计值或模拟值的每个点,服务器系统106可针对那个点创建特征向量,所述特征向量含有患者的生理学或表型参数的数值描述和局部几何形状的描述。具体来说,特征向量可含有:(i)收缩压和舒张压;(ii)心率;(iii)血液性质,其包括:血浆、红血球(红细胞)、红细胞压积、白血球(白细胞)和血小板(凝血细胞)、粘度、屈服应力;(iv)患者年龄、性别、身高、体重等;(v)疾病:有无糖尿病、心肌梗死、恶性和风湿性病状、周围血管病状等;(vi)生活方式特性:有无当前药物治疗/药物、抽烟/不抽烟;(vii)主动脉几何形状的特性(主动脉入口和出口的横截面积、主动脉的表面积和体积;最小、最大和平均横截面积等);(viii)冠状分支几何形状的特性;以及(ix)一个或多个特征集。
在一个实施方案中,冠状分支几何形状的特性可包括:(i)冠状分支点上游/下游的主动脉的体积;(ii)冠状/主动脉分叉点(即,至冠状分支的入口)的横截面积;(iii)血管分叉的总数目和上游/下游血管分叉的数目;(iv)平均、最小和最大上游/下游横截面积;(v)至最小和最大上游/下游横截面积的中心线点的距离(沿血管中心线);(vi)最近上游/下游血管分叉的横截面和至最近上游/下游血管分叉的距离(沿血管中心线);(vii)最近冠状出口和主动脉入口/出口的横截面积和至最近冠状出口和主动脉入口/出口的距离(沿血管中心线);(viii)具有最小/最大横截面积的下游冠状出口的横截面积和至所述下游冠状出口的距离(沿血管中心线);(ix)冠状血管的上游/下游体积;以及(x)具有低于用户特定的容限的横截面积的管状血管的上游/下游体积分数。
在一个实施方案中,第一特征集可定义横截面积特征,如沿冠状动脉中心线的内腔横截面积、动力内腔横截面积、内腔横截面积相对于主心门(LM、RCA)的比率、内腔横截面积相对于主心门的动力比率、内腔横截面积沿中心线的锥度、狭窄病变的位置、狭窄病变的长度、对应于50%、75%、90%面积减缩的病变的位置和数目、从狭窄病变至主心门的距离和/或横截面内腔边界的不规则性(或圆度)。
在一个实施方案中,可通过以下方式计算沿冠状动脉中心线的内腔横截面积:从所构建几何形状提取中心线,视需要平滑中心线并且计算每一个中心线点处的横截面积并且将所述横截面积映射至对应表面和体积网点。在一个实施方案中,可根据标度律的各个来源确定动力内腔横截面积。在一个实施方案中,可通过以下方式计算内腔横截面面积相对于主心门(LM、RCA)的比率:测量LM心门处的横截面积,通过LM心门面积来归一化左冠状动脉的横截面积,测量RCA心门处的横截面积并且通过RCA心门面积来归一化右冠状动脉的横截面积。在一个实施方案中,可根据标度律的各个来源确定内腔横截面积相对于主心门的动力比率。在一个实施方案中,可通过以下方式计算内腔横截面积沿中心线的锥度:在特定间隔(例如,血管直径的两倍)内对中心线点进行取样并且计算线性拟合横截面积的斜率。在一个实施方案中,可通过以下方式计算狭窄病变的位置:检测横截面积曲线的最小值,检测面积曲线的一阶导数为零并且二阶导数为正值所在的位置并且计算距主心门的距离(中心线的参数弧长)。在一个实施方案中,可通过计算距横截面积已恢复的狭窄病变的近端位置和远端位置来计算狭窄病变的长度。
在一个实施方案中,另一个特征集可包括定义例如沿中心线的强度改变(线性拟合强度变化的斜率)的强度特征。在一个实施方案中,另一个特征集可包括定义例如几何形状的3D表面曲率(高斯、最大、最小、平均)的表面特征。在一个实施方案中,另一个特征集可包括定义例如总冠状动脉体积相较于心肌衰弱体积的比率的体积特征。在一个实施方案中,另一个特征集可包括定义例如冠状动脉中心线的曲率(弯曲)的中心线特征,例如通过计算Frenet曲率:
或通过计算沿中心线点的外接圆的半径的倒数。还可以基于冠状动脉中心线的曲折度(非平面性)来计算冠状动脉中心线的曲率(弯曲),例如通过计算Frenet扭矩:
在一个实施方案中,另一个特征集可包括SYNTAX评分特征,包括例如主动脉心门病变的存在、位于来自主动脉的冠状动脉的起源处的病变的检测;和/或显性(左侧或右侧)。
在一个实施方案中,另一个特征集可包括简化物理特征,例如包括从哈根-泊肃叶(Hagen-Poisseille)流动假设(阻力~面积 -2 )得出的血流储备分数值。例如,在一个实施方案中,服务器系统106可使用主动脉压力来计算来自主动脉(/>)的冠状动脉的起源(LM心门或RCA心门)的横截面积;计算每一个取样间隔/>处的冠状血管(/>)的横截面积;在充血假设(/>)下使用阻力边界条件来确定血管的每一个节段中的冠状动脉流的量;基于以下公式来估计每一个取样位置处的阻力(/>):
服务器系统106可将压降(ΔP i )估计为ΔP i =Q i R i 并且将每一取样位置处的FFR计算为:。横截面积最小的位置或比血管半径更小的间隔可用于取样位置。服务器系统106可使用/>沿中心线内插FFR,将FFR值投射至3D表面网节点,并且改变并在训练必要时获得FFR估计的新集,如通过使用以上定义的特征集来扰乱参数,其中/>可为病变长度、狭窄度和解释锥形血管的锥形比率而变化;并且/>可基于与阻力边界条件相同的标度律来通过对每一个出口的分布流量求和来确定(出口阻力/> 出 口面积 -1.35 )。然而,可采用新标度律和充血假设,并且这个特征向量可与那个点处的FFR的测量或模拟值相关联。服务器系统106还可训练线性SVM以根据各点处的特征向量来预测各点处的血流特性;并且将SVM的结果保存为数字表示(例如,如计算机、笔记本电脑、DSP、服务器等的计算装置的存储器或数字存储设备[例如,硬盘驱动器、网络驱动器])。
在示例性产生模式中,服务器系统106可针对目标患者以数字表示(例如,如计算机、笔记本电脑、DSP、服务器等的计算装置的存储器或数字存储设备[例如,硬盘驱动器、网络驱动器])获取以下信息:(a)用于患者的升主动脉和冠状动脉树的几何形状的患者特定的模型;以及(b)训练模式期间获得的患者的生理学和表型参数的列表。在一个实施方案中,用于患者的升主动脉和冠状动脉树的几何形状的患者特定的模型可表示为空间中的一列表点(每一个点可能具有一列表邻近点),其中所述空间可映射至点之间的空间单元(例如,毫米)。这个模型可通过在心动周期的舒张末期中进行患者的心脏CT成像来得出。这个影像随后可被手动或自动分段,以识别属于主动脉和属于冠状动脉的内腔的体素。一旦识别出体素,即可得出几何模型(例如,使用移动立方体法)。用于生成几何形状的患者特定的模型的过程可与训练模式中的相同。对于患者特定的几何模型中的每个点,服务器系统106可针对那个点创建特征向量,所述特征向量由那个点处的几何形状的数值描述和患者的生理学或表型参数的估计组成。这些特征可与训练模式中所使用的量相同。服务器系统106随后可使用在训练模式中产生的机器学习算法的所保存结果(例如,特征权重)来产生患者特定的几何模型中的每一个点处的FFR的估计。这些估计可使用在训练模式中所使用的相同线性SVM技术来产生。服务器系统106可将每一个点的预测FFR值保存至数字表示(例如,如计算机、笔记本电脑、DSP、服务器等的计算装置的存储器或数字存储设备[例如,硬盘驱动器、网络驱动器])。
在一个实施方案中,以上因素(i)至(viii)(“收缩压和舒张压”至“冠状分支几何形状的特性”)可被视为全局特征,所述全局特征适用于给定患者的几何模型内的所有点。另外,项目(ix)至(xv)(“特征集I:横截面积特征”至“特征集VII:简化物理特征”)可被视为给定患者的几何模型内的特定点的局部特征。另外,在那个页中,特征(i)至(vi)可被视为边界条件函数f(BC)内的变量,而特征(vii)至(xv)可被视为几何形状函数g(areaReductions)内的变量。将了解的是,那些特征的通过任何所需加权方案修改的任何组合可并入根据所公开实施方案执行的机器学习算法中。
从本文公开的本发明的说明书和实践考虑,本发明的其它实施方案对于本领域技术人员来说将是显而易见的。意图是本说明书和实施例只被认为是示例性的,并且本发明的真实范围和精神由以下权利要求书指示。
Claims (45)
1.一种用于确定个体特异性血流特性的装置,所述装置包括:
用于为多个个体中的每一个获取个体特异性几何模型、相应个体的一个或多个生理学参数、以及流过每个相应个体的血管系统的至少一部分的血流的一个或多个非侵入性计算的血流特性的模块;
用于为多个个体中的每个个体的个体特异性几何模型中的多个点中的每个点创建相应个体的一个或多个生理学参数和相应点处的几何形状的特征向量的模块;
用于将每个创建的特征向量与流过特征向量的相应点处的相应个体的血管系统的部分的血流的非侵入性计算的血流特性相关联的模块;
用于对相关联的特征向量和多个个体的血管系统的多个点的非侵入性计算的血流特性执行机器学习算法以预测个体的个体特异性几何模型的每个点处的个体的非侵入性计算的血流特性的模块;
用于为患者获取患者的血管系统的至少一部分的患者特异性几何模型和患者的一个或多个生理学参数的模块;以及
用于针对患者的患者特异性几何模型中的至少一个点使用机器学习算法和所生成的关系估计患者的血管系统的一个或多个点处的血流特性的一个或多个值的模块。
2.如权利要求1所述的装置,其中所述个体的血流特性包括流动速度或血流储备分数。
3.如权利要求1所述的装置,还包括:
用于使用机器学习算法来加权特征对血流特性的影响的模块;和
用于使用机器学习算法以数字方式估计血流特性的模块。
4.如权利要求1所述的装置,其中所述一个或多个生理学参数包括以下各项中的一个或多个:心率、血压、诸如年龄或性别的人口统计、药物治疗、疾病状态,包括糖尿病,血管显性和陈旧性心肌梗死(MI)。
5.如权利要求1所述的装置,还包括:
用于在一个或多个媒体中存储所述患者的血流特性的估计值或通过其他电子或物理递送方法从医生接收患者的血流特性的估计值的模块。
6.如权利要求1所述的装置,还包括:
用于基于计算流体动力学方程和测量标度法中的一个或多个来产生对所述患者的血流特性的估计的模块。
7.如权利要求1所述的装置,其中所述个体特异性几何模型包括以下各项中的一个或多个:主动脉几何形状和冠状分支几何形状;
其中所述主动脉几何形状包括以下项中的一个或者多个:主动脉入口和出口的横截面积、主动脉的表面积和体积;以及主动脉的最小、最大和平均横截面积;
其中所述冠状分支几何形状包括以下项中的一个或者多个:(i)冠状分支点上游/下游的主动脉的体积;(ii)冠状/主动脉分叉点的横截面积;(iii)血管分叉的总数目和上游/下游血管分叉的数目;(iv)平均、最小和最大上游/下游横截面积;(v)沿血管中心线至最小和最大上游/下游横截面积的中心线点的距离;(vi)最近上游/下游血管分叉的横截面和沿血管中心线至最近上游/下游血管分叉的距离;(vii)最近冠状出口和主动脉入口/出口的横截面积和沿血管中心线至最近冠状出口和主动脉入口/出口的距离;(viii)具有最小/最大横截面积的下游冠状出口的横截面积和沿血管中心线至所述下游冠状出口的距离;(ix)冠状血管的上游/下游体积;以及(x)具有低于用户指定的容限的横截面积的管状血管的上游/下游体积分数。
8.如权利要求1所述的装置,还包括:
用于基于众多患者的血流特性估计来训练一个或多个机器学习算法的模块。
9.如权利要求8所述的装置,还包括:
用于使用机器学习算法结果来预测特定患者的血流特性的模块。
10.如权利要求8所述的装置,其中,所述患者或所述多个个体的所述个体特异性几何模型从以下各项中的一个或多个中获得:医学图像数据、测量、建模和分割。
11.一种用于确定个体特异性血流特性的系统,所述系统包括:
数据储存装置,用于存储用于估计个体特异性血流特性的指令;和
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:
为多个个体中的每一个获取个体特异性几何模型、相应个体的一个或多个生理学参数、以及流过每个相应个体的血管系统的至少一部分的血流的一个或多个非侵入性计算的血流特性;
为多个个体中的每个个体的个体特异性几何模型中的多个点中的每个点创建相应个体的一个或多个生理学参数和相应点处的几何形状的特征向量;
将每个创建的特征向量与流过特征向量的相应点处的相应个体的血管系统的部分的血流的非侵入性计算的血流特性相关联;
对相关联的特征向量和多个个体的血管系统的多个点的非侵入性计算的血流特性执行机器学习算法以预测个体的个体特异性几何模型的每个点处的个体的非侵入性计算的血流特性;
为患者获取患者的血管系统的至少一部分的患者特异性几何模型和患者的一个或多个生理学参数;以及
针对患者的患者特异性几何模型中的至少一个点使用机器学习算法和所生成的关系估计患者的血管系统的一个或多个点处的血流特性的一个或多个值。
12.如权利要求11所述的系统,其中所述血流特性包括流动速度或血流储备分数。
13.如权利要求11所述的系统,其中,所述处理器还被配置用于:
使用机器学习算法来加权特征对估计的血流特性的影响;和
使用机器学习算法以数字方式估计血流特性。
14.如权利要求11所述的系统,其中所述一个或多个生理学参数包括以下各项中的一个或多个:心率、血压、诸如年龄或性别的人口统计、药物治疗、疾病状态,包括糖尿病,血管显性和陈旧性心肌梗死(MI)。
15.如权利要求11所述的系统,其中,所述处理器还被配置用于:
在一个或多个媒体中存储所述患者的血流特性的估计值或通过其他电子或物理递送方法从医生接收患者的血流特性的估计值。
16.如权利要求11所述的系统,还包括基于计算流体动力学方程和测量标度法中的一个或多个来产生对所述患者的血流特性的估计。
17.如权利要求11所述的系统,其中所述个体特异性几何模型包括以下各项中的一个或多个:主动脉几何形状和冠状分支几何形状;
其中所述主动脉几何形状包括以下项中的一个或者多个:主动脉入口和出口的横截面积、主动脉的表面积和体积;以及主动脉的最小、最大和平均横截面积;
其中所述冠状分支几何形状包括以下项中的一个或者多个:(i)冠状分支点上游/下游的主动脉的体积;(ii)冠状/主动脉分叉点的横截面积;(iii)血管分叉的总数目和上游/下游血管分叉的数目;(iv)平均、最小和最大上游/下游横截面积;(v)沿血管中心线至最小和最大上游/下游横截面积的中心线点的距离;(vi)最近上游/下游血管分叉的横截面和沿血管中心线至最近上游/下游血管分叉的距离;(vii)最近冠状出口和主动脉入口/出口的横截面积和沿血管中心线至最近冠状出口和主动脉入口/出口的距离;(viii)具有最小/最大横截面积的下游冠状出口的横截面积和沿血管中心线至所述下游冠状出口的距离;(ix)冠状血管的上游/下游体积;以及(x)具有低于用户特定的容限的横截面积的管状血管的上游/下游体积分数。
18.如权利要求11所述的系统,其中,所述处理器还被配置用于:
基于众多患者的血流特性估计来训练一个或多个机器学习算法。
19.如权利要求11所述的系统,其中所述患者或所述多个个体的所述个体特异性几何模型从以下各项中的一个或多个中获得:医学图像数据、测量、建模和分割。
20.一种存储指令的非暂时性计算机可读介质,所述指令在由计算机执行时使计算机执行包括以下各项的方法:
为多个个体中的每一个获取个体特异性几何模型、相应个体的一个或多个生理学参数、以及流过每个相应个体的血管系统的至少一部分的血流的一个或多个非侵入性计算的血流特性;
为多个个体中的每个个体的个体特异性几何模型中的多个点中的每个点创建相应个体的一个或多个生理学参数和相应点处的几何形状的特征向量;
将每个创建的特征向量与流过特征向量的相应点处的相应个体的血管系统的部分的血流的非侵入性计算的血流特性相关联;
对相关联的特征向量和多个个体的血管系统的多个点的非侵入性计算的血流特性执行机器学习算法以预测个体的个体特异性几何模型的每个点处的个体的非侵入性计算的血流特性;
为患者获取患者的血管系统的至少一部分的患者特异性几何模型和患者的一个或多个生理学参数;以及
针对患者的患者特异性几何模型中的至少一个点使用机器学习算法和所生成的关系估计患者的血管系统的一个或多个点处的血流特性的一个或多个值。
21.如权利要求20所述的计算机可读介质,其中每个特征向量包括以下各项中的一个或多个:横截面积特征集、强度特征集、表面特征集、体积特征集、中心线特征集和简化的物理特征集。
22.如权利要求20所述的计算机可读介质,其中,所述一个或多个生理学参数包括以下各项中的一个或多个:收缩压和舒张压、心率、红细胞压积水平、血压、血液粘度、个体年龄、个体性别、个体身高、个体体重、个体生活方式特性、主动脉几何形状特性、冠状动脉分支几何形状特性和所供应组织的质量。
23.如权利要求20所述的计算机可读介质,其中,所述机器学习算法包括以下各项中的一个或多个:支持向量机(SVM)、多层感知器(MLP)、多元回归(MVR)、和加权线性或逻辑回归。
24.一种用于确定患者特异性血流特性的装置,所述装置包括:
用于针对多个个体中的每一个获取所述个体的血管系统的至少一部分的图像、以及血流特性的模块;
用于针对所述多个个体中的每一个基于所获取的图像生成几何模型的模块;
用于通过从所述多个个体中的每一个的所述几何模型和所述血流特性进行学习来训练机器学习算法的模块;
用于使用所训练的机器学习算法来预测对应于所述几何模型中的多个点的血流特性的模块;用于针对患者获取所述患者的血管系统的至少一部分的图像的模块;
用于针对所述患者生成所述患者的血管系统的至少一部分的几何模型的模块;以及
用于使用所训练的机器学习算法和所识别的特征来针对所述患者的几何模型中的至少一个点确定所述患者的血流特性的模块。
25.如权利要求24所述的装置,其还包括:
用于针对所述多个个体中的每一个获取一个或多个生理学参数的模块;以及
用于进一步基于所述一个或多个生理学参数来执行所述机器学习算法的模块。
26.如权利要求25所述的装置,其中用于训练所述机器学习算法的模块包括:
用于针对用于所述多个个体中的每一个的所述几何模型中的多个点创建所述生理学参数的特征向量的子模块;以及
用于将用于所述多个个体中的每一个的所述特征向量与对应个体的所述血流特性相关联的子模块。
27.如权利要求26所述的装置,其中用于训练所述机器学习算法的模块还包括:
用于训练所述机器学习算法以基于相关联的特征向量来预测各个点处的血流特性的子模块。
28.如权利要求26所述的装置,其中每一个特征向量包括以下各项中的一个或多个:
收缩压和舒张压、心率、血液性质、个体年龄、个体性别、个体身高、个体体重、有无疾病、生活方式特性、主动脉几何形状特性和冠状分支几何形状特性。
29.如权利要求26所述的装置,其中每一个特征向量包括以下各项中的一个或多个:
横截面积特征集、强度特征集、表面特征集、体积特征集、中心线特征集和简化物理特征集。
30.如权利要求24所述的装置,其还包括:
用于使用所述机器学习算法来识别预测对应于所述几何模型中的多个点的血流特性的特征的权重的模块;以及
用于将所识别的权重存储至存储装置的模块。
31.如权利要求25所述的装置,其中用于使用所训练的机器学习算法和所识别的特征来确定所述患者的血流特性的模块包括:
用于针对所述患者的几何模型中的多个点中的每一个创建对应于针对所述多个个体中的每一个所获取的特征向量的所述患者的生理学参数的特征向量的子模块。
32.如权利要求25所述的装置,其中所述生理学参数包括以下各项中的一个或多个:
心率、红细胞压积水平、血压、血液粘度、个体的年龄、个体的性别、个体的体重、个体生活方式特性和所供应组织的质量。
33.如权利要求24所述的装置,其中所述机器学习算法包括以下各项中的一个或多个:
支持向量机(SVM)、多层感知器(MLP)、多元回归(MVR)、基于树的分类器和加权线性或逻辑回归。
34.如权利要求24所述的装置,其还包括:
用于向医师显示所述患者的针对所述患者的几何模型中的至少一个点的所述确定的血流特性,或通过网络传输所述确定的血流特性的模块。
35.一种用于估计患者特异性血流特性的系统,所述系统包括:
数据存储装置,其存储用于确定患者特异性血流特性的指令;以及
处理器,其被配置来执行所述指令以进行包括以下步骤的方法:
针对多个个体中的每一个获取所述个体的血管系统的至少一部分的图像、以及血流特性;
针对所述多个个体中的每一个基于所获取的图像生成几何模型;
通过从所述多个个体中的每一个的所述几何模型和所述血流特性进行学习来训练机器学习算法;
使用所训练的机器学习算法来预测对应于所述几何模型中的多个点的血流特性;
针对患者获取所述患者的血管系统的至少一部分的图像;
针对所述患者生成所述患者的血管系统的至少一部分的几何模型;以及
使用所训练的机器学习算法和所识别的特征来针对所述患者的几何模型中的至少一个点确定所述患者的血流特性。
36.如权利要求35所述的系统,其中所述处理器还被配置来用于:
针对多个个体中的每一个获取一个或多个生理学参数;以及
进一步基于所述一个或多个生理学参数来执行所述机器学习算法。
37.如权利要求36所述的系统,其中执行所述机器学习算法包括:
针对用于所述多个个体中的每一个的所述几何模型中的多个点创建所述生理学参数的特征向量;以及
使用于所述多个个体中的每一个的所述特征向量与所述对应个体的所述血流特性相关联。
38.如权利要求37所述的系统,其中执行所述机器学习算法还包括:
训练所述机器学习算法以基于所述相关联的特征向量来预测各个点处的血流特性。
39.如权利要求37所述的系统,其中每一个特征向量包括以下各项中的一个或多个:
收缩压和舒张压、心率、血液性质、个体年龄、个体性别、个体身高、个体体重、有无疾病、生活方式特性、主动脉几何形状特性和冠状分支几何形状特性。
40.如权利要求37所述的系统,其中每一个特征向量包括以下各项中的一个或多个:
横截面积特征集、强度特征集、表面特征集、体积特征集、中心线特征集和简化物理特征集。
41.如权利要求35所述的系统,其中所述处理器还被配置来用于:
使用所述机器学习算法来识别预测对应于所述几何模型中的多个点的血流特性的特征的权重;以及
将所述识别的权重存储至存储装置。
42.如权利要求36所述的系统,其中使用所述识别的特征来确定所述患者的血流特性包括:
针对所述患者的几何模型中的多个点中的每一个创建对应于针对所述多个个体中的每一个所获取的特征向量的所述患者的生理学参数的特征向量。
43.如权利要求36所述的系统,其中所述生理学参数包括以下各项中的一个或多个:
心率、红细胞压积水平、血压、血液粘度、个体年龄、个体性别、个体体重、个体生活方式特性和所供应组织的质量。
44.如权利要求35所述的系统,其中所述机器学习算法包括以下各项中的一个或多个:支持向量机(SVM)、多层感知器(MLP)、多元回归(MVR),和加权线性或逻辑回归。
45.一种非暂时性计算机可读介质,其存储指令,所述指令在由计算机执行时促使所述计算机执行用于操作用于确定患者特异性血流特性的系统的方法,所述方法包括以下各项:
针对多个个体中的每一个获取所述个体的血管系统的至少一部分的图像、以及血流特性;
针对所述多个个体中的每一个基于所获取的图像生成几何模型;
通过从所述多个个体中的每一个的所述几何模型和所述血流特性进行学习来训练机器学习算法;
使用所训练的机器学习算法来预测对应于所述几何模型中的多个点的血流特性;
针对患者获取所述患者的血管系统的至少一部分的图像;
针对所述患者生成所述患者的血管系统的至少一部分的几何模型;以及
使用所训练的机器学习算法和所识别的特征来针对所述患者的几何模型中的至少一个点确定所述患者的血流特性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810916602.XA CN108992059B (zh) | 2012-09-12 | 2013-08-30 | 用于根据血管几何形状和生理学估计血流特性的系统和方法 |
Applications Claiming Priority (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201261700213P | 2012-09-12 | 2012-09-12 | |
US61/700213 | 2012-09-12 | ||
US13/895,893 US10398386B2 (en) | 2012-09-12 | 2013-05-16 | Systems and methods for estimating blood flow characteristics from vessel geometry and physiology |
US13/895893 | 2013-05-16 | ||
CN201810916602.XA CN108992059B (zh) | 2012-09-12 | 2013-08-30 | 用于根据血管几何形状和生理学估计血流特性的系统和方法 |
PCT/US2013/057546 WO2014042899A2 (en) | 2012-09-12 | 2013-08-30 | Systems and methods for estimating blood flow characteristics from vessel geometry and physiology |
CN201380046745.5A CN104854592B (zh) | 2012-09-12 | 2013-08-30 | 用于根据血管几何形状和生理学估计血流特性的系统和方法 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201380046745.5A Division CN104854592B (zh) | 2012-09-12 | 2013-08-30 | 用于根据血管几何形状和生理学估计血流特性的系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108992059A CN108992059A (zh) | 2018-12-14 |
CN108992059B true CN108992059B (zh) | 2023-07-07 |
Family
ID=50234017
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201380046745.5A Active CN104854592B (zh) | 2012-09-12 | 2013-08-30 | 用于根据血管几何形状和生理学估计血流特性的系统和方法 |
CN201810916602.XA Active CN108992059B (zh) | 2012-09-12 | 2013-08-30 | 用于根据血管几何形状和生理学估计血流特性的系统和方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201380046745.5A Active CN104854592B (zh) | 2012-09-12 | 2013-08-30 | 用于根据血管几何形状和生理学估计血流特性的系统和方法 |
Country Status (8)
Country | Link |
---|---|
US (2) | US10398386B2 (zh) |
EP (3) | EP3282381B1 (zh) |
JP (5) | JP5868554B2 (zh) |
KR (3) | KR102248498B1 (zh) |
CN (2) | CN104854592B (zh) |
AU (2) | AU2013315960B2 (zh) |
CA (3) | CA2882543C (zh) |
WO (1) | WO2014042899A2 (zh) |
Families Citing this family (72)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10398386B2 (en) * | 2012-09-12 | 2019-09-03 | Heartflow, Inc. | Systems and methods for estimating blood flow characteristics from vessel geometry and physiology |
US10433740B2 (en) | 2012-09-12 | 2019-10-08 | Heartflow, Inc. | Systems and methods for estimating ischemia and blood flow characteristics from vessel geometry and physiology |
US10210956B2 (en) | 2012-10-24 | 2019-02-19 | Cathworks Ltd. | Diagnostically useful results in real time |
EP2943902B1 (en) | 2012-10-24 | 2020-03-11 | CathWorks Ltd. | Automated measurement system and method for coronary artery disease scoring |
US10595807B2 (en) | 2012-10-24 | 2020-03-24 | Cathworks Ltd | Calculating a fractional flow reserve |
JP2016503685A (ja) * | 2012-12-28 | 2016-02-08 | サイバーハート, インコーポレイテッド | 血液−組織表面を基礎にした放射線手術による腎臓処置の計画 |
EP2994904A4 (en) | 2013-05-10 | 2017-01-18 | Stenomics, Inc. | Modeling and simulation system for optimizing prosthetic heart valve treatment |
US9700219B2 (en) | 2013-10-17 | 2017-07-11 | Siemens Healthcare Gmbh | Method and system for machine learning based assessment of fractional flow reserve |
US9092743B2 (en) | 2013-10-23 | 2015-07-28 | Stenomics, Inc. | Machine learning system for assessing heart valves and surrounding cardiovascular tracts |
US10424063B2 (en) | 2013-10-24 | 2019-09-24 | CathWorks, LTD. | Vascular characteristic determination with correspondence modeling of a vascular tree |
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 |
US9785746B2 (en) | 2014-03-31 | 2017-10-10 | Heartflow, Inc. | Systems and methods for determining blood flow characteristics using flow ratio |
WO2015164086A1 (en) * | 2014-04-22 | 2015-10-29 | Siemens Aktiengesellschaft | Method and system for hemodynamic computation in coronary arteries |
JP6667999B2 (ja) * | 2014-05-16 | 2020-03-18 | キヤノンメディカルシステムズ株式会社 | 画像処理装置、画像処理方法、及びプログラム |
US10080872B2 (en) | 2014-11-04 | 2018-09-25 | Abbott Cardiovascular Systems Inc. | System and method for FFR guidewire recovery |
US9594876B2 (en) | 2014-11-04 | 2017-03-14 | Heartflow, Inc. | Systems and methods for simulation of occluded arteries and optimization of occlusion-based treatments |
US9336354B1 (en) | 2014-11-04 | 2016-05-10 | Heartflow, Inc. | Systems and methods for simulation of hemodialysis access and optimization |
JP6539736B2 (ja) * | 2014-11-14 | 2019-07-03 | シーメンス ヘルスケア ゲゼルシヤフト ミツト ベシユレンクテル ハフツング | 純粋幾何学的機械学習に基づいて血流予備量比を求める方法及びシステム |
US9349178B1 (en) | 2014-11-24 | 2016-05-24 | Siemens Aktiengesellschaft | Synthetic data-driven hemodynamic determination in medical imaging |
CN107580470B (zh) * | 2015-01-15 | 2021-06-22 | 皇家飞利浦有限公司 | 瞬时流量储备-计算机断层摄影 |
US9839483B2 (en) | 2015-04-21 | 2017-12-12 | Heartflow, Inc. | Systems and methods for risk assessment and treatment planning of arterio-venous malformation |
US9785748B2 (en) * | 2015-07-14 | 2017-10-10 | Heartflow, Inc. | Systems and methods for estimating hemodynamic forces acting on plaque and monitoring patient risk |
TWI545516B (zh) * | 2015-09-16 | 2016-08-11 | 國立交通大學 | 血壓量測系統及其方法、使用該方法之電腦程式產品及其電腦可讀取記錄媒體 |
US10517678B2 (en) * | 2015-10-02 | 2019-12-31 | Heartflow, Inc. | System and method for diagnosis and assessment of cardiovascular disease by comparing arterial supply capacity to end-organ demand |
EP3380968B1 (en) | 2015-11-23 | 2021-04-28 | HeartFlow, Inc. | Systems and methods for assessing organ and/or tissue transplantation by simulating one or more transplant characteristics |
CN107145702B (zh) * | 2016-03-01 | 2022-04-19 | 西门子保健有限责任公司 | 基于医疗图像的心源性栓塞型中风风险预测系统和方法 |
IL263065B1 (en) | 2016-05-16 | 2024-04-01 | Cathworks Ltd | Vascular evaluation system |
WO2017199246A1 (en) | 2016-05-16 | 2017-11-23 | Cathworks Ltd. | Vascular selection from images |
JP7010932B2 (ja) | 2016-09-20 | 2022-01-26 | ハートフロー, インコーポレイテッド | 使用者固有の解剖学的・生理学的センサデータを用いた血流計算のモニタ及び更新のためのシステム及び方法 |
AU2017332031B2 (en) | 2016-09-20 | 2022-12-08 | Heartflow, Inc. | System and methods for estimation of blood flow characteristics using reduced order model and machine learning |
JP2018068428A (ja) * | 2016-10-25 | 2018-05-10 | ソニー株式会社 | 情報処理装置、情報処理方法及びプログラム |
DE102016222102A1 (de) * | 2016-11-10 | 2018-05-17 | Siemens Healthcare Gmbh | Behandlungsplanung für eine Stenose in einem Gefäßsegment anhand einer virtuellen hämodynamischen Analyse |
EP3375364A4 (en) | 2017-01-23 | 2019-01-23 | Shanghai United Imaging Healthcare Co., Ltd. | SYSTEM AND METHOD FOR ANALYZING THE STATUS OF BLOOD CIRCULATION |
JP7149286B2 (ja) | 2017-03-24 | 2022-10-06 | パイ メディカル イメージング ビー ヴイ | 機械学習に基づいて血管閉塞を評価する方法およびシステム |
CN106980899B (zh) * | 2017-04-01 | 2020-11-17 | 北京昆仑医云科技有限公司 | 预测血管树血管路径上的血流特征的深度学习模型和系统 |
EP3404667B1 (en) * | 2017-05-19 | 2024-02-28 | Siemens Healthineers AG | Learning based methods for personalized assessment, long-term prediction and management of atherosclerosis |
AU2018275541B2 (en) * | 2017-05-30 | 2019-11-07 | Dignity Health | Systems and methods for constructing a synthetic anatomical model with predetermined anatomic, biomechanical, and physiological properties |
EP3644857A1 (en) * | 2017-06-30 | 2020-05-06 | Koninklijke Philips N.V. | Machine learning spectral ffr-ct |
EP3457404A1 (en) * | 2017-09-18 | 2019-03-20 | Koninklijke Philips N.V. | Estimating flow to vessel bifurcations for simulated hemodynamics |
US11871995B2 (en) | 2017-12-18 | 2024-01-16 | Hemolens Diagnostics Sp. Z O.O. | Patient-specific modeling of hemodynamic parameters in coronary arteries |
EP3729334A1 (en) | 2017-12-20 | 2020-10-28 | Alpvision SA | Authentication machine learning from multiple digital representations |
WO2019126372A1 (en) | 2017-12-20 | 2019-06-27 | Heartflow, Inc. | Systems and methods for performing computer-simulated evaluation of treatments on a target population |
US10699407B2 (en) * | 2018-04-11 | 2020-06-30 | Pie Medical Imaging B.V. | Method and system for assessing vessel obstruction based on machine learning |
CN108665449B (zh) * | 2018-04-28 | 2022-11-15 | 杭州脉流科技有限公司 | 预测血流矢量路径上的血流特征的深度学习模型及装置 |
CN110070534B (zh) * | 2018-05-22 | 2021-11-23 | 深圳科亚医疗科技有限公司 | 用于基于血管图像自动获取特征序列的方法和预测血流储备分数的装置 |
US10937549B2 (en) * | 2018-05-22 | 2021-03-02 | Shenzhen Keya Medical Technology Corporation | Method and device for automatically predicting FFR based on images of vessel |
CN108742586B (zh) * | 2018-06-20 | 2021-04-02 | 博动医学影像科技(上海)有限公司 | 基于糖尿病病史信息获取血流特征值的方法及装置 |
CN109065170B (zh) * | 2018-06-20 | 2021-11-19 | 博动医学影像科技(上海)有限公司 | 获取血管压力差的方法及装置 |
CN109009061B (zh) * | 2018-06-20 | 2021-11-19 | 博动医学影像科技(上海)有限公司 | 基于血压修正获取血流特征值的计算方法及装置 |
CN108742587B (zh) * | 2018-06-20 | 2021-04-27 | 博动医学影像科技(上海)有限公司 | 基于病史信息获取血流特征值的方法及装置 |
CN109009037B (zh) * | 2018-06-20 | 2021-11-19 | 博动医学影像科技(上海)有限公司 | 基于个体性别获取血管压力差的计算方法及装置 |
CN108742547B (zh) * | 2018-06-20 | 2021-01-08 | 博动医学影像科技(上海)有限公司 | 基于吸烟史信息获取压力差的方法及装置 |
CN108784676B (zh) * | 2018-06-20 | 2021-11-09 | 博动医学影像科技(上海)有限公司 | 基于年龄信息获取压力差的方法及装置 |
WO2020086130A2 (en) * | 2018-07-21 | 2020-04-30 | The Regents Of The University Of California | Apparatus and method for boundary learning optimization |
KR102135112B1 (ko) * | 2018-07-26 | 2020-07-17 | 장태수 | 뇌 심혈 관계 모델 기반의 혈압 추정 장치 및 방법 |
CN110664524B (zh) * | 2018-10-08 | 2022-11-25 | 科亚医疗科技股份有限公司 | 用于引导血管中的支架植入的装置、系统和介质 |
JP7398447B2 (ja) * | 2018-10-17 | 2023-12-14 | ハートフロー, インコーポレイテッド | 脂肪組織から心血管疾患および治療有効性を査定するためのシステムおよび方法 |
US10964017B2 (en) | 2018-11-15 | 2021-03-30 | General Electric Company | Deep learning for arterial analysis and assessment |
US10813612B2 (en) | 2019-01-25 | 2020-10-27 | Cleerly, Inc. | Systems and method of characterizing high risk plaques |
CN109805949B (zh) * | 2019-03-19 | 2020-05-22 | 苏州润迈德医疗科技有限公司 | 基于压力传感器和造影图像计算血流储备分数的方法 |
DE202020101691U1 (de) | 2019-04-01 | 2020-07-09 | Canon Medical Systems Corporation | Medizinisches Bildverarbeitungsgerät und Programm |
US11969280B2 (en) | 2020-01-07 | 2024-04-30 | Cleerly, Inc. | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking |
US20220392065A1 (en) | 2020-01-07 | 2022-12-08 | Cleerly, Inc. | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking |
AU2021205821A1 (en) | 2020-01-07 | 2022-07-21 | Cleerly, Inc. | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking |
KR102328990B1 (ko) * | 2020-01-17 | 2021-11-18 | 세종대학교산학협력단 | 기계 학습 기반의 분획혈류예비력 예측 방법 |
JP7462925B2 (ja) * | 2020-02-28 | 2024-04-08 | 国立大学法人東北大学 | 血流場推定装置、学習装置、血流場推定方法及びプログラム |
US20220215534A1 (en) * | 2021-01-04 | 2022-07-07 | Shenzhen Keya Medical Technology Corporation | Methods and systems for computer-assisted medical image analysis using sequential model |
US11278376B1 (en) | 2021-01-07 | 2022-03-22 | Ortho Future Technologies (Pty) Ltd | Orthodontic treatment staging |
US11291524B1 (en) | 2021-01-07 | 2022-04-05 | Ortho Future Technologies (Pty) Ltd | Orthodontic appliance configuration |
US11229504B1 (en) | 2021-01-07 | 2022-01-25 | Ortho Future Technologies (Pty) Ltd | System and method for determining a target orthodontic force |
US11241301B1 (en) | 2021-01-07 | 2022-02-08 | Ortho Future Technologies (Pty) Ltd | Measurement device |
US20230289963A1 (en) | 2022-03-10 | 2023-09-14 | Cleerly, Inc. | Systems, devices, and methods for non-invasive image-based plaque analysis and risk determination |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008246002A (ja) * | 2007-03-30 | 2008-10-16 | Fujifilm Ri Pharma Co Ltd | 推定プログラム、記録媒体および推定方法 |
CN101978375A (zh) * | 2008-03-17 | 2011-02-16 | 皇家飞利浦电子股份有限公司 | 灌注成像 |
CN102551699A (zh) * | 2010-12-09 | 2012-07-11 | 美国西门子医疗解决公司 | 非侵入性心输出量确定的系统 |
CN103179914A (zh) * | 2010-10-25 | 2013-06-26 | 美敦力阿迪安卢森堡有限公司 | 用于肾神经调节的微波导管设备、系统和方法 |
Family Cites Families (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IL78931A0 (en) * | 1985-06-05 | 1986-09-30 | Univ Illinois | Methods and apparatus for monitoring cardiovascular regulation using heart rate power spectral analysis |
JPH01145043A (ja) * | 1987-12-02 | 1989-06-07 | Hitachi Ltd | 超音波診断装置 |
US5533511A (en) | 1994-01-05 | 1996-07-09 | Vital Insite, Incorporated | Apparatus and method for noninvasive blood pressure measurement |
JP3641495B2 (ja) * | 1994-07-19 | 2005-04-20 | 株式会社日立メディコ | 医用画像診断装置 |
CN1055828C (zh) * | 1995-01-10 | 2000-08-30 | 复旦大学 | 脑循环血液动力学分析方法及仪器 |
US6377832B1 (en) | 1998-03-20 | 2002-04-23 | Georgia Tech Research Corporation | System and method for analyzing a medical image |
EP1397144A4 (en) * | 2001-05-15 | 2005-02-16 | Psychogenics Inc | SYSTEMS AND METHODS FOR MONITORING BEHAVIOR INFORMATION |
US20030087244A1 (en) * | 2001-10-09 | 2003-05-08 | Vitivity, Inc | Diagnosis and treatment of vascular disease |
EP1636757A2 (en) | 2003-06-25 | 2006-03-22 | Siemens Medical Solutions USA, Inc. | Systems and methods for providing automated regional myocardial assessment for cardiac imaging |
WO2007117570A2 (en) | 2006-04-05 | 2007-10-18 | University Of California | Data mining system for noninvasive intracranial pressure assessment |
US8553832B2 (en) | 2007-05-21 | 2013-10-08 | Siemens Aktiengesellschaft | Device for obtaining perfusion images |
CN101313844A (zh) * | 2007-05-31 | 2008-12-03 | 金寿山 | 脑血管性质及血液流动特性分析系统及其分析方法 |
US8098918B2 (en) | 2007-09-21 | 2012-01-17 | Siemens Corporation | Method and system for measuring left ventricle volume |
JP2011500217A (ja) | 2007-10-19 | 2011-01-06 | ボストン サイエンティフィック サイムド,インコーポレイテッド | 分類器出力及び画像中の信頼性測度の表示 |
US8527251B2 (en) * | 2009-05-01 | 2013-09-03 | Siemens Aktiengesellschaft | Method and system for multi-component heart and aorta modeling for decision support in cardiac disease |
US9349176B2 (en) | 2009-07-15 | 2016-05-24 | Mayo Foundation For Medical Education And Research | Computer-aided detection (CAD) of intracranial aneurysms |
GB0913930D0 (en) | 2009-08-07 | 2009-09-16 | Ucl Business Plc | Apparatus and method for registering two medical images |
US20110235885A1 (en) * | 2009-08-31 | 2011-09-29 | Siemens Medical Solutions Usa, Inc. | System for Providing Digital Subtraction Angiography (DSA) Medical Images |
US8224640B2 (en) | 2009-09-08 | 2012-07-17 | Siemens Aktiengesellschaft | Method and system for computational modeling of the aorta and heart |
CA2926666C (en) | 2009-09-23 | 2018-11-06 | Lightlab Imaging, Inc. | Lumen morphology and vascular resistance measurements data collection systems, apparatus and methods |
US20110081057A1 (en) | 2009-10-06 | 2011-04-07 | Eigen, Llc | Apparatus for stenosis estimation |
CN101849841B (zh) * | 2010-06-10 | 2013-03-13 | 复旦大学 | 基于几何滤波器抑制超声彩色血流成像中杂波的方法 |
US8682626B2 (en) | 2010-07-21 | 2014-03-25 | Siemens Aktiengesellschaft | Method and system for comprehensive patient-specific modeling of the heart |
JP5868052B2 (ja) | 2010-07-21 | 2016-02-24 | シーメンス アクチエンゲゼルシヤフトSiemens Aktiengesellschaft | 包括的な患者固有の心臓のモデリング方法およびシステム |
CN101889861B (zh) * | 2010-07-28 | 2011-10-26 | 沈阳恒德医疗器械研发有限公司 | 心脑血管特性与血流特性分析仪 |
US20120142632A1 (en) | 2010-08-04 | 2012-06-07 | St. Vincent's Institute Of Medical Research | Diagnostic and prognostic assay |
US8315812B2 (en) | 2010-08-12 | 2012-11-20 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
US8157742B2 (en) * | 2010-08-12 | 2012-04-17 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
US9119540B2 (en) | 2010-09-16 | 2015-09-01 | Siemens Aktiengesellschaft | Method and system for non-invasive assessment of coronary artery disease |
US8684921B2 (en) * | 2010-10-01 | 2014-04-01 | Flint Hills Scientific Llc | Detecting, assessing and managing epilepsy using a multi-variate, metric-based classification analysis |
GB201100137D0 (en) | 2011-01-06 | 2011-02-23 | Davies Helen C S | Apparatus and method of assessing a narrowing in a fluid tube |
JP5734000B2 (ja) | 2011-01-31 | 2015-06-10 | 株式会社Nttドコモ | 物体識別システムおよび方法、並びに、特徴点位置抽出システムおよび方法 |
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 |
JP6134789B2 (ja) | 2012-06-26 | 2017-05-24 | シンク−アールエックス,リミティド | 管腔器官における流れに関連する画像処理 |
US10398386B2 (en) | 2012-09-12 | 2019-09-03 | Heartflow, Inc. | Systems and methods for estimating blood flow characteristics from vessel geometry and physiology |
US10433740B2 (en) * | 2012-09-12 | 2019-10-08 | Heartflow, Inc. | Systems and methods for estimating ischemia and blood flow characteristics from vessel geometry and physiology |
WO2014072861A2 (en) | 2012-11-06 | 2014-05-15 | Koninklijke Philips N.V. | Fractional flow reserve (ffr) index |
US9785746B2 (en) | 2014-03-31 | 2017-10-10 | Heartflow, Inc. | Systems and methods for determining blood flow characteristics using flow ratio |
US9349178B1 (en) | 2014-11-24 | 2016-05-24 | Siemens Aktiengesellschaft | Synthetic data-driven hemodynamic determination in medical imaging |
-
2013
- 2013-05-16 US US13/895,893 patent/US10398386B2/en active Active
- 2013-08-30 KR KR1020167005182A patent/KR102248498B1/ko active IP Right Grant
- 2013-08-30 CN CN201380046745.5A patent/CN104854592B/zh active Active
- 2013-08-30 KR KR1020217012997A patent/KR102358996B1/ko active IP Right Grant
- 2013-08-30 CA CA2882543A patent/CA2882543C/en active Active
- 2013-08-30 JP JP2015531136A patent/JP5868554B2/ja active Active
- 2013-08-30 EP EP17187149.4A patent/EP3282381B1/en active Active
- 2013-08-30 KR KR1020157006740A patent/KR101834051B1/ko active IP Right Grant
- 2013-08-30 EP EP21208629.2A patent/EP3979259A1/en active Pending
- 2013-08-30 EP EP13756800.2A patent/EP2721543B1/en active Active
- 2013-08-30 CN CN201810916602.XA patent/CN108992059B/zh active Active
- 2013-08-30 CA CA2974349A patent/CA2974349C/en active Active
- 2013-08-30 WO PCT/US2013/057546 patent/WO2014042899A2/en active Application Filing
- 2013-08-30 CA CA3114366A patent/CA3114366C/en active Active
- 2013-08-30 AU AU2013315960A patent/AU2013315960B2/en active Active
-
2015
- 2015-10-26 JP JP2015209558A patent/JP6271492B2/ja active Active
-
2016
- 2016-07-13 AU AU2016204888A patent/AU2016204888B2/en active Active
-
2017
- 2017-08-30 JP JP2017165308A patent/JP2017205605A/ja not_active Withdrawn
-
2018
- 2018-01-26 JP JP2018011463A patent/JP6522175B2/ja active Active
-
2019
- 2019-07-17 US US16/514,664 patent/US11382569B2/en active Active
- 2019-11-29 JP JP2019216120A patent/JP7048561B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008246002A (ja) * | 2007-03-30 | 2008-10-16 | Fujifilm Ri Pharma Co Ltd | 推定プログラム、記録媒体および推定方法 |
CN101978375A (zh) * | 2008-03-17 | 2011-02-16 | 皇家飞利浦电子股份有限公司 | 灌注成像 |
CN103179914A (zh) * | 2010-10-25 | 2013-06-26 | 美敦力阿迪安卢森堡有限公司 | 用于肾神经调节的微波导管设备、系统和方法 |
CN102551699A (zh) * | 2010-12-09 | 2012-07-11 | 美国西门子医疗解决公司 | 非侵入性心输出量确定的系统 |
Non-Patent Citations (1)
Title |
---|
Neural Network Based Software System for Hemodynamic Simulation;Miljkovic, O,等;《11th WSEAS International Conference on NEURAL NETWORKS/11th WSEAS International Conference on EVOLUTIONARY COMPUTING/11th WSEAS International Conference on FUZZY SYSTEMS》;20100615;197-202 * |
Also Published As
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108992059B (zh) | 用于根据血管几何形状和生理学估计血流特性的系统和方法 | |
US11399729B2 (en) | Systems and methods for estimating ischemia and blood flow characteristics from vessel geometry and physiology |
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 |