CN109069014B - 用于估计在冠状动脉中的健康管腔直径和狭窄定量的系统和方法 - Google Patents

用于估计在冠状动脉中的健康管腔直径和狭窄定量的系统和方法 Download PDF

Info

Publication number
CN109069014B
CN109069014B CN201780022642.3A CN201780022642A CN109069014B CN 109069014 B CN109069014 B CN 109069014B CN 201780022642 A CN201780022642 A CN 201780022642A CN 109069014 B CN109069014 B CN 109069014B
Authority
CN
China
Prior art keywords
lumen
vasculature
healthy
patient
site
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
Application number
CN201780022642.3A
Other languages
English (en)
Other versions
CN109069014A (zh
Inventor
S.桑卡兰
M.沙普
L.格拉迪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
HeartFlow Inc
Original Assignee
HeartFlow Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by HeartFlow Inc filed Critical HeartFlow Inc
Priority to CN202110698520.4A priority Critical patent/CN113440112B/zh
Publication of CN109069014A publication Critical patent/CN109069014A/zh
Application granted granted Critical
Publication of CN109069014B publication Critical patent/CN109069014B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/02—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
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/46—Arrangements for interfacing with the operator or the patient
    • A61B6/467—Arrangements for interfacing with the operator or the patient characterised by special input means
    • A61B6/468—Arrangements for interfacing with the operator or the patient characterised by special input means allowing annotation or message recording
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/507—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for determination of haemodynamic parameters, e.g. perfusion CT
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis 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
    • 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
    • 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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • 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
    • G16H50/50—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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Physiology (AREA)
  • Vascular Medicine (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pulmonology (AREA)
  • Quality & Reliability (AREA)
  • Cardiology (AREA)
  • Human Computer Interaction (AREA)
  • Geometry (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

公开了用于预测健康管腔半径并计算血管管腔狭窄评分的系统和方法。识别患者的脉管系统的管腔直径的一种方法包括：接收包括多个个体的已知健康血管段的一个或多个管腔分段的数据集；提取每个血管段的一个或多个管腔特征；接收患者的脉管系统的管腔分段；确定患者的脉管系统的部位；以及使用多个个体的每个已知健康血管段的所提取的一个或多个特征来确定患者的脉管系统的部位的健康管腔直径。

Description

用于估计在冠状动脉中的健康管腔直径和狭窄定量的系统和 方法
相关申请
本申请要求于2016年3月16日提交的美国临时申请号62/309,376的优先权，该临时申请的全部公开内容特此通过引用以其整体并入。
发明领域
本公开的各种实施方案通常涉及成像和相关方法。更特别地，本公开的特定实施方案涉及用于预测健康管腔半径并计算血管管腔狭窄评分的系统和方法。
背景技术
冠状动脉病(CAD)是死亡的主要原因之一。CAD可以特征在于急性事件或渐变事件。急性事件可包括可能要求即刻护理的斑块破裂。渐变事件可包括斑块的积聚，其可导致造成局部缺血的进行性解剖狭窄。用于诊断具有冠状动脉病的症状的患者的最广泛使用的无创性临床指标之一是从冠状动脉计算机断层扫描血管造影术(cCTA)得到的狭窄百分比。狭窄百分比的估计可涉及两个步骤：(1)局部直径的测量以及(2)参考健康直径的测量。为了测量狭窄百分比，cCTA可提供关于在冠状动脉树的不同区域中的解剖狭窄的程度的信息。在冠状动脉树的区域中的解剖狭窄的程度可以是用于在执行侵入性血管造影术和压力测量或侵入性测量的延迟之间决定的临床量度。在一些实施方案中，解剖狭窄的程度可以在诊所中被明确地估计(例如0％、1-30％、31-49％、50-69％、70-100％)或被发送到核心实验室用于分析。定量计算机断层扫描(QCT)和定量冠状动脉血管造影术(QCA)可包括狭窄百分比可被估计为在0和100之间的数字的方法。QCA可涉及在血管造影片上评估的侵入性过程，且在cCTA上评估的QCT可能是耗时的且通常在核心实验室中被执行。因此，存在提供确定在冠状动脉树的区域中的解剖狭窄的程度的安全和较不耗时的方法的愿望。
确定狭窄的程度需要首先辨别参考血管直径，例如健康管腔直径。然而，参考健康直径的估计可能在非病灶性疾病区域中，例如在弥漫性、开口和分叉病变中是有挑战性的。也存在估计在非病灶性病变中的健康管腔直径的愿望。
前述一般描述和接下来的详细描述仅仅是示例性的和解释性的，且不是本公开的限制。
发明内容
根据本公开的某些方面，公开了用于预测健康管腔半径并计算血管管腔狭窄评分的系统和方法。识别患者的脉管系统的管腔直径的一种方法包括：接收包括多个个体的已知健康血管段的一个或多个管腔分段的数据集；提取每个血管段的一个或多个管腔特征；接收患者的脉管系统的管腔分段；确定患者的脉管系统的部位；以及使用多个个体的每个已知健康血管段的所提取的一个或多个特征来确定患者的脉管系统的部位的健康管腔直径。
根据另一个实施方案，用于识别患者的脉管系统的管腔直径的系统包括：存储用于识别图像采集参数的指令的数据存储装置；以及处理器，其配置成：接收包括多个个体的已知健康血管段的一个或多个管腔分段的数据集；提取每个血管段的一个或多个管腔特征；接收患者的脉管系统的管腔分段；确定患者的脉管系统的部位；以及使用多个个体的每个已知健康血管段的所提取的一个或多个特征来确定患者的脉管系统的部位的健康管腔直径。
根据又一个实施方案，提供了用于在计算机系统上使用的非暂态计算机可读介质，计算机系统包含用于识别患者的脉管系统的管腔直径的计算机可执行编程指令。该方法包括：接收包括多个个体的已知健康血管段的一个或多个管腔分段的数据集；提取每个血管段的一个或多个管腔特征；接收患者的脉管系统的管腔分段；确定患者的脉管系统的部位；以及使用多个个体的每个已知健康血管段的所提取的一个或多个特征来确定患者的脉管系统的部位的健康管腔直径。
所公开的实施方案的额外目的和优点将在接下来的描述中部分地被阐述，且部分地将从该描述中明显，或可通过所公开的实施方案的实践来获悉。将借助于在所附权利要求中特别指出的元件和组合来实现并获得所公开的实施方案的目的和优点。
应理解，前述一般描述和下面的详细描述都仅仅是示例性的和解释性的，且不是所公开的实施方案的限制，如所主张的。
附图说明
合并在本说明书中并构成本说明书的一部分的附图示出各种示例性实施方案，且连同本描述一起用来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健康管腔半径并计算血管管腔狭窄评分(LNS)的示例性系统和网络的方框图。
图2A是根据本公开的示例性实施方案的用于产生患者的健康管腔直径和管腔狭窄评分的估计的示例性方法200的方框图。
图2A是根据本公开的示例性实施方案的用于产生患者的健康管腔直径和管腔狭窄评分的估计的示例性方法的方框图。
图2B是根据本公开的示例性实施方案的使用LNS来评估患者的脉管系统的示例性方法的方框图。
图3A是根据本公开的示例性实施方案的用于开发用于产生健康管腔直径(其可用于计算管腔狭窄评分)的估计的机器学习算法的培训阶段的示例性方法300的方框图。
图3B是根据本公开的示例性实施方案的图3A的机器学习算法的示例性脉管树。
图3C是根据本公开的示例性实施方案的提高或进一步培训用于通过验证图3A所述的经培训的机器学习算法来产生管腔狭窄评分的机器学习算法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(例如，如图3A所述的)机器学习算法来产生特定患者的管腔狭窄评分的示例性方法400的方框图。
具体实施方式
现在将详细参考本发明的示例性实施方案，其例子在附图中示出。只要有可能，相同的参考数字就在全部附图中用于指相同或相似的部分。
虽然管腔狭窄和狭窄百分比的指示是用于诊断患有动脉疾病的患者的普遍的无创性临床指标，当前的方法涉及在计算机断层扫描血管造影(CTA)数据上评估的定量冠状动脉血管造影术(QCA)或在血管造影片上评估的定量冠状动脉血管造影术(QCA)。QCA方法是侵入性的，以及QCT方法是耗时的且通常在核心实验室或诊所中被执行。因此，存在提供确定在冠状动脉树的区域中的解剖狭窄的程度的安全和较不耗时的方法的愿望。
本公开涉及给定管腔分段，无创地提供管腔狭窄、狭窄百分比和疾病的指示。现有的努力常常涉及从找到在病变的上游的患者的血管管腔直径和在病变的下游的患者的血管管腔直径来确定健康管腔直径。这样的方法可捕获病灶性冠状动脉疾病，其中病变或狭窄区域可与正常或健康血管管腔清楚地分开。然而，这样的方法可能未能可靠地检测病变，其中例如在弥漫性、开口和分裂病变中没有健康(相对于患病)管腔直径的清楚指示。对于弥漫性和开口病变，例如疾病的区域可能跨越脉管系统的冗长部分而在管腔几何结构中不呈现明显的狭窄。在这样的情况下，可能难以辨别脉管系统的患病部分可能在哪里开始和结束或健康管腔直径可能是什么。对于分叉，甚至健康的血管也可显示直径的自然减小。作为结果，健康管腔直径也难以确定血管分叉。由于清楚的参考管腔直径的缺乏，患者内估计/回归可能不能够在这些情况下估计参考健康直径。
为了估计健康管腔直径(以及因而管腔狭窄或疾病的指示)，本公开包括得到关于从除了患者自己的脉管系统以外的源得到的血管部位的健康管腔直径的系统和方法。在一个实施方案中，本系统和方法可使用来自个体的健康血管部位而不是患者的血管部位的数据来确定患者的健康管腔直径。可选地或此外，可使用不一定从其他个体但从合成地产生的血管得到的模拟血管部位来估计患者的健康管腔直径。
本公开涉及用于提供几何管腔狭窄评分(LNS)的估计，例如患者的实际管腔半径与所估计的健康管腔半径之比的系统和方法。在模拟实施方案中，LNS可基于患者的病灶性血管直径与所估计的健康直径之比。
作为产生LNS的部分，本公开包括用于计算健康管腔直径的系统和方法。在一个实施方案中，可通过稳健核回归(robust kernel regression)或通过使用机器学习算法来计算健康管腔直径。在一个实施方案中，稳健核回归可包括多个回归量，例如全局核拟合、分段拟合和各向异性核拟合。不同系列的回归量可被选择为包括不同的病变位置(例如开口、分叉)或病变长度(例如病灶性或弥漫性)。在一个实施方案中，系统和方法可包括一个或多个回归量的选择以确保管腔狭窄的不同长度和位置的捕获。回归量的选择可包括几个因素，包括用于最小化在血管分支处的急剧半径变化的效应的考虑因素。
在一个实施方案中，机器学习算法可确定相对于来自个体的群体而不是来自患者内估计或回归的健康部位的数据库的健康管腔直径。基于群体的估计被显示以比患者内估计更准确地预测健康部位的直径。这样的方法可以用0.95的校正系数预测健康部位的直径。与各向异性核回归方法比较，机器学习方法可具有优良的曲线下面积(0.9相对于0.83)和优良的检测狭窄的操作点敏感度/特异性(90％/85％相对于82％/76％)。这样的方法也可相对于侵入性定量冠状动脉血管造影术展示优良的性能，侵入性定量冠状动脉血管造影术可能由于在捕获弥漫性、开口和分叉病变以及强调在具有非病灶性狭窄的部位中的差异方面的优良性能。
在一个实施方案中，本公开可包括用于培训机器学习算法的培训阶段，和产生阶段，在产生阶段中，机器学习算法可用于确定感兴趣患者的健康管腔直径。在培训阶段其间，机器学习算法可了解在脉管系统的给定部位的上游和下游脉管系统之间的关系，其中部位可包括健康血管部位。换句话说，可在例如来自手动地标注的健康和患病部位的健康血管部位上执行这样的算法的培训。示例性机器学习算法可使用随机森林回归量以使用在部位的上游和下游的血管部位的特征来估计部位的健康管腔直径。机器学习算法可包括一般框架，其可识别在(冠状动脉)动脉中的管腔狭窄的区域，包括病灶性、弥漫性、开口和分叉疾病。在一个示例性实施方案中，(冠状动脉)动脉可分成部位或主干，其中每个主干可与相应于其的冠部(下游脉管系统)、根部(上游脉管系统)和/或同胞(其父母的其它孩子血管，如果可得到的话)的特征相关。一个实施方案可包括使用在来自个体的群体的主干的数据库上对这些特征执行的机器学习算法来预测主干的健康直径。在一个实施方案中，可通过在来自个体的第二群体的主干上进行测试来进一步验证机器学习算法。这样的机器学习算法可提供在不同的病变特性方面的优于最新型技术的改进。
在产生阶段期间，机器学习算法可确定患者的脉管系统的给定部位的上游和下游脉管系统的特征，并将那些特征映射到健康血管半径的估计。通过扩展，本公开可以进一步涉及确定关于特定患者的脉管系统的部位的管腔狭窄评分。例如，产生阶段可包括然后为特定的患者产生映射到患者的脉管系统的中心线的管腔狭窄评分。在一个实施方案中，患者的管腔狭窄评分可被验证(例如对照患者的脉管系统的管腔分段的手动标注)和/或用于更新用于确定患者的管腔狭窄评分的机器学习算法。
可以用各种方式使用健康管腔直径和/或LNS。在一个实施方案中，LNS可用作输入以估计血流储备分数(FFR)或敏感度(例如在由管腔分段中的不确定性产生的FFR的差异)。例如，可经由如在美国申请号13/895,893中所述的机器学习算法来计算FFR或敏感度，该美国申请的整个公开内容通过引用并入本文。这样的算法可包括多个特征作为到机器学习算法的输入，包括几何特征(例如最小上游直径、下游直径等)、解剖特征(管腔直径、在脉管系统中的位置等)、血液动力学特征(血液粘度、血压、血液流量等)等。LNS可作为特征被包括在机器学习算法中用于计算FFR或敏感度。
LNS的另一用途可包括使用LNS来识别修整平面位置，以便不从模型或图像修整疾病的位置。在产生解剖模型时，模型可以在缺乏确定性的部分中被修整，例如在不清楚地成像的区域中修整。然而，在修整模型时，从业者可能想要避免可能对理解脉管疾病相关的区域，例如狭窄的部位。LNS可帮助从业者确定可以或可以不修整模型的地方。
健康管腔直径或LNS的又一用途可包括使用LNS来估计在末端血管中的理想管腔直径。在一个实施方案中，所估计的理想/健康管腔直径可用于产生分形树，因而越过从图像数据可辨别的脉管系统模拟血管结构或血管形态。得到分形树可接着例如通过从健康管腔直径确定健康血管区域并将健康血管区域映射到下游阻力来允许对血流的下游阻力的计算。
健康管腔直径或LNS的另一应用可包括使用LNS来估计血管中的疾病的区域，使得自动销钉可放置在具有大于截止值的LNS的区域远侧。换句话说，LNS可用于向从业者指示管腔狭窄的区域，从业者可例如通过使用在2012年11月20日授权给Charles A.Taylor的美国专利号8,315,812中所述的方法发起模拟血流储备分数(FFR)的确定来在该区域处发起较深入的研究，该美国专利的整个公开内容通过引用并入本文。在这样的使用情况下，截止值可基于临床医师反馈或输入，使得关于管腔狭窄的足够信息被捕获，但显示器不包括太多的销钉。
通过扩展，LNS可用于估计在患者的脉管系统中的疾病的位置。例如，从开口到下游脉管系统的管腔半径可被提取，且具有径向基函数的稳健核回归可用于估计健康管腔半径。稳健核回归方法还可包括修改以解释在各向异性核可能未检测到的分叉中的管腔半径中的自然不连续性。对稳健核回归的示例性修改可包括以分叉为中心的各向异性核，其中各向异性核可与高斯核一起被求卷积。这样的修改可提供可以更可靠地估计分叉病变的存在的稳健核回归。
虽然为了例子的目的描述了本公开的某些实施方案，但是关于冠状动脉疾病的诊断和治疗，本文所述的系统和方法可应用于与任何医学成像领域有关的图像采集参数的最佳集合的预测。
现在参考附图，图1描绘根据示例性实施方案的用于预测健康管腔半径并计算血管管腔狭窄评分(LNS)的示例性系统和网络的方框图。特别地，图1描绘多个医师102和第三方提供者104，其中任一个可通过一个或多个计算机、服务器和/或手持移动装置连接到电子网络100，包括互联网。医师102和/或第三方提供者104可创建或以其他方式得到一个或多个患者的解剖体的图像。医师102和/或第三方提供者104还可得到患者特定信息(包括年龄、病史、血压、血液粘度等)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将解剖图像和/或患者特定信息传输到服务器系统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接收的图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图像和数据的处理装置。
图2A涉及产生健康管腔直径或管腔狭窄评分的估计的方法的一般实施方案。确定健康管腔直径的一种方式可包括机器学习方法。图3A-3C描述培训这样的机器学习方法，以及图4描述将机器学习方法应用于估计特定患者的健康管腔直径或半径。
图2A是根据示例性实施方案的产生患者的健康管腔直径和管腔狭窄评分的估计的示例性方法200的方框图。图2A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、图像和数据来执行。
在一个实施方案中，步骤201可包括接收用于产生健康管腔直径或LNS的算法的输入。例如，步骤201可包括接收解剖输入，包括表面网格或包括患者的脉管系统的至少一部分的中心线。表面网格可包括三维表面网格。中心线可包括位于中心的中心线。在一个实施方案中，输入可包括从管腔分段提取脉管特征，例如提取冠状动脉中心线树。例如，可从管腔分段提取自动测量结果。可使用任何类型的管腔分段。在一个实施方案中，经培训的CT读者可评估管腔分段并可能进行校正。在另一个实施方案中，输入可以是半径的矢量连同相应的分叉指示符(0或1，取决于这个点是否相应于分叉)以及在矢量中的每个条目的亲代指标(parent index)。
在一个实施方案中，步骤203可包括选择用于确定健康管腔直径或LNS的算法。算法可包括核回归算法或机器学习算法。在一个实施方案中，核回归算法可被表示为默认算法。可选地，机器学习算法可被设置为确定LNS的默认算法。在另一个实施方案中，方法200可表示用于选择的、没有默认设置的回归和机器学习算法。该选择可基于从用户接收的输入、在特定的使用情况或诊所中的默认设置和/或患者特性。
在选择是否使用核回归算法或机器学习算法时，考虑因素可包括从业者是否评估病灶性病变或非病灶性病变。回归可能足以检测病灶性病变，而机器学习可能在识别非病灶性狭窄形态例如在长弥漫性病变、开口病变或可能沿着整个部位存在的病变中的疾病的区域方面优于回归。
在一个实施方案中，步骤205a可包括操作回归算法。在一个实施方案中，回归算法可包括越过从开口到下游或末端血管的路径的管腔区域的核回归算法。狭窄区域可以以检测血管半径的变化同时从上游血管部位进展到下游血管部位为特征，其中半径减小，然后沿着血管的长度增加。在脉管系统中的疾病区域可能需要管腔半径的急剧和突然(剧烈)的或长(扩散)的变化，且半径可在分叉处自然地具有急剧减小(例如由Murray法则规定的)。为了解释疾病区域和狭窄区域的各种表达，当前的系统和方法可包括一系列全局回归量。全局回归量可以在整个脉管系统上使用，而局部回归量可用于分析变化的尺寸的脉管系统的局部部分。变化的范围的回归可用于推断多个指标，且LNS可以以将给临床医师提供LNS的保守估计的方式由指标组成。
在一个实施方案中，步骤205a可包括操作具有径向基函数的核回归算法以估计健康管腔半径。可选地或此外，步骤205a可包括操作可包括各向异性核拟合的回归算法，其中以分叉为中心的各向异性核可与高斯核一起被求卷积。各向异性核拟合可解释在分叉处的管腔半径的自然不连续，并且比前面所述的核回归算法更可靠地估计分叉病变的存在。
在一个实施方案中，步骤205a可涉及使用多个回归量。例如，步骤205a的一个示例性实施方案可使用三个不同的回归量：全局核拟合、分段拟合和各向异性核拟合。可以为从血管根部(例如开口)到叶的每个路径定义示例性全局核拟合，其中健康半径可由下式给出：
Figure BDA0001822785400000111
可以为在分支之间的每个段定义示例性分段拟合，其中健康半径可由下式给出：
Figure BDA0001822785400000112
示例性各向异性核拟合可以为从血管根部到叶的每个路径而定义，但使用以最接近的开口为中心的反曲函数被加权，最接近的开口被设计成最小化在分支处的急剧半径变化的效应，例如：
Figure BDA0001822785400000113
其中反曲函数S可由下式给出：
Figure BDA0001822785400000114
以及
do(x',x)＝d(x',xo)-d(x,xo)-d(x,xup)
一旦计算出全局健康半径r* healthy(x)，就可计算相应的指标：
Figure BDA0001822785400000121
且管腔狭窄评分(λ)可被定义为：
λ(x)＝1–κ(x)，如果κ<＝1，
否则λ(x)＝0。
在一个实施方案中，可以为总共15个回归量中的每个回归量选择σx、σmax和rx,max的五个参数。每个回归量的示例性参数值可包括下面的值，其中n可以为从1到15的范围。
σx＝5.0*(1+(n-3)*0.4)
σmax＝200.0*(1+(n-3)*0.4)
σr＝0.25*(1+(n-3)*0.4)
k＝0.1+n*0.3
不同的回归量可提供管腔狭窄的不同长度和位置。
在一个实施方案中，步骤205b可包括选择并操作机器学习算法以确定健康管腔直径或LNS。在一个实施方案中，机器学习算法可使用除了患者的脉管系统以外的脉管系统的信息来确定健康直径。在图3A进一步详细地描述机器学习算法。
在一个实施方案中，步骤207可包括计算管腔狭窄评分。可从实际半径与健康半径之比来计算管腔狭窄评分，例如
Figure BDA0001822785400000122
其中rhealthy(x)可包括管腔的理论健康半径(例如由核回归算法或机器学习算法提供)，以及r(x)可包括在管腔内的最大内切球的半径。可通过找到从血管中心线到网格的表面的最接近的点来确定在管腔内的最大内切球。
在一个实施方案中，步骤209可包括验证所计算的管腔狭窄评分。例如，可经由输出在中心线的空间分辨率处的管腔狭窄的直接临床数据或可提供在主血管(pLAD、dLAD)中的总体管腔狭窄的比较的自动化血管标记工具等来验证LNS。可对照从手动标注计算的分数来验证从机器学习算法计算的管腔狭窄评分。
可存在用于手动地标注疾病的段的几个过程。例如，cCTA的经培训的读者可评估一群患者的管腔分段并识别管腔狭窄的位置(例如狭窄百分比>＝50％)。这个过程可模仿在诊所中读取来自CT扫描的狭窄百分比的过程，例如在视觉上所估计的狭窄而不是评估参考直径和评价最小管腔直径与参考直径之比。提供读数中的置信度的一种方式可包括以下情形：其中每个患者脉管系统由三个读者评估，其中只有具有一致读数的部位可用于培训和测试。为了方便，冠状动脉树可分成部位，其中每个部位可被标记为“患病的”或“健康的”。可使用分叉的位置作为分离器来分割部位。因为患病的部位的手动标注可在管腔分段而不是cCTA上执行，所以性能可以不取决于用于中心线检测和管腔分段的算法。可使用各种中心线检测和管腔分段算法，同时使用手动标注来验证从机器学习算法计算的管腔狭窄评分。步骤211可包括基于验证的结果来更新核回归算法或机器学习算法。
图2B是根据示例性实施方案的使用LNS来评估患者的脉管系统的示例性方法230的方框图。图2B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、图像和数据来执行。虽然方法230的实施方案描述LNS的示例性使用，但可使用健康管腔直径或健康管腔半径而不是使用LNS来执行方法220的所有步骤。
在一个示例性实施方案中，步骤231可包括接收LNS。步骤233-237可包括使用LNS来确定末端血管的阻力。例如，步骤233可包括估计在患者的末端血管中的理想管腔直径。步骤235可包括从理想管腔直径的估计产生分形树，以及示例性步骤237可包括基于分形树来确定对患者的末端血管中的血流的下游阻力。阻力可用于模拟通过末端血管的血流(例如步骤239)。
在一个实施方案中，步骤241和243可包括用于估计并显示疾病的区域的示例性使用。例如，步骤241可包括接收阈值LNS，例如可指示疾病的位置的阈值。步骤243可包括产生在具有超过阈值LNS的LNS的区域远侧的血管区域中的视觉指示的显示。如前面讨论的，阈值LNS可由临床医师规定或基于临床医师反馈来确定，以便为医师指示足够数量的疾病区域以能够进行分析，但没有那么多的疾病区域显示分析很难。
图3A-3C可描述培训机器学习方法。例如，图3A可包括用于培训机器学习算法以进行健康管腔几何结构的数据驱动估计(包括定义健康管腔直径或半径的特征)的方法。图3B可包括机器学习算法可如何分析脉管系统的部分以了解健康血管的特征的图。图3C可包括用于验证所培训的机器学习算法的方法。图4可包括计算特定患者的健康管腔直径或半径的估计。
图3A是根据示例性实施方案的用于开发用于产生健康管腔直径(其可用于计算管腔狭窄评分)的估计的机器学习算法的培训阶段的示例性方法300的方框图。方法300可包括在健康部位(例如从个体的群体得到的一批健康血管主干)的数据库上培训机器学习算法，使得特定患者的数据可被映射到基于群体的健康管腔直径。脉管系统可包括心外膜脉管系统。方法300还可包括使用来自个体的第二群体的测试血管部位来测试或验证机器学习算法(如在图3C中更详细描述的)。虽然示例性方法300描述培训数据集包括来自个体的所成像的解剖体的健康血管主干的实施方案，可选的方法可使用合成血管主干。图3A的方法可由服务器系统106基于通过电子网络100从外科医师102和/或第三方提供者104接收的信息、图像和数据来执行。
方法300还可包括示例性评估LNS以及可用于健康管腔几何结构的估计的验证的任何指标。此外，LNS可例如通过划分具有所估计的健康直径的局部直径并比较商与50％的诊断阈值来提供疾病的区域的指示。在一个实施方案中，可基于LNS来提供对治疗的推荐。作为例子，如果LNS小于截止值，则可推荐运动医学疗法或运动，而如果LNS不小于截止值，则可推荐另外的侵入性测试/程序。
在一个实施方案中，步骤301可包括接收健康血管半径的管腔分段。例如，步骤301可包括接收所标注的管腔分段。标注可由可评估在多个个体中的每个个体的管腔分段，并识别管腔狭窄的位置(例如狭窄百分比>-50％)的经培训的读者(例如cCTA或CT扫描的经培训的读者)提供。每个个体的每个管腔分段可由多个读者评估，且用于培训和测试的部位可包括由多个读者商定的部位。可选地，可对cCTA数据而不是管腔分段执行标注。在这样的实施方案中，中心线检测或管腔分段算法可影响用于确定健康管腔直径(和LNS)的机器学习算法的培训。
在一个实施方案中，步骤303可包括将每个管腔分段分成主干-冠部-根部单元(例如，如图3B所示)。主干可包括感兴趣部位，其健康直径可被估计。冠部可包括在感兴趣部位下游的脉管系统，且根部可包括在感兴趣部位上游的脉管系统。机器学习方法还可包括识别同胞血管，其可包括亲代血管的孩子血管，而不是感兴趣部位所位于的血管。
在一个实施方案中，步骤305可包括定义和/或提取血管段的特征，例如其中每个段可代表在分叉之间的冠状动脉分段。对于在给定脉管系统中的每个主干，步骤303可包括提取相应的冠部、根部和同胞血管(当可得到时)的下列特征中的一个或多个，例如平均、最大和最小管腔面积(A)、体积(V)、长度(L)、V/A和V/L。在一个实施方案中，机器学习算法的特征可包括使用最大内切球来估计局部直径。可选或额外的方法可包括估计平面面积，例如沿着中心线的法线的管腔的面积。一些特征可能对一些主干(例如开口部位可能没有根部单元，以及末端部位可能没有冠部单元)不是可用的。在机器学习方法中，这样的特征可被分配-1的默认特殊值。在一个实施方案中，可为给定部位定义特征，其中每个部位可代表在分裂之间的冠状动脉分段。因为在给定部位中的流速可能是恒定的(或部位可被定义为使得流速在该部位内是恒定的)，示例性步骤305可假设健康血管可将它的半径维持在部位内以保持壁面切应力的内环境稳定状态。
在一个实施方案中，步骤307可包括比较来自脉管树的其它部分的特征与在考虑中的主干。例如，机器学习算法可一次分析一个主干并使用来自脉管树的其余部分的特征来推断在考虑中的主干处的健康管腔直径。
在一个实施方案中，步骤309可包括推断血管段的健康管腔直径。例如，机器学习算法可包括使用随机森林回归来预测健康管腔直径。随机森林可能对高维度和异质特征是有效和有功效的。随机森林可使用全体决策树，其中每个决策树可由特征的随机子集和培训数据组成。每个决策树可将输入特征矢量映射到连续变量。来自决策树的值可集中在一起并被取平均以计算健康管腔直径(dp)的最终预测值。在一个实施方案中，可产生多个随机森林(例如一个针对非末端血管而一个针对开口段)。一旦确定了健康管腔直径，就可从局部管腔直径(dl)与所预测的健康管腔直径之比将LNS估计为α＝(1-dp/dl)x100％。一个示例性情形可包括每个树具有5个特征的平均值。5倍交叉验证可用于评估所选择的参数的性能。
在一个实施方案中，随后的步骤可包括评估或验证机器学习算法。例如，可基于评估/验证来更新机器学习算法。例如，评估/验证机器学习算法可包括对照手动标注来评估随机森林回归量(例如步骤309的随机森林回归量)。在一种情况下，可通过评估敏感度、特异性和接收者-操作员特性(ROC)曲线下的面积来估计在一组主干(例如来自各种患者的主干)上的随机森林回归量的结果。为了验证，由读者标注为“患病”的部位可被考虑为阳性的，且如果随机森林预测狭窄百分比>＝50％，则这样的部位可进一步被分类为“真阳性”，或否则为“假阴性”。类似地，如果随机森林预测狭窄百分比<$50％，可被标注为健康的部位可被分类为“真阴性”，且否则为“假阳性”。敏感度(Se)和特异性(Sp)可被定义为：
Se＝TP/(TP+FN)
Sp＝TN/(TN+FP)
可通过对用于限定疾病的部位的不同的截止值评估敏感度和特异性来绘制ROC曲线，例如
Figure BDA0001822785400000171
图3B是根据示例性实施方案的图3A的机器学习算法的示例性脉管树。如前所述，脉管树可分成很多主干-冠部-根部单元。图3B可包括示例性冠状动脉树330。在一个实施方案中，可基于作为分离器的分支点来定义主干331，相应的冠部和根部分别是下游和上游脉管系统。对于示例性冠状动脉树330，可在冠部333、根部335和同胞血管337(如果可得到)中计算心外膜体积、长度、直径和不同的比，并可将各种比分配为给定主干331的特征。在一个实施方案中，患者的冠状动脉脉管系统可分成各种主干-冠部单元，其中主干可由冠状动脉的部位组成，而冠部可由下游脉管系统组成，其中幂法则可使冠部体积和冠部长度与主干面积相关。这个实施方案可指示管腔狭窄的存在或缺乏而不指定疾病例如弥漫性病存在于哪里。
图3C是根据示例性实施方案的提高或进一步培训用于通过验证图3A所述的经培训的机器学习算法来产生管腔狭窄评分的机器学习算法的示例性方法350的方框图。来自验证过程的经验证的结果除了提供来自管腔分段的血管管腔的狭窄百分比的准确估计以外，还可提供对具有复杂形态的病变的评估的基础。图3C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、图像和数据来执行。
在一个实施方案中，步骤351可包括识别与用于培训机器学习算法(例如，如果图3A)的个体不同的一批个体(和他们的血管部位)。在一个实施方案中，步骤351可包括识别经历冠状动脉血管造影术的个体，其中可使用QCA例如由独立的专家在核心实验室识别和量化相应的患病位置。例如，来自DeFACTO临床试验(Clinicaltrials.gov\#NCT01233518)的子集的冠状动脉QCA数据可用作方法350的示例性验证过程的参考真实有效数据以验证示例性方法300的结果。
在一个实施方案中，步骤353可包括确定所识别的这批个体的脉管系统部位的健康直径和/或疾病的存在。例如，包括下游脉管系统、上游脉管系统和同胞血管的一组基于几何形状的特征可用于估计给定部位的健康血管尺寸。步骤353可包括将血管几何形状重复地分成各种“主干-冠部-根部”单元以及使用指标例如心外膜脉管体积和管腔面积，这些指标可以是健康血管直径的已知指示。
在一个实施方案中，步骤355可包括计算在所预测的健康管腔直径和相应的所测量的健康管腔直径之间的相关系数。验证过程还可包括计算在所预测的健康管腔直径和相应的所测量的健康管腔直径之间的平均绝对误差和均方根误差。用于使用本方法来检测狭窄百分比的操作点敏感度和特异性可与另一方法例如全局核回归方法或各向异性核回归方法比较。验证过程还可包括计算和/或比较本发明的接收者操作员特性(ROC)曲线与其它方法(例如各向异性核回归和/或全局核回归)。
图4是根据示例性实施方案的使用机器学习算法(例如，如图3A所述的机器学习算法)来产生特定患者的管腔狭窄评分的示例性方法400的方框图。方法400可使用机器学习以使用机器学习方法例如在来自除了患者以外的个体的群体的健康血管部位的数据库上培训的机器学习算法来将从特定患者的脉管系统得到的指标映射到健康管腔直径。虽然从患者自己的脉管估计/回归确定健康管腔直径可能对病灶性病变的检测是有用的，但是方法400对估计非病灶性狭窄(例如弥漫性、开口和分叉病变)的健康管腔直径更有效。图4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、图像和数据来执行。
在一个实施方案中，步骤401可包括接收患者的脉管系统的管腔分段。管腔分段可包括患者的脉管系统的血管中心线和/或表面网格表示。
在一个实施方案中，步骤403可包括将管腔分段分成主干-冠部-根部单元(例如，如图3B所示)，其中主干可包括感兴趣部位，其健康直径可被估计，冠部可包括在感兴趣部位下游的脉管系统，以及根部可包括在感兴趣部位上游的脉管系统。步骤403还可包括识别感兴趣部位所位于的血管的同胞血管。示例性同胞血管可包括亲代血管的孩子血管，而不是感兴趣部位所位于的血管。
在一个实施方案中，步骤405可包括定义和/或提取血管段的特征。对于每个主干，步骤405可包括提取相应的冠部、根部和同胞血管(当可得到时)的下列特征中的一个或多个，例如平均、最大和最小管腔面积(A)、体积(V)、长度(L)、V/A和V/L。步骤405可包括使用最大内切球来估计局部直径和/或估计平面面积，例如沿着中心线的法线的管腔的面积。在一个实施方案中，对一些主干(例如开口部位可能没有根部单元，以及末端部位可能没有冠部单元)不可用的一些特征可被分配-1的默认特殊值。在一个实例中，每个所估计的段可代表在分叉之间的冠状动脉分段。
在一个实施方案中，步骤407可包括比较来自脉管树的其它部分的特征与在考虑中的主干。例如，步骤407可包括使用经培训的机器学习算法(例如从图3A)来一次分析一个患者脉管主干并使用来自机器学习算法的脉管树的特征来推断在考虑中的主干处的健康管腔直径。
在一个实施方案中，步骤409可包括推断血管段的健康管腔直径。例如，示例性实施方案可包括提取患者特定指标(包括步骤405的特征)，一次省略一个部位，以及将这些指标的数据库映射到所存储的健康管腔直径(例如从培训如图3A所述的机器学习算法中)。更特别地，机器学习算法可包括随机森林回归以预测患者的健康管腔直径。如前所述，随机森林可使用全体决策树，其中每个决策树可由特征的随机子集和培训数据组成。每个决策树可将输入特征矢量映射到连续变量，且来自决策树的值可集中在一起并被取平均以计算健康管腔直径(dp)的最终预测值。
在一个实施方案中，步骤411可包括确定血管段的LNS。例如，可从局部管腔直径(dl)与所预测的健康管腔直径之比将LNS或狭窄百分比估计为α＝(1-dp/dl)x 100％。
在一个研究(Sankaran S.,Schaap M.,Hunley S.C.,Min J.K.,Taylor C.A.,Grady L.(2016)HALE:Healthy Area of Lumen Estimation for Vessel Stenosis Quantification.In:Ourselin S.,Joskowicz L.,Sabuncu M.,Unal G.,Wells W.(编辑)Medical Image Computing and Computer-Assisted Intervention--MICCAI2016.MICCAI 2016.Lecture Notes in Computer Science,vol 9902.Springer,Cham)中，方法400实现了用于预测健康部位的管腔直径的具有0.15mm的平均绝对误差的0.947的相关系数。此外，该方法可具有用于检测狭窄的90％/85％的操作点敏感度/特异性。与QCA数据比较，在一组患病的患者上的狭窄百分比的平均绝对误差可从在各向异性核回归中的31％减小到在本方法300中的14％。
使用患者特定几何特征(包括脉管体积、管腔面积、血管长度和所得到的特征的组合)的一般方法可在使用随机决策森林回归量来估计健康管腔直径时被使用。这个回归量可用于具有不同种类的疾病例如急性、弥漫性、开口和分叉的脉管系统。在本公开中早些时候所述的基于参考核回归的方法可基于局部患者特定数据。这样的回归方法可捕获病灶性狭窄的区域。可选或额外的回归方法可解释群体数据并捕获其它疾病形态。又一方法例如用于检测弥漫性病变的方法可包括基于群体的机器学习方法，其中输出指标(LNS)可提供弥漫性病变的存在或缺乏的指示。
当前的系统和方法可与任何管腔分段算法一起使用。根据应用，当前的系统和方法可例如与用于狭窄百分比的现场估计的自动化管腔分段算法一起使用或离线地或在核心实验室背景中与半自动化方法一起使用。当前的系统和方法可提供准确的QCT评估工具，其可涉及准确的管腔分段算法与用于估计狭窄百分比的准确算法的耦合。对照QCA，这样的评估工具可很好地运转，且比用于相同管腔分段的各向异性核回归更好。
一个另外的实施方案可包括禁止在可能是患病的部位上计算特征。例如，这样的实施方案可包括迭代算法，其中一旦在培训机器学习算法时被识别为患病的，部位就不可在其它部位的特征的估计中被使用。实施方案还可包括更高阶指标，例如面积梯度。
根据本文公开的本发明的说明书和实践的考虑，本发明的其它实施方案将对本领域技术人员明显。意图是说明书和例子仅被考虑为示例性的，本发明的真实范围和精神由所附权利要求指示。

Claims (20)

1.一种识别患者的脉管系统的管腔直径的计算机实现的方法，所述方法包括：
接收包括多个个体的已知健康血管段的一个或多个管腔分段的数据集；
针对所述已知健康血管段中的每个段进行识别，包括所述段上游的脉管系统的部位和所述段下游的脉管系统的部位；
提取每个所述血管段的一个或多个管腔特征，包括所述段上游的脉管系统的每个部位的管腔特征和所述段下游的脉管系统的每个部位的管腔特征；
基于所述提取的每个段的管腔特征、所述提取的所述段上游的脉管系统的每个部位的管腔特征和所述提取的所述段下游的脉管系统的每个部位的管腔特征，确定基于群体的健康管腔直径；
接收患者的脉管系统的管腔分段；
确定所述患者的脉管系统的部位；以及
使用确定的基于群体的健康管腔直径来确定所述患者的脉管系统的所述部位的患者特定的健康管腔直径。
2.如权利要求1所述的方法，还包括：
使用所述确定的健康管腔直径来计算管腔狭窄评分，其中所述管腔狭窄评分是包括所述患者的脉管系统的所述部位的半径与基于所述多个个体的所述已知健康血管段的相应的理论健康半径的比。
3.如权利要求1所述的方法，其中所述一个或多个管腔特征包括平均、最大和最小管腔面积、体积和长度。
4.如权利要求1所述的方法，还包括：
将所述已知健康血管段的所述管腔分段中的每个分成子单元，其中所述子单元中的一个单元相应于所述患者的脉管系统的所述确定的部位。
5.如权利要求4所述的方法，还包括：
提取所述子单元中的每个的所述一个或多个管腔特征；以及
产生随机森林回归以确定所述患者的脉管系统的所述部位的所述健康管腔直径。
6.如权利要求4所述的方法，其中，所述已知健康血管段中的段相应于与所述识别的所述患者的脉管系统的部位相应的所述确定的部位。
7.如权利要求1所述的方法，还包括：
产生血流储备分数的估计，产生血流储备分数估计的估计或敏感度，或产生基于所述确定的健康管腔直径的模型。
8.如权利要求1所述的方法，其中所述已知健康血管段基于手动标注。
9.一种用于识别患者的脉管系统的管腔直径的系统，所述系统包括：
数据存储装置，其存储用于识别患者的脉管系统的管腔直径的指令；以及
处理器，其配置成执行所述指令以执行方法，所述方法包括：
接收包括多个个体的已知健康血管段的一个或多个管腔分段的数据集；
针对所述已知健康血管段中的每个段，识别所述段上游的脉管系统的部位和所述段下游的脉管系统的部位；
提取每个所述血管段的一个或多个管腔特征，包括所述段上游的脉管系统的每个部位的管腔特征和所述段下游的脉管系统的每个部位的管腔特征；
基于所述提取的每个段的管腔特征、所述提取的所述段上游的脉管系统的每个部位的管腔特征和所述提取的所述段下游的脉管系统的每个部位的管腔特征，确定基于群体的健康管腔直径；
接收患者的脉管系统的管腔分段；
确定所述患者的脉管系统的部位；以及
使用所述确定的基于群体的健康管腔直径来确定所述患者的脉管系统的所述部位的患者特定的健康管腔直径。
10.如权利要求9所述的系统，其中所述系统还配置用于：
使用所述确定的健康管腔直径来计算管腔狭窄评分，其中所述管腔狭窄评分是包括所述患者的脉管系统的所述部位的半径与基于所述多个个体的所述已知健康血管段的相应的理论健康半径的比。
11.如权利要求9所述的系统，其中所述一个或多个管腔特征包括平均、最大和最小管腔面积、体积和长度。
12.如权利要求9所述的系统，其中所述系统还配置用于：
将所述已知健康血管段中的每个分成子单元，其中所述子单元中的一个单元相应于所述患者的脉管系统的所述确定的部位。
13.如权利要求12所述的系统，其中所述系统还配置用于：
提取所述子单元中的每个的所述一个或多个管腔特征；以及
产生随机森林回归以确定所述患者的脉管系统的所述部位的所述健康管腔直径。
14.如权利要求12所述的系统，其中所述已知健康血管段中的段相应于所述患者的脉管系统的所述确定的部位。
15.如权利要求9所述的系统，其中所述系统还配置用于：
产生血流储备分数的估计，产生血流储备分数估计的估计或敏感度，或产生基于所述确定的健康管腔直径的模型。
16.如权利要求9所述的系统，其中所述已知健康血管段基于手动标注来确定。
17.一种用于在计算机系统上使用的非暂态计算机可读介质，所述计算机系统包含用于执行识别患者的脉管系统的管腔直径的方法的计算机可执行编程指令，所述方法包括：
接收包括多个个体的已知健康血管段的一个或多个管腔分段的数据集；
针对所述已知健康血管段中的每个段，识别所述段上游的脉管系统的部位和所述段下游的脉管系统的部位；
提取每个所述血管段的一个或多个管腔特征，包括所述段上游的脉管系统的每个部位的管腔特征和所述段下游的脉管系统的每个部位的管腔特征；
基于所述提取的每个段的管腔特征、所述提取的所述段上游的脉管系统的每个部位的管腔特征和所述提取的所述段下游的脉管系统的每个部位的管腔特征，确定基于群体的健康管腔直径；
接收患者的脉管系统的管腔分段；
确定所述患者的脉管系统的部位；以及
使用确定的基于群体的健康管腔直径来确定所述患者的脉管系统的所述部位的患者特定的健康管腔直径。
18.如权利要求17所述的非暂态计算机可读介质，所述方法还包括：
使用所述确定的健康管腔直径来计算管腔狭窄评分，其中所述管腔狭窄评分是包括所述患者的脉管系统的所述部位的半径与基于所述多个个体的所述已知健康血管段的相应的理论健康半径的比。
19.如权利要求17所述的非暂态计算机可读介质，其中所述一个或多个管腔特征包括平均、最大和最小管腔面积、体积和长度。
20.如权利要求17所述的非暂态计算机可读介质，所述方法还包括：
将所述已知健康血管段的所述管腔分段中的每个分成子单元，其中所述子单元中的一个单元相应于所述患者的脉管系统的所述确定的部位。
CN201780022642.3A 2016-03-16 2017-03-15 用于估计在冠状动脉中的健康管腔直径和狭窄定量的系统和方法 Active CN109069014B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110698520.4A CN113440112B (zh) 2016-03-16 2017-03-15 用于估计在冠状动脉中的健康管腔直径和狭窄定量的系统和方法

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201662309376P 2016-03-16 2016-03-16
US62/309376 2016-03-16
PCT/US2017/022525 WO2017160994A1 (en) 2016-03-16 2017-03-15 Systems and methods for estimating healthy lumen diameter and stenosis quantification in coronary arteries

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202110698520.4A Division CN113440112B (zh) 2016-03-16 2017-03-15 用于估计在冠状动脉中的健康管腔直径和狭窄定量的系统和方法

Publications (2)

Publication Number Publication Date
CN109069014A CN109069014A (zh) 2018-12-21
CN109069014B true CN109069014B (zh) 2021-07-06

Family

ID=58461457

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780022642.3A Active CN109069014B (zh) 2016-03-16 2017-03-15 用于估计在冠状动脉中的健康管腔直径和狭窄定量的系统和方法

Country Status (8)

Country Link
US (3) US10575810B2 (zh)
EP (3) EP3795070B1 (zh)
JP (1) JP6718975B2 (zh)
KR (1) KR102447741B1 (zh)
CN (1) CN109069014B (zh)
AU (1) AU2017235454B2 (zh)
CA (1) CA3017610C (zh)
WO (1) WO2017160994A1 (zh)

Families Citing this family (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2014182505A1 (en) 2013-05-10 2014-11-13 Stenomics, Inc. Modeling and simulation system for optimizing prosthetic heart valve treatment
US9092743B2 (en) 2013-10-23 2015-07-28 Stenomics, Inc. Machine learning system for assessing heart valves and surrounding cardiovascular tracts
EP3245632B1 (en) * 2015-01-16 2020-07-15 Koninklijke Philips N.V. Vessel lumen sub-resolution segmentation
JP6718975B2 (ja) * 2016-03-16 2020-07-08 ハートフロー， インコーポレイテッド 冠動脈において健全な管腔径を推定し狭窄を定量化するためのシステム及び方法
WO2017199246A1 (en) 2016-05-16 2017-11-23 Cathworks Ltd. Vascular selection from images
JP7036742B2 (ja) 2016-05-16 2022-03-15 キャスワークス リミテッド 血管評価システム
US11871995B2 (en) 2017-12-18 2024-01-16 Hemolens Diagnostics Sp. Z O.O. Patient-specific modeling of hemodynamic parameters in coronary arteries
US11771399B2 (en) 2018-02-07 2023-10-03 Atherosys, Inc. Apparatus and method to guide ultrasound acquisition of the peripheral arteries in the transverse plane
WO2019212992A1 (en) * 2018-04-30 2019-11-07 Atherosys, Inc. Method and apparatus for the automatic detection of atheromas in peripheral arteries
WO2019238754A1 (en) 2018-06-15 2019-12-19 Pie Medical Imaging Bv Method and apparatus for quantitative hemodynamic flow analysis
CN109979593B (zh) 2018-09-24 2021-04-13 北京科亚方舟医疗科技股份有限公司 血管路径的健康半径的预测方法、血管路径的候选狭窄处的预测方法、血管狭窄度预测装置
PL427234A1 (pl) 2018-09-28 2020-04-06 Fundacja Rozwoju Kardiochirurgii Im. Profesora Zbigniewa Religi Sposób modelowania naczyń krwionośnych i przepływu krwi w tych modelach naczyń krwionośnych
US10813612B2 (en) 2019-01-25 2020-10-27 Cleerly, Inc. Systems and method of characterizing high risk plaques
CN109886953B (zh) * 2019-02-27 2024-06-28 数坤科技股份有限公司 一种血管异常检测方法、装置及计算机可读存储介质
WO2020201942A1 (en) 2019-04-01 2020-10-08 Cathworks Ltd. Methods and apparatus for angiographic image selection
JP7170868B2 (ja) * 2019-06-28 2022-11-14 富士フイルム株式会社 学習装置、方法およびプログラム、医用画像処理装置、方法およびプログラム、並びに判別器
KR102361354B1 (ko) 2019-08-30 2022-02-10 연세대학교 원주산학협력단 관상동맥 조영 영상에서 심장 협착증 질병 정보 제공 방법
US12039685B2 (en) 2019-09-23 2024-07-16 Cathworks Ltd. Methods, apparatus, and system for synchronization between a three-dimensional vascular model and an imaging device
CN110889896B (zh) * 2019-11-11 2024-03-22 苏州润迈德医疗科技有限公司 获取血管狭窄病变区间及三维合成方法、装置和系统
JP7485512B2 (ja) * 2019-12-26 2024-05-16 キヤノンメディカルシステムズ株式会社 医用情報処理装置、医用情報処理方法、及び医用情報処理プログラム
JP2023509514A (ja) 2020-01-07 2023-03-08 クリールリー、 インコーポレーテッド 医用画像分析、診断、重症度分類、意思決定、および／または疾患追跡のためのシステム、方法、およびデバイス
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
US20210228262A1 (en) 2020-01-29 2021-07-29 Covidien Lp System and methods for identifying vessels within tissue
CN111445449B (zh) * 2020-03-19 2024-03-01 上海联影智能医疗科技有限公司 感兴趣区域的分类方法、装置、计算机设备和存储介质
CN113837985B (zh) * 2020-06-24 2023-11-07 上海博动医疗科技股份有限公司 用于血管造影图像处理的训练方法和装置、自动处理方法和装置
EP4075446A1 (en) 2021-04-18 2022-10-19 Kardiolytics Inc. Method and system for modelling blood vessels and blood flow under high-intensity physical exercise conditions
CN113592939B (zh) * 2021-07-20 2024-02-27 燕山大学 基于冠脉造影图像判断狭窄血管尺寸的深度学习方法
US12125217B2 (en) 2021-11-05 2024-10-22 GE Precision Healthcare LLC System and method for detecting stenosis
US11980492B2 (en) 2021-11-05 2024-05-14 GE Precision Healthcare LLC System and method for deep-learning based estimation of coronary artery pressure drop
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 (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015030998A2 (en) * 2013-08-27 2015-03-05 Heartflow, Inc. Systems and methods for predicting location, onset, and/or change of coronary lesions
JP2015180292A (ja) * 2007-07-05 2015-10-15 株式会社東芝 医用画像処理装置

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2421352A1 (en) * 2002-03-08 2003-09-08 Giovanni Battista Mancini (A.K.A. Mancini, G.B. John) Vessel evaluation methods, apparatus, computer-readable media and signals
WO2005023086A2 (en) * 2003-08-25 2005-03-17 University Of North Carolina At Chapel Hill Systems, methods, and computer program products for analysis of vessel attributes for diagnosis, disease staging, and surgical planning
US8155411B2 (en) 2008-07-22 2012-04-10 Pie Medical Imaging B.V. Method, apparatus and computer program for quantitative bifurcation analysis in 3D using multiple 2D angiographic images
US8526699B2 (en) * 2010-03-12 2013-09-03 Siemens Aktiengesellschaft Method and system for automatic detection and classification of coronary stenoses in cardiac CT volumes
US8315812B2 (en) 2010-08-12 2012-11-20 Heartflow, Inc. Method and system for patient-specific modeling of blood flow
JP5802144B2 (ja) * 2012-02-16 2015-10-28 株式会社日立製作所 画像診断支援システム、プログラム及び記憶媒体
US9675301B2 (en) * 2012-10-19 2017-06-13 Heartflow, Inc. Systems and methods for numerically evaluating vasculature
US9858387B2 (en) * 2013-01-15 2018-01-02 CathWorks, LTD. Vascular flow assessment
CN103892799B (zh) * 2012-12-24 2016-09-14 财团法人工业技术研究院 主动脉血管测量探针、装置及主动脉管径的测量方法
US9042613B2 (en) * 2013-03-01 2015-05-26 Heartflow, Inc. Method and system for determining treatments by modifying patient-specific geometrical models
EP3021758A4 (en) * 2013-07-19 2017-03-15 Volcano Corporation Devices, systems, and methods for assessment of vessels
US9043190B2 (en) * 2013-08-16 2015-05-26 Heartflow, Inc. Systems and methods for identifying personalized vascular implants from patient-specific anatomic data
US10362943B2 (en) * 2013-09-20 2019-07-30 Siemens Healthcare Gmbh Dynamic overlay of anatomy from angiography to fluoroscopy
US9700219B2 (en) * 2013-10-17 2017-07-11 Siemens Healthcare Gmbh Method and system for machine learning based assessment of fractional flow reserve
US9785746B2 (en) * 2014-03-31 2017-10-10 Heartflow, Inc. Systems and methods for determining blood flow characteristics using flow ratio
US9747525B2 (en) * 2014-06-16 2017-08-29 Siemens Healthcare Gmbh Method and system for improved hemodynamic computation in coronary arteries
US9349178B1 (en) * 2014-11-24 2016-05-24 Siemens Aktiengesellschaft Synthetic data-driven hemodynamic determination in medical imaging
JP6718975B2 (ja) * 2016-03-16 2020-07-08 ハートフロー， インコーポレイテッド 冠動脈において健全な管腔径を推定し狭窄を定量化するためのシステム及び方法
US12062198B2 (en) * 2021-09-27 2024-08-13 Shenzhen Keya Medical Technology Corporation Method and system for multi-modality joint analysis of vascular images

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015180292A (ja) * 2007-07-05 2015-10-15 株式会社東芝 医用画像処理装置
WO2015030998A2 (en) * 2013-08-27 2015-03-05 Heartflow, Inc. Systems and methods for predicting location, onset, and/or change of coronary lesions

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Fast Computation of Hemodynamic Sensitivity to Lumen Segmentation Uncertainty;Sethuraman Sankaran等;《IEEE TRANSACTIONS ON MEDICAL IMAGING》;20151201;全文 *
Lumen Diameter of Normal Human Coronary Arteries - Influence of Age, Sex, Anatomic Variation, and Left Ventricular Hypertrophy or Dilation;DODOGE,JT等;《CIRCULATION》;19920701;全文 *

Also Published As

Publication number Publication date
JP6718975B2 (ja) 2020-07-08
EP3429465B1 (en) 2020-11-11
US20220079540A1 (en) 2022-03-17
CA3017610C (en) 2024-04-30
CN113440112A (zh) 2021-09-28
EP3429465A1 (en) 2019-01-23
US20170265831A1 (en) 2017-09-21
AU2017235454B2 (en) 2019-07-18
JP2019509813A (ja) 2019-04-11
AU2017235454A1 (en) 2018-11-01
EP4162870A1 (en) 2023-04-12
US11207045B2 (en) 2021-12-28
KR20180121957A (ko) 2018-11-09
KR102447741B1 (ko) 2022-09-29
EP4162870B1 (en) 2024-01-31
US11883225B2 (en) 2024-01-30
EP3795070B1 (en) 2022-12-21
EP3795070A1 (en) 2021-03-24
US20200155106A1 (en) 2020-05-21
CA3017610A1 (en) 2017-09-21
CN109069014A (zh) 2018-12-21
WO2017160994A1 (en) 2017-09-21
US10575810B2 (en) 2020-03-03

Similar Documents

Publication Publication Date Title
CN109069014B (zh) 用于估计在冠状动脉中的健康管腔直径和狭窄定量的系统和方法
US20210322102A1 (en) Systems and methods of processing images to determine patient-specific plaque progression based on the processed images
US11617620B2 (en) Systems and methods for identifying anatomically relevant blood flow characteristics in a patient
JP6553675B2 (ja) 脈管構造を数値的に評価するためのシステムおよび方法
US10595790B2 (en) Method and system for personalized non-invasive hemodynamic assessment of renal artery stenosis from medical images
US9659365B2 (en) Image analysing
JP2017535340A (ja) 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
Neto et al. Optic disc and cup segmentations for glaucoma assessment using cup-to-disc ratio
Sankaran et al. Hale: Healthy area of lumen estimation for vessel stenosis quantification
Sankaran et al. Real-time sensitivity analysis of blood flow simulations to lumen segmentation uncertainty
JP2024526761A (ja) Ｏｃｔ画質保証のための深層学習に基づくアプローチ
CN113440112B (zh) 用于估计在冠状动脉中的健康管腔直径和狭窄定量的系统和方法
Abdalla Evaluating Retinal Blood Vessels’ Abnormal Tortuosity in Digital Image Fundus Submitted in fulfilment of the requirements for the Degree of MSc by research

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