CN110444275B - 用于快速计算血流储备分数的系统和方法 - Google Patents

Abstract

公开了一种用于从患者的医学图像数据快速非侵入式基于计算机计算诸如血流储备分数（FFR）的血液动力学指数的方法和系统。基于患者的医学图像数据自动生成患者的一个或多个动脉的特定于患者的解剖学模型。使用一个或多个经训练的机器学习模型来预测自动生成的特定于患者的解剖学模型中需要用户反馈以准确计算血液动力学指数的区域。

Description

用于快速计算血流储备分数的系统和方法

技术领域

本发明一般涉及非侵入式地计算针对动脉狭窄的血液动力学指数，并且更具体地涉及基于患者的医学图像数据来快速地非侵入式计算诸如血流储备分数（fractionalflow reserve）的血液动力学指数。

背景技术

心血管疾病（CVD）是全世界死亡的主要原因。在各种CVD中，冠状动脉疾病（CAD）占死亡人数的近50％。尽管医学成像和其他诊断形态有了显著改善，但是针对CAD患者的过早发病率和死亡率仍然上升得很多。目前针对诊断和管理冠状动脉狭窄的临床实践涉及在视觉上或通过定量冠状动脉血管造影（QCA）来估计患病血管。这种估计为临床医生提供了狭窄片段和母血管的包括面积减小、病变长度和最小内腔直径在内的解剖学概况，但是没有提供病变对通过血管的血流的影响的功能估计。通过将压力线插入到狭窄血管中来测量血流储备分数（FFR）已被证明是用于指导血管重建决策的更好选择，因为与侵入式血管造影相比，FFR在识别引起病变的缺血方面更有效。QCA仅评估狭窄的形态学意义，并具有许多其他限制。基于压力线的FFR测量涉及与将压力线插入到血管中所需的干预相关联的风险，并且对于非常窄的狭窄，压力线可能引起附加的压降。

近年来，人们已经相当关注用于对人类心血管系统中的血流进行建模的计算方法。当与从医学图像提取的特定于患者的解剖学模型结合使用时，使用计算流体动力学（CFD）算法执行的血流计算已被提出用于诊断、风险分级和手术规划。然而，这种计算方法常常需要很长的计算时间。

发明内容

本发明提供了一种用于基于患者的医学图像数据快速非侵入式地计算血液动力学指数的方法和系统。

在一个实施例中，一种用于从患者的医学图像数据提供对血液动力学指数的基于计算机的快速非侵入式计算的方法包括：基于患者的医学图像数据自动生成所述患者的一个或多个动脉的特定于患者的解剖学模型；以及使用一个或多个经训练的机器学习模型来预测所述自动生成的特定于患者的解剖学模型中需要用户反馈以准确计算血液动力学指数的区域。

在一个实施例中，基于患者的医学图像数据自动生成所述患者的一个或多个动脉的特定于患者的解剖学模型包括：从所述患者的所述医学图像数据自动提取针对所述患者的所述一个或多个动脉中的每个动脉的中心线和横截面轮廓。

在一个实施例中，使用一个或多个经训练的机器学习模型来预测所述自动生成的特定于患者的解剖学模型中需要用户反馈以准确计算血液动力学指数的区域包括：基于输入到所述一个或多个经训练的机器学习模型的与所述自动生成的特定于患者的解剖学模型相关的提取特征，使用所述一个或多个经训练的机器学习模型来预测所述自动生成的特定于患者的解剖学模型中需要用户反馈以准确计算所述血液动力学指数的区域。

在一个实施例中，所述特征包括从所述患者的所述医学图像数据中提取的特征。

在一个实施例中，所述特征包括针对所述患者获取的非侵入式患者数据和测量。

在一个实施例中，所述特征包括从所述患者的所述一个或多个动脉的所述自动生成的特定于患者的解剖学模型中提取的特征。

在一个实施例中，该方法还包括：在所述患者的所述一个或多个动脉的所述自动生成的特定于患者的解剖学模型中的多个位置处自动计算针对所述血液动力学指数的初始值，其中所述特征包括在所述自动生成的特定于患者的解剖学模型中的所述多个位置处针对所述血液动力学指数计算的所述初始值和从在所述自动生成的特定于患者的解剖学模型中的多个位置处针对所述血液动力学指数的所述初始值中提取的特征。

在一个实施例中，在所述患者的所述一个或多个动脉的所述自动生成的特定于患者的解剖学模型中的多个位置处自动计算针对所述血液动力学指数的初始值包括：使用第二经训练的机器学习模型在所述一个或多个动脉的所述自动生成的特定于患者的解剖学模型中的所述多个位置处计算针对所述血液动力学指数的初始值。

在一个实施例中，该方法还包括：在所述自动生成的特定于患者的解剖学模型中执行所述患者的所述一个或多个动脉的自动解剖学评估，其中所述特征包括从在所述自动生成的特定于患者的解剖学模型中的所述患者的所述一个或多个动脉的所述自动解剖学评估的结果中提取的、与所述患者的所述一个或多个动脉中的一个或多个狭窄区域相关的解剖学特征。

在一个实施例中，该方法还包括：仅针对所述自动生成的特定于患者的解剖学模型中被所述一个或多个经训练的机器学习模型预测为需要用户反馈以准确计算所述血液动力学指数的区域请求用户反馈；接收针对所述自动生成的特定于患者的解剖学模型中被所述一个或多个经训练的机器学习模型预测为需要用户反馈以准确计算所述血液动力学指数的区域的用户反馈，从而得到所述患者的所述一个或多个动脉的修正的解剖学模型；以及基于所述患者的所述一个或多个动脉的所述修正的解剖学模型在所述患者的所述一个或多个动脉中的多个位置处计算针对所述血液动力学指数的最终值。

在一个实施例中，所述一个或多个经训练的机器学习模型包括用于在树级别预测用户反馈需要的第一经训练的机器学习模型，用于在分支级别预测用户反馈需要的第二经训练的机器学习模型，和用于在横截面轮廓级别预测用户反馈需要的第三经训练的机器学习模型。

在一个实施例中，所述血液动力学指数是血流储备分数。

在一个实施例中，所述患者的所述一个或多个动脉包括所述患者的一个或多个冠状动脉。

在一个实施例中，一种用于从患者的医学图像数据提供血液动力学指数的快速非侵入式计算的装置，包括：处理器和存储计算机程序指令的存储器，所述计算机程序指令在由处理器执行时使得所述处理器执行包括以下的操作：基于患者的医学图像数据自动生成所述患者的一个或多个动脉的特定于患者的解剖学模型；以及使用一个或多个经训练的机器学习模型来预测所述自动生成的特定于患者的解剖学模型中需要用户反馈以准确计算血液动力学指数的区域。

在一个实施例中，非暂时性计算机可读介质存储用于从患者的医学图像数据提供血液动力学指数的快速非侵入式计算的计算机程序指令，所述计算机程序指令在由处理器执行时使得所述处理器执行包括以下的操作：基于患者的医学图像数据自动生成所述患者的一个或多个动脉的特定于患者的解剖学模型；以及使用一个或多个经训练的机器学习模型来预测所述自动生成的特定于患者的解剖学模型中需要用户反馈以准确计算血液动力学指数的区域。

通过参考以下详细描述和附图，本发明的这些和其他优点对于本领域技术人员将是显而易见的。

附图说明

图1图示出了根据本发明实施例的用于从医学图像数据预测解剖学模型中需要用户反馈的位置以提供血液动力学指数的基于计算机的快速计算的方法；

图2图示出了根据本发明实施例的用于基于冠状动脉计算机断层扫描血管造影（CCTA）数据快速非侵入式计算患者的冠状动脉中的血流储备分数（FFR）的方法；

图3图示出了机器学习模型的示例性输出图；

图4图示出了根据本发明实施例的用于训练机器学习模型以预测动脉解剖学模型中需要用户反馈的区域的方法；以及

图5是能够实现本发明的计算机的高级框图。

具体实施方式

本发明提供了一种用于基于患者的医学图像数据快速非侵入式地计算血液动力学指数的方法和系统。本文描述了本发明的实施例，以给出对如下方法的视觉上的理解：该方法用于从患者的诸如计算机断层扫描血管造影（CTA）图像的医学图像数据中基于计算机地快速计算诸如血流储备分数（FFR）的血液动力学指数。数字图像常常由一个或多个对象（或形状）的数字表示组成。在本文中常常在识别和操纵对象方面描述对象的数字表示。这种操纵是在计算机系统的存储器或其他电路系统/硬件中完成的虚拟操纵。因此，应该理解，可以使用存储在计算机系统内的数据在计算机系统内执行本发明的实施例。

近年来，已经相当多地关注使用计算方法来对人类心血管系统中的血流进行建模，以执行动脉狭窄的基于非侵入式医学图像的估计。在这种计算方法中，使用计算流体动力学（CFD）算法执行的血流计算与从医学图像提取的特定于患者的解剖学模型结合使用来估计血液动力学指数，诸如FFR。我们最近引入了用于FFR计算的机器学习（ML）模型，作为对用于动脉狭窄的非侵入式血液动力学估计的基于CFD的建模的替代方案。例如，用于FFR计算的机器学习模型在Itu等人的“A Machine Learning Approach for Computation ofFractional Flow Reserve from Coronary Computed Tomography（从冠状动脉计算机断层扫描中计算血流储备分数的机器学习方法）”应用生理学杂志（Journal of AppliedPhysiology）卷121-2016年-第42-52页中被描述，其通过引用整体并入本文。我们已经证明，这种机器学习模型的性能在统计上与CFD方法的性能无法区分。此外，用于使用机器学习模型来计算FFR的计算时间比CFD方法快得多。

如果给定患者的冠状动脉（或其他动脉）的解剖学模型（即，内腔分割），则使用机器学习模型的基于计算机的FFR计算（cFFRML）是完全自动的而无需用户干预。然而，在现有方法中，用于生成解剖结构的预处理流水线仅是半自动的。系统（计算机）向用户（例如，临床医生）呈现自动提取的中心线和横截面轮廓，然后其可以由用户交互地编辑以创建解剖学模型。例如，在动脉粥样硬化区域中可能需要编辑，在动脉粥样硬化区域中自动执行的分割具有较低的准确度和置信度，并且动脉粥样硬化区域对计算出的FFR值也具有最高的影响。因为，在用于非侵入式血液动力学估计的现有的基于计算机的技术中，没有方法能用于先验地自动确定用户交互/编辑对于获得准确FFR估计结果至关重要的区域和用户编辑将对FFR估计结果具有很小影响的区域，所以总处理时间方面的主要瓶颈仍然是计算FFR所需的解剖学模型的准备/计算FFR所需的解剖学信息的提取。

在用于血流动力学指数的非侵入式计算的现有的基于计算机的技术中，在解剖学模型的准备中目前使用不同的方法。在一种彻底的方法中，用户需要在可以计算FFR之前检查所有分支和所有横截面。这导致大的处理时间。在另一种方法中，允许用户关注他/她确信对最终计算的FFR值（例如，狭窄区域）的准确度至关重要的位置。这种方法的缺点在于它是主观的，导致高的用户内和用户间的可变性。此外，如果用户选择忽略对最终FFR值具有高影响的区域，则该方法可能导致最终计算的FFR值不准确。

本发明的实施例提供对用于血液动力学指数（诸如FFR）的基于计算机的非侵入式计算的现有方法的改进，其确保基于医学图像（例如，CT）的血液动力学指数的快速且准确的计算。本发明的实施例将在解剖学模型的准备期间的用户交互减少到最小，同时保持最终计算的FFR值的准确度。在本发明的实施例中，起始点是从患者的诸如CAT图像的医学图像数据生成的患者的一个或多个动脉的自动生成的解剖学模型。例如，自动生成的解剖学模型可以包括一个或多个动脉的中心线和横截面轮廓。用户交互典型地是指校正血管中心线，例如以添加新分支或移除分支（例如，被识别为动脉的静脉），以及校正横截面轮廓（这占据最多时间）。本发明的实施例利用一个或多个机器学习模型来指示/预测动脉几何形状的需要用户反馈以获得准确的计算的FFR（cFFR）结果的某些部分，而对于其余部分，使用自动提取的信息而不请求来自用户的任何反馈。这提供了对现有的基于计算机的方法的改进，其方式是减少用户编辑所需的时间并因此减少基于计算机的FFR（或其他血液动力学指数）计算的总计算时间，同时保持了准确的FFR计算。另外，本文描述的方法在减少用户内和用户间的cFFR结果可变性方面提供了优于现有的基于计算机的方法的优点。

图1图示出了根据本发明实施例的用于从医学图像数据预测解剖学模型中需要用户反馈的位置以提供血液动力学指数的基于计算机的快速计算的方法。在有利的实施例中，血液动力学度量是FFR，但是本发明不限于此。在其他实施例中，可以计算其他血液动力学指数，诸如瞬时无波比（iFR）、静息远端至主动脉压力比（Pd/Pa）、计算流量储备（CFR）、充血性狭窄阻力（HSR）、基线狭窄阻力（BSR）、微血管阻力指数（IMR）或壁剪应力。如图1中所图示，在步骤102处，从患者的医学图像数据自动生成患者的一个或多个动脉的特定于患者的解剖学模型。在有利的实施例中，动脉是冠状动脉，并且医学图像数据是患者的一个或多个冠状动脉计算机断层扫描血管造影（CCTA）图像。在步骤104处，使用一个或多个经训练的机器学习模型来预测特定于患者的解剖学模型中需要用户反馈以用于准确计算血液动力学指数的区域。在可能的实现中，不同分辨率的区域可以被不同的经训练的机器学习模型作为目标。例如，经训练的机器学习模型可以在树级别（分支的集合）、分支级别和/或横截面级别进行预测。在本文描述的被用来确定动脉树中需要用户反馈的区域以及不需要用户反馈的区域的任何实施例中，在cFFR计算的时刻可以丢弃不需要用户反馈的所有或一些区域。下面结合图2中所图示的更详细的方法更详细地描述图1中的方法步骤。

图2图示出了根据本发明实施例的用于基于冠状动脉计算机断层扫描血管造影（CCTA）数据快速非侵入式计算患者的冠状动脉中的血流储备分数（FFR）的方法。图2的方法提供了对用于非侵入式计算FFR的现有的基于计算机的方法的改进。尽管图2的实施例描述了从CCTA数据快速计算针对冠状动脉的FFR，但是该方法可以类似地应用于其他血液动力学指数（例如，iFR、静息Pd/Pa、CFR、HSR、BSR、IMR、壁剪应力等）的计算。此外，图2的方法可以类似地应用于从其他类型动脉的医学图像（例如，CTA）快速非侵入式计算这些动脉中的FFR或其他血液动力学指数。

参见图2，在步骤202处，接收患者的非侵入式患者数据和测量。非侵入式患者数据和测量可以包括人口统计数据、患者病史、使用诸如听诊器、血压计的医学装备和设备以及非医学级设备（例如、可穿戴设备）获取的非侵入式测量、实验室诊断、和来自非侵入式测试的测量（例如心肌灌注成像（MPI）、应力回声等）。例如，可以使用非侵入式医学设备获取诸如血压、心率、ECG的测量。先前执行的非侵入式应力测试的结果是诸如MPI、多门采集（MUGA）扫描、放射性核素应力测试和核应力测试、运动应力测试、心电图（EKG/ECG）、应力/静息心电图。在可能的实施例中，人口统计信息和病史可以包括年龄、种族、性别、体重、身高、民族、体重指数（BMI）、糖尿病、高血压、高胆固醇血症、吸烟史、CAD家族史、既往心肌梗塞（MI）、既往经皮冠状动脉介入治疗（PCI）、既往冠状动脉旁路移植术（CABG）、心绞痛类型（稳定、恶化、无症状缺血或根据加拿大心血管学会（CCS）或美国心脏协会（AHA）/美国心脏病学院（ACC）的其他心绞痛类别）。可以通过输入新获取的数据和测量和/或通过检索先前存储的数据和测量来接收非侵入式患者数据和测量。

在步骤204处，接收患者的一个或多个CCTA图像。在有利的实施例中，接收一个或多个3D CCTA图像。CCTA图像可以直接从图像采集设备（CT扫描仪）接收，或者可以通过加载先前存储的针对患者的CCTA图像来接收。

在步骤206处，从患者的一个或多个CCTA图像自动生成冠状动脉的特定于患者的解剖学模型。可以通过使用自动冠状动脉中心线提取算法在CCTA图像数据中分割冠状动脉来生成特定于患者的解剖学模型。例如，可以使用题为“Method and System forAutomatic Coronary Artery Detection（用于自动冠状动脉检测的方法和系统）”的美国公开专利申请号2010/0067760所描述的方法在CT体积中对冠状动脉进行分割，其公开内容通过引用整体并入本文。一旦提取了冠状动脉中心线树，就可以在中心线树的每个点处生成横截面轮廓。每个中心线点处的横截面轮廓给出了冠状动脉中该点处的对应横截面面积测量。也可以采用其他分割方法。在一个实施例中，特定于患者的解剖学模型包括提取的中心线和横截面轮廓。在另一个可能的实施例中，特定于患者的解剖学模型可以是从中心线和横截面轮廓生成的3D网格。在这种情况下，为分割出的冠状动脉生成3D解剖表面模型。例如，在题为“Three-Dimensional (3D) Modeling of Coronary Arteries（冠状动脉的三维（3D）建模）”的美国专利号7,860,290和题为“Robust Vessel Tree Modeling（鲁棒血管树模型）”的美国专利号7,953,266中描述了用于冠状动脉的解剖建模的方法，其公开内容通过引用整体并入本文。除了冠状动脉之外，特定于患者的解剖学模型可以包括主动脉根部和主动脉的近端部分。

在步骤208处，执行冠状动脉的解剖学评估，并且在自动生成的冠状动脉的解剖学模型中的位置处计算初始cFFR值。使用自动定位冠状动脉中的狭窄区域然后自动对每个检测到的狭窄区域执行解剖学评估的自动方法或模型来执行冠状动脉的解剖学评估。可以使用用于自动检测冠状动脉狭窄的算法在图像数据中自动检测狭窄区域，诸如题为“Methodand System for Automatic Detection and Classification of Coronary Stenoses inCardiac CT Volumes（用于自动检测和分类心脏CT体积中冠状动脉狭窄的方法和系统）”的美国公开专利申请号2011/0224542中描述的用于自动检测冠状动脉狭窄的方法，其公开内容通过引用整体并入本文。然后可以将自动解剖学评估算法应用于每个狭窄区域以确定针对每个狭窄区域的信息，诸如狭窄等级、狭窄长度和斑块特性（例如，成分（脂肪、纤维、钙化）、大小、高风险斑块特性、正性重塑程度）。例如，在题为“Synthetic Data-Drivenhemodynamic Determination in Medical Imaging（医学成像中的合成数据驱动的血液动力学测定）”的美国专利号9,349,178中描述了这种解剖学评估，其公开内容通过引用整体并入本文。

在有利的实施例中，使用经训练的机器学习模型来计算自动生成的冠状动脉解剖学模型中各个位置处的初始cFFR值。在这种情况下，可以从自动生成的解剖学模型中提取几何特征并且将几何特征输入到经训练的机器学习模型，该机器学习模型基于输入特征计算cFFR值。例如，这种基于机器学习的针对冠状动脉解剖学模型的cFFR值的计算在Itu等人的“A Machine Learning Approach for Computation of Fractional Flow Reservefrom Coronary Computed Tomography（从冠状动脉计算机断层扫描中计算血流储备分数的机器学习方法）”应用生理学杂志（Journal of Applied Physiology）卷121-2016年-第42-52页、题为“Method and System for Machine Learning Based Assessment ofFractional Flow Reserve（血流储备分数的基于机器学习的估计方法及系统）”的美国专利号9,538,925、题为“Synthetic Data-Driven Hemodynamic Determination in MedicalImaging（医学成像中的合成数据驱动的血液动力学测定）”的美国专利号9,349,178和题为“Method and System for Purely Geometric Machine Learning Based FractionalFlow Reserve（基于纯几何机器学习的血流储备分数的方法及系统）”美国公开号2017/0245821中被描述，其公开内容通过引用整体并入本文。

在步骤210处，从患者数据中提取感兴趣特征。可以从非侵入式患者数据和测量、CCTA图像数据、自动生成的特定于患者的解剖学模型、冠状动脉的解剖学评估结果以及为自动生成的解剖学模型所计算的初始cFFR值中提取特征。将所提取的感兴趣特征输入到一个或多个经训练的机器学习模型，其被用来（在步骤212中）预测自动生成的解剖学模型中需要用户交互以进行准确cFFR计算的区域。经训练的机器学习模型充当决策支持系统，该系统使用所提取的特征作为输入。输入到经训练的机器学习模型的特征可以包括以下任何一项：

•CCTA成像数据；

•自动生成的解剖学模型，包括但不限于中心线、自动或用户编辑（当重复这些步骤时）的内腔分割、内腔位置的概率图、冠状动脉掩膜（mask）等以及在冠状动脉树的每个位置处计算出的置信度度量；

•冠状动脉的解剖学评估结果，诸如狭窄等级、狭窄长度、狭窄位置和斑块特性——诸如成分（脂肪/纤维/钙化）、大小、高风险特性和正性重塑程度。另外，可以提取在题为“Synthetic Data-Driven hemodynamic Determination in Medical Imaging（医学成像中的合成数据驱动的血液动力学测定）”的美国专利号9,349,178中描述的任何解剖学特征作为经训练的机器学习模型的输入，所述文献通过引用整体并入本文；

•得自CCTA图像数据的其他度量：图像质量、钙评分、经腔衰减梯度（TAG）、风险评分（例如片段狭窄风险评分、片段参与评分、Framingham风险评分等）；

•基于自动生成的解剖学模型计算出的初始cFFR值以及不确定性度量（例如标准偏差、置信度区间、概率密度函数等）；

•冠状动脉解剖学模型的每个位置处的局部灵敏度值（即，初始计算的cFFR值对于每个位置处的横截面积的变化有多敏感）；

•其他医学装备和设备测量：听诊器、血压计、实验室诊断等（血压、心率、心电图信号）；

•患者类型：稳定或急性；

•先前执行的非侵入式应力测试的结果：MPI、MUGA扫描、放射性核素应力测试和核应力测试、运动应力测试、心电图（EKG / ECG）和/或应力/静息超声心动图；

•人口统计学信息（例如年龄、种族、性别、体重、身高、民族、BMI、糖尿病、高血压、高胆固醇血症、吸烟史、CAD家族史、既往MI、既往CABG、心绞痛类型（稳定/恶化/无症状缺血/根据CCS或AHA/ACC）的其他心绞痛类型）；和

•患者的临床病史，例如，如果之前已经获得冠状动脉的医学图像，则该信息可以被用来估计冠状动脉循环的哪些区域是病理性的。

可以在单个时间点或在不同时间点处获取所有不同的输入信息/特征。例如，可以将从先前CCTA或从其他先前执行的成像测试中提取的特征输入到机器学习模型以预测需要用户交互的区域。

在步骤212处，使用一个或多个经训练的机器学习模型来基于输入特征预测自动生成的解剖学模型中需要用户交互以进行准确cFFR计算的区域。将在步骤210中提取的特征输入到一个或多个经训练的机器学习模型，并且经训练的机器学习模型逐个区域地预测是否需要用户对自动生成的解剖学模型的反馈以用于准确计算cFFR。

在离线训练阶段训练经训练的机器学习模型，以基于输入到经训练的机器学习模型的各种特征来做出关于自动生成的冠状动脉解剖学模型中的区域是否需要用户反馈的决策。作为训练的结果，可以基于上述输入特征类型被经训练的机器学习模型采取的决策类型的示例包括：在自动生成的解剖学模型的置信度为高的区域中不需要用户反馈；在对cFFR的局部敏感度为低的区域中不需要用户反馈；在不存在狭窄但是可以观察到正性重塑（即，存在斑块）的区域中需要用户反馈；当图像质量为高和/或钙评分为低时不需要用户反馈；在即使对于低阈值的相关联置信度区间cFFR值也为高的区域中不需要用户反馈；在冠状动脉树的灌注指示正常冠状动脉灌注的特定区域中不需要用户反馈；以及在先前成像检查识别出动脉粥样硬化的区域中需要用户反馈。应当理解，这样的决策是示例性的，并且本发明不限于此，并且经训练的机器学习模型的决策/预测是根据设置的特征输入而做出的，并且是根据基于训练样本数据库对机器学习模型的训练来学习的。下面结合图4更详细地描述机器学习模型的训练。

一个或多个经训练的机器学习模型可以包括在级联或并行工作流程中使用的多个机器学习模型。在有利的实施例中，一个或多个经训练的机器学习模型可以包括多个经训练的机器学习分类器，每个分类器被训练为以不同的分辨率或粒度级别对自动生成的解剖学模型的区域进行分类。例如，可以使用第一经训练的机器学习模型在树级别对自动生成的解剖学模型中的每个冠状动脉进行分类，可以使用第二经训练的机器学习模型在分支级别对各个分支进行分类，并且第三经训练的机器学习模型可以在横截面轮廓级别在分支或片段内进行逐点分类。这些机器学习模型可以应用于级联工作流程中，使得首先将第一经训练的机器学习模型应用于自动生成的解剖学模型中的每个冠状动脉，以预测该冠状动脉树是否需要任何用户反馈。如果第一经训练的机器学习模型预测特定冠状动脉树需要用户反馈，则应用第二经训练的机器学习模型来评估冠状动脉树中的每个分支，以预测该分支是否需要任何用户反馈。如果第二经训练的机器学习模型预测特定分支需要用户反馈，则沿着该分支逐点地应用第三经训练的机器学习模型，以预测哪些横截面轮廓需要用户反馈。

在另一个可能的实施例中，一个或多个经训练的机器学习模型可以包括不同的机器学习模型，其被训练来评估自动生成的解剖学模型中的不同动脉。例如，不同的经训练的机器学习模型被用来预测在右冠状动脉、左冠状动脉主干、左前降支冠状动脉中哪些区域需要用户反馈。在这种情况下，可以并行应用针对不同冠状动脉所训练的不同机器学习模型。

在本发明的有利实施例中，可以使用基于深度学习的方法来训练每个机器学习模型。深度学习是指一类人工智能技术，其中机器学习模型包括多个信息处理层，在训练期间针对所述层学习权重。在这种基于深度学习的机器学习模型中，采用分层结构，用于学习用于表示患者数据的特征（在训练期间）或用于在线预测阶段期间的分类或回归。各种深度学习架构可以被用于机器学习模型。在示例性实现中，可以将一个或多个经训练的机器学习模型中的每一个实现为卷积神经网络（CNN）。CNN可以将成像特征和非成像特征二者都作为输入，并且为冠状动脉树的不同部分或图像的不同部分提供决策/预测（例如，需要/不需要用户反馈）。可以将CNN实现为多任务CNN，其还提供针对输出预测的置信度量度作为输出。在另一示例性实现中，可以使用长短期存储器（LSTM）网络来实现一个或多个机器学习模型中的每一个。在该实现中，冠状动脉解剖学模型的片段被顺序地（例如，从冠状动脉树的根部开始）馈送到网络。然后，LSTM模型能够输出针对每个片段的决策/预测，并且可以使用来自先前片段的信息来在当前片段进行预测。在任一实现中，深度学习架构可以被训练为具有二进制或多类输出的分类模型或者被训练为具有连续输出的回归模型。

在一个实施例中，要由机器学习模型预测的感兴趣量度可以是二进制值，其指示给定位置或区域的分类为需要用户反馈或不需要用户反馈。例如，可以针对需要用户反馈以准确计算cFFR的区域或位置输出值1，并且可以针对不需要用户反馈以准确计算cFFR的区域或位置输出值0。在另一个实施例中，机器学习模型可以提供连续的输出值。例如，机器学习模型可以针对给定位置或区域输出0和1之间的概率评分，以指示该位置或区域需要用户反馈的预测概率。然后将针对给定区域/位置的预测概率评分与阈值进行比较，并且如果预测概率值大于阈值，则确定自动生成的解剖学模型中的该区域/位置需要用户反馈。根据示例性实现，可以根据具体情况采用不同的阈值，以确定哪些区域需要用户反馈以及哪些区域可以如由自动生成的解剖学模型给出的那样使用。例如，在需要快速做出决策需要的急性患者的情况下阈值可以更高，而对于延迟决策不会对患者造成风险的稳定冠状动脉疾病（CAD）患者，阈值可以更低。对于每种情况，阈值本身可以由另一机器学习算法自动确定。阈值可以另外基于成本分析，在这种情况下，需要用户反馈的决策可以至少部分地基于成本效益。在另一种可能实现中，可以应用一个或多个预定阈值。

一个或多个经训练的机器学习模型可以输出自动生成的冠状动脉解剖学模型的图，其示出了哪些区域需要用户反馈以及哪些区域不需要用户反馈的预测。例如，机器学习模型可以输出解剖学模型的彩色编码概率图，在该图中不同颜色表示针对需要用户反馈的不同预测概率。可替代地，机器学习模型可以输出二进制图，其示出了预测需要用户反馈的区域。可以将这种图显示在计算机系统的显示设备上。图3图示出了机器学习模型的示例性输出图300。如图3中所示，输出图300是自动生成的冠状动脉解剖学模型的彩色编码图，其中不同颜色表示由经训练的机器学习模型输出的不同概率评分。

返回图2，在步骤214处，针对自动生成的解剖学模型中被预测需要用户反馈的区域请求用户反馈。在一个实施例中，可以在显示设备上显示示出需要用户反馈的预测区域的输出图。图3中示出了这种输出图300的示例。然后，用户可以选择被预测需要用户反馈的每个区域，并编辑自动生成的解剖学模型的该区域以校正该区域中的横截面轮廓。例如，用户可以使用输入设备（例如，鼠标、触摸屏等）来编辑自动生成的解剖学模型。在另一个实施例中，迭代过程可以被用来仅向用户顺序显示被预测需要用户反馈的区域，并为每个顺序显示的区域请求用户输入。

在可能的实施例中，可以在用户正在提供反馈的同时实时地更新针对解剖学模型的用户反馈预测。在动脉近端位置处的校正可能影响关于在动脉远端位置处是否需要用户反馈的预测。在该实施例中，被预测需要用户反馈的区域以关于血流方向从近端到远端的顺序向用户示出。当接收到用户反馈以校正针对特定区域的横截面轮廓时，用更新的解剖学模型重复图2的方法的步骤208-212，以获得关于已校正区域远端的区域/位置是否需要用户反馈的更新预测。例如，当用户正在校正近端左前降支（LAD）动脉中的横截面轮廓时，可以实时地重新评估关于远端LAD中是否需要反馈的预测，从而可能导致不再需要反馈的更新预测（例如，远端LAD中的cFFR为高且置信度高）。预测的实时更新是可行的，因为用于计算cFFR和相关联置信度区间的机器学习模型以及用于预测用户反馈需要的机器学习模型二者都提供实时结果并且可以在用户正在针对解剖学模型的特定区域提供反馈时迭代地应用。在示例性实现中，可以采用机器学习模型来基于部分信息进行预测，该部分信息诸如使用全自动中心线和分割算法提取的解剖学信息、主要分支的解剖学信息、可以被用于能够自动或在有限用户交互的情形下确定的CT-cFFR机器学习模型的特征子集、以及上面列出的任何类型的特征和信息的不确定性量度。

在步骤216处，针对修正的解剖学模型确定最终cFFR值。用于编辑解剖学模型的用户反馈导致冠状动脉的修正的特定于患者的解剖学模型。在有利的实施例中，可以使用用于FFR计算的经训练的机器学习模型在修正的解剖学模型中的位置处计算最终cFFR值。这种针对冠状动脉解剖学模型的基于机器学习的cFFR值计算在Itu等人的“A MachineLearning Approach for Computation of Fractional Flow Reserve from CoronaryComputed Tomography（从冠状动脉计算机断层扫描中计算血流储备分数的机器学习方法）”应用生理学杂志（Journal of Applied Physiology）卷121-2016年-第42-52页、题为“Method and System for Machine Learning Based Assessment of Fractional FlowReserve（血流储备分数的基于机器学习的评估方法及系统）”的美国专利号9,538,925、题为“Synthetic Data-Driven Hemodynamic determination in Medical Imaging（医学成像中的合成数据驱动的血液动力学测定）”的美国专利号9,349,178和题为“Method andSystem for Purely Geometric Machine Learning Based Fractional Flow Reserve（基于纯几何机器学习的血流储备分数的方法及系统）”的美国公开号2017/0245821中被描述，其公开内容通过引用整体并入本文。在替代实施例中，基于CFD的模拟可以被用来模拟经修正的冠状动脉解剖学模型中的血流和压力，并且可以在基于CFD的模拟的基础上来计算最终cFFR值。

在一个实施例中，可以在计算最终cFFR值的同时完全丢弃冠状解剖结构的某些部分。在这种情况下，初始cFFR值可以被用于冠状动脉的这些部分，并且这些部分不需要进一步计算cFFR值。例如，如果（基于所生成的解剖学信息、斑块信息等）认为右冠状动脉（RCA）树是完全健康的，则可以不对RCA执行进一步的计算。

在另一个实施例中，为了cFFR计算可以丢弃小的侧分支。在这种情况下，丢弃不一定是指完全忽略该信息，而是以不同的简化方法使用对应的信息。例如，每个小的侧分支可以由分叉位置和对应的健康半径值表示。估计由于侧分支导致的主分支中的流量损失，并在所有下游位置处的模型预测中将其考虑进去。

在另一个实施例中，可以从cFFR计算中丢弃具有小半径值的主分支的远端部分。可以采用全自动算法来确定针对每个分支的切割点，从而丢弃每个分支上的位置。

在题为“Synthetic Data-Driven hemodynamic Determination in MedicalImaging（医学成像中的合成数据驱动的血液动力学测定）”的美国专利号9,349,178中，引入了被称为缺血权重的高级特征。在分支级别估计缺血权重，并且可以根据半径信息或根据左心室（LV）质量信息计算缺血权重。在另一个实施例中，如果根据半径信息和LV质量信息确定的缺血权重相似，则可以使用例如用于anigoFFR（从X射线血管造影医学图像计算的FFR）并且已被专门设计来提供具有较少解剖学信息的计算的FFR值的机器学习算法来在部分树上计算cFFR，如在题为“Synthetic Data-Driven hemodynamic Determination inMedical Imaging（医学成像中的合成数据驱动的血液动力学测定）”的美国专利号9,349,178中所述，其公开内容通过引用整体并入本文。

在步骤218处，输出最终cFFR结果。可以通过在计算机系统的显示设备上显示最终cFFR结果来输出最终cFFR结果。在一个实施例中，可以使用修正的冠状动脉解剖学模型的彩色编码图来显示最终cFFR结果，在该图中不同颜色表示不同范围的cFFR值。

图1和图2的方法被用于在线执行的预测阶段。为了能够使用一个或多个机器学习模型来预测用户反馈需要，必须先验地离线训练这些机器学习模型。图4图示出了根据本发明实施例的用于训练机器学习模型以预测需要用户反馈的动脉解剖学模型的区域的方法。参考图4，在步骤402处，获取训练数据的数据库。在一个实施例中，包含特定于患者的数据（针对许多不同患者而言）的大型数据库被用于训练。该数据库可以包括针对每个患者的医学图像数据（例如，CCTA）和非侵入式患者数据和测量（例如，人口统计学、患者病史、来自诸如听诊器、血压计、非医疗级设备等的非侵入式医疗设备的测量）以及关于自动生成的解剖学模型（中心线和横截面轮廓）的信息、由用户执行的校正以及相关联的最终cFFR值。在步骤404处，针对数据库中的每个训练样本执行冠状动脉的自动解剖学评估。在步骤406处，针对数据库中的每个训练样本计算初始cFFR值。如上结合图2的步骤208所述，可以执行步骤404和406。

在步骤408处，针对数据库中的每个训练样本提取用户反馈需要。对数据库进行处理以根据具体情况确定用户所执行的哪些校正已经影响最终cFFR值（与初始cFFR值相比），由此将每个校正标记为需要或不需要。这些需要或不需要的标记提供了用于训练机器学习模型的真值输出（ground truth output）。可替代地，如果关于用户执行的校正的信息不可用，则可以将自动生成的解剖学模型用作起始点，并且可以自动执行随机校正，同时观察最终cFFR值的变化。因此，可以针对每个区域自动生成标记。

在步骤410处，从训练样本中提取感兴趣特征。上面在图2的方法中描述了这种感兴趣特征。在步骤412处，基于针对训练样本所提取的特征和用户反馈需要来训练机器学习模型。机器学习模型是使用机器学习算法训练的数据驱动的代理模型。可以训练机器学习模型以最小化表示训练样本集合上的真值提取的用户反馈需要与预测用户反馈需要之间的误差的成本函数。

在本发明的有利实施例中，可以使用基于深度学习的方法来训练机器学习模型。深度学习是指一类人工智能技术，其中机器学习模型包括多个信息处理层，在训练期间针对所述层学习权重。在这种基于深度学习的机器学习模型中，采用分层结构，用于学习用于表示患者数据的特征（在训练期间）或用于在线预测阶段期间的分类或回归。各种深度学习架构可以被用于机器学习模型。在示例性实现中，可以将机器学习模型实现为卷积神经网络（CNN）。CNN可以将成像特征和非成像特征二者都作为输入，并且为冠状动脉树的不同部分或图像的不同部分提供决策/预测（例如，需要/不需要用户反馈）。可以将CNN实现为多任务CNN，其还提供针对输出预测的置信度量度作为输出。在另一示例性实现中，可以使用长短期存储器（LSTM）网络来实现机器学习模型。在该实现中，冠状动脉解剖学模型的片段被顺序地（例如，从冠状动脉树的根部开始）馈送到网络。然后，LSTM模型能够输出针对每个片段的决策/预测，并且可以使用来自先前片段的信息来在当前片段进行预测。在任一实现中，深度学习架构可以被训练为具有二进制或多类输出的分类模型或者被训练为具有连续输出的回归模型。

一旦训练了机器学习模型，就可以将机器学习模型存储在计算机系统的存储器或储存器中并且在预测阶段中将其用来针对自动生成的针对新患者的一个或多个动脉的解剖学模型执行用户反馈需要的预测。在训练阶段期间，可以比在线预测阶段期间获得更多的特征。在示例性实现中，可以基于训练数据库中的类似数据集来估计在预测阶段期间缺失的特征。例如，可以为此目的专门训练单独的机器学习算法并采用其来估计缺失的特征。

在一个实施例中，用于训练一个或多个机器学习模型的数据库可以仅包含合成生成的数据。采用自动化方法来生成包括斑块数据在内的合成CCTA图像和合成解剖学模型。例如，用于生成合成训练数据的各种技术在题为“Method and System for MachineLearning Based Assessment of Fractional Flow Reserve（血流储备分数的基于机器学习的估计方法及系统）”的美国专利号9,538,925、题为“Synthetic Data-DrivenHemodynamic determination in Medical Imaging（医学成像中的合成数据驱动的血液动力学测定）”的美国专利号9,349,178和题为 “Method and System for Purely GeometricMachine Learning Based Fractional Flow Reserve（基于纯几何机器学习的血流储备分数的方法及系统）”美国公开号2017/0245821中被描述，其公开内容通过引用整体并入本文。在可能的实现中，生成性对抗网络（GAN）可以被用来训练机器学习模型以生成合成CCTA图像。然后执行合成生成的解剖学模型中的随机校正，同时观察最终cFFR值的变化。因此，逐个区域地自动生成标记。在示例性实现中，可以从先前的经验中（例如基于包含特定于患者的数据和由用户执行的对应校正的数据库）来学习针对每个区域所执行的校正类型。

可以在使用众所周知的计算机处理器、存储器单元、储存设备、计算机软件和其他组件的计算机上实现上述方法。图5中图示出了这种计算机的高级框图。计算机502包含处理器504，该处理器通过执行定义这种操作的计算机程序指令来控制计算机502的整体操作。可以将计算机程序指令存储在储存设备512（例如，磁盘）中，并且在期望执行计算机程序指令时加载到存储器510中。因此，图1、图2和图4的方法的步骤可以由存储在存储器510和/或储存器512中的计算机程序指令来定义并由执行计算机程序指令的处理器504控制。诸如CT扫描设备的图像采集设备520可以连接到计算机502以将图像数据输入到计算机502。图像采集设备520和计算机502可以通过网络无线通信。计算机502还包括一个或多个网络接口506，用于经由网络来与其他设备通信。计算机502还包括使得用户能够与计算机502交互的其他输入/输出设备508（例如显示器、键盘、鼠标、扬声器、按钮等）。本领域技术人员将认识到，实际计算机的实现也可以包含其他组件，并且图5是用于说明性目的的这种计算机的一些组件的高级表示。

可以使用以客户端-服务器关系操作的计算机来实现上述方法。典型地，在这种系统中，客户端计算机位于远离服务器计算机的位置并经由网络进行交互。客户端-服务器关系可以由在相应客户端和服务器计算机上运行的计算机程序来定义和控制。

可以在基于网络的云计算系统内实现上述方法。在这种基于网络的云计算系统中，连接到网络的服务器或另一处理器经由网络来与一个或多个客户端计算机通信。例如，客户端计算机可以经由驻留在客户端计算机上并在客户端计算机上操作的网络浏览器应用来与服务器通信。客户端计算机可以在服务器上存储数据并经由网络访问所述数据。客户端计算机可以经由网络向服务器发射对数据的请求或对在线服务的请求。服务器可以执行所请求的服务并向一个或多个客户端计算机提供数据。服务器还可以发射适于使客户端计算机执行指定功能的数据，例如执行计算、在屏幕上显示指定数据等。例如，服务器可以发射适于使客户端计算机执行本文所述的一个或多个方法步骤（包括图1、图2和图4的一个或多个步骤）的请求。本文描述的方法的某些步骤，包括图1、图2和图4的一个或多个步骤，可以由服务器或由基于网络的云计算系统中的另一处理器执行。本文描述的方法的某些步骤，包括图1、图2和图4的一个或多个步骤，可以由基于网络的云计算系统中的客户端计算机执行。本文描述的方法的步骤，包括图1、图2和图4的一个或多个步骤，可以由服务器和/或由基于网络的云计算系统中的客户端计算机以任何组合来执行。

前面的具体实施方式应被理解为在每个方面都是说明性和示例性的，而不是限制性的，并且本文公开的本发明的范围不是由具体实施方式确定，而是由根据专利法所允许的全部范围所解释的权利要求来确定。应当理解，本文示出和描述的实施例仅是对本发明原理的说明，并且本领域技术人员可以在不脱离本发明的范围和精神的情况下实现各种修改。在不脱离本发明的范围和精神的情况下，本领域技术人员可以实现各种其他特征组合。

Claims (23)

1.一种用于从患者的医学图像数据提供血液动力学指数的基于计算机的快速非侵入式计算的方法，包括：

基于患者的医学图像数据自动生成所述患者的一个或多个动脉的特定于患者的解剖学模型；

使用一个或多个经训练的机器学习模型来预测所述自动生成的特定于患者的解剖学模型中需要校正所述自动生成的特定于患者的解剖学模型的动脉几何形状的用户反馈以准确计算血液动力学指数的区域；以及

针对所预测的区域请求所述校正所述自动生成的特定于患者的解剖学模型的动脉几何形状的用户反馈，

其中一个或多个经训练的机器学习模型包括多个经训练的机器学习分类器，每个经训练的机器学习分类器被训练为以不同的分辨率或粒度级别对自动生成的特定于患者的解剖学模型的区域进行分类，以预测所述特定于患者的解剖学模型的需要用户反馈以准确计算血液动力学指数的区域，并且

其中所述一个或多个经训练的机器学习模型中的每一个针对给定区域输出0和1之间的概率评分，以指示该给定区域需要用户反馈的预测概率，然后将针对给定区域的预测概率评分与阈值进行比较，并且如果所述预测概率评分大于所述阈值，则确定自动生成的特定于患者的解剖学模型中的该区域需要用户反馈。

2.根据权利要求1所述的方法，其中，基于患者的医学图像数据自动生成所述患者的一个或多个动脉的特定于患者的解剖学模型包括：

从所述患者的所述医学图像数据中自动提取针对所述患者的所述一个或多个动脉中的每个动脉的中心线和横截面轮廓。

3.根据权利要求1所述的方法，其中，使用一个或多个经训练的机器学习模型来预测所述自动生成的特定于患者的解剖学模型中需要校正所述自动生成的特定于患者的解剖学模型的动脉几何形状的用户反馈以准确计算血液动力学指数的区域包括：

基于输入到所述一个或多个经训练的机器学习模型的与所述自动生成的特定于患者的解剖学模型相关的提取特征，使用所述一个或多个经训练的机器学习模型来预测所述自动生成的特定于患者的解剖学模型中需要校正所述自动生成的特定于患者的解剖学模型的动脉几何形状的用户反馈以准确计算所述血液动力学指数的区域。

4.根据权利要求3所述的方法，其中，所述特征包括从所述患者的所述医学图像数据中提取的特征。

5.根据权利要求3所述的方法，其中，所述特征包括针对所述患者获取的非侵入式患者数据和测量。

6.根据权利要求3所述的方法，其中，所述特征包括从所述患者的所述一个或多个动脉的所述自动生成的特定于患者的解剖学模型中提取的特征。

7.根据权利要求3所述的方法，还包括：

在所述患者的所述一个或多个动脉的所述自动生成的特定于患者的解剖学模型中的多个位置处自动计算针对所述血液动力学指数的初始值，其中所述特征包括在所述自动生成的特定于患者的解剖学模型中的所述多个位置处针对所述血液动力学指数计算的所述初始值和从在所述自动生成的特定于患者的解剖学模型中的多个位置处针对所述血液动力学指数的所述初始值中提取的特征。

8.根据权利要求7所述的方法，其中，在所述患者的所述一个或多个动脉的所述自动生成的特定于患者的解剖学模型中的多个位置处自动计算针对所述血液动力学指数的初始值包括：

使用第二经训练的机器学习模型在所述一个或多个动脉的所述自动生成的特定于患者的解剖学模型中的所述多个位置处计算针对所述血液动力学指数的初始值。

9.根据权利要求3所述的方法，还包括：

在所述自动生成的特定于患者的解剖学模型中执行所述患者的所述一个或多个动脉的自动解剖学评估，其中所述特征包括从在所述自动生成的特定于患者的解剖学模型中的所述患者的所述一个或多个动脉的所述自动解剖学评估的结果中提取的、与所述患者的所述一个或多个动脉中的一个或多个狭窄区域相关的解剖学特征。

10.根据权利要求1所述的方法，其中，针对所预测的区域请求校正所述自动生成的特定于患者的解剖学模型的动脉几何形状的用户反馈包括仅针对所预测的区域请求校正所述自动生成的特定于患者的解剖学模型的动脉几何形状的用户反馈，所述方法还包括：

接收针对所预测的区域的所述校正所述自动生成的特定于患者的解剖学模型的动脉几何形状的用户反馈，从而得到所述患者的所述一个或多个动脉的修正的解剖学模型；以及

基于所述患者的所述一个或多个动脉的所述修正的解剖学模型在所述患者的所述一个或多个动脉中的多个位置处计算针对所述血液动力学指数的最终值。

11.根据权利要求1所述的方法，其中，所述一个或多个经训练的机器学习模型包括用于在树级别预测用户反馈需要的第一经训练的机器学习模型，用于在分支级别预测用户反馈需要的第二经训练的机器学习模型，和用于在横截面轮廓级别预测用户反馈需要的第三经训练的机器学习模型。

12.根据权利要求1所述的方法，其中，所述血液动力学指数是血流储备分数。

13.根据权利要求1所述的方法，其中，所述患者的所述一个或多个动脉包括所述患者的一个或多个冠状动脉。

14.一种用于从患者的医学图像数据提供血液动力学指数的快速非侵入式计算的装置，包括：

处理器；和

存储计算机程序指令的存储器，所述计算机程序指令当由所述处理器执行时使所述处理器执行包括以下的操作：

基于患者的医学图像数据自动生成所述患者的一个或多个动脉的特定于患者的解剖学模型；以及

使用一个或多个经训练的机器学习模型来预测所述自动生成的特定于患者的解剖学模型中需要校正所述自动生成的特定于患者的解剖学模型的动脉几何形状的用户反馈以准确计算血液动力学指数的区域；以及

针对所预测的区域请求所述校正所述自动生成的特定于患者的解剖学模型的动脉几何形状的用户反馈，

其中一个或多个经训练的机器学习模型包括多个经训练的机器学习分类器，每个经训练的机器学习分类器被训练为以不同的分辨率或粒度级别对自动生成的特定于患者的解剖学模型的区域进行分类，以预测所述特定于患者的解剖学模型的需要用户反馈以准确计算血液动力学指数的区域，并且

其中所述一个或多个经训练的机器学习模型中的每一个针对给定区域输出0和1之间的概率评分，以指示该给定区域需要用户反馈的预测概率，然后将针对给定区域的预测概率评分与阈值进行比较，并且如果所述预测概率评分大于所述阈值，则确定自动生成的特定于患者的解剖学模型中的该区域需要用户反馈。

15.根据权利要求14所述的装置，其中，使用一个或多个经训练的机器学习模型来预测所述自动生成的特定于患者的解剖学模型中需要校正所述自动生成的特定于患者的解剖学模型的动脉几何形状的用户反馈以准确计算血液动力学指数的区域包括：

基于输入到所述一个或多个经训练的机器学习模型的与所述自动生成的特定于患者的解剖学模型相关的提取特征，使用所述一个或多个经训练的机器学习模型来预测所述自动生成的患者特定解剖学模型中需要校正所述自动生成的特定于患者的解剖学模型的动脉几何形状的用户反馈以准确计算所述血液动力学指数的区域。

16.根据权利要求15所述的装置，其中，所述操作还包括：

在所述患者的所述一个或多个动脉的所述自动生成的特定于患者的解剖学模型中的多个位置处自动计算针对所述血液动力学指数的初始值，其中所述特征包括在所述自动生成的特定于患者的解剖学模型中的所述多个位置处针对所述血液动力学指数计算的所述初始值和从在所述自动生成的特定于患者的解剖学模型中的多个位置处针对所述血液动力学指数的所述初始值中提取的特征。

17.根据权利要求15所述的装置，其中，所述操作还包括：

在所述自动生成的特定于患者的解剖学模型中执行所述患者的所述一个或多个动脉的自动解剖学评估，其中所述特征包括从在所述自动生成的特定于患者的解剖学模型中的所述患者的所述一个或多个动脉的所述自动解剖学评估的结果中提取的、与所述患者的所述一个或多个动脉中的一个或多个狭窄区域相关的解剖学特征。

18.根据权利要求14所述的装置，其中，针对所预测的区域请求所述校正所述自动生成的特定于患者的解剖学模型的动脉几何形状的用户反馈包括仅针对所预测的区域请求所述校正所述自动生成的特定于患者的解剖学模型的动脉几何形状的用户反馈，所述操作还包括：

接收针对所预测的区域的所述校正所述自动生成的特定于患者的解剖学模型的动脉几何形状的用户反馈，从而得到所述患者的所述一个或多个动脉的修正的解剖学模型；以及

基于所述患者的所述一个或多个动脉的所述修正的解剖学模型在所述患者的所述一个或多个动脉中的多个位置处计算针对所述血液动力学指数的最终值。

19.一种存储计算机程序指令的非暂时性计算机可读介质，所述计算机程序指令用于从患者的医学图像数据提供血液动力学指数的快速非侵入式计算，所述计算机程序指令在由处理器执行时使所述处理器执行包括以下的操作：

基于患者的医学图像数据自动生成所述患者的一个或多个动脉的特定于患者的解剖学模型；

使用一个或多个经训练的机器学习模型来预测所述自动生成的特定于患者的解剖学模型中需要校正所述自动生成的特定于患者的解剖学模型的动脉几何形状的用户反馈以准确计算血液动力学指数的区域；以及

针对所预测的区域请求所述校正所述自动生成的特定于患者的解剖学模型的动脉几何形状的用户反馈，

其中一个或多个经训练的机器学习模型包括多个经训练的机器学习分类器，每个经训练的机器学习分类器被训练为以不同的分辨率或粒度级别对自动生成的特定于患者的解剖学模型的区域进行分类，以预测所述特定于患者的解剖学模型的需要用户反馈以准确计算血液动力学指数的区域，并且

其中所述一个或多个经训练的机器学习模型中的每一个针对给定区域输出0和1之间的概率评分，以指示该给定区域需要用户反馈的预测概率，然后将针对给定区域的预测概率评分与阈值进行比较，并且如果所述预测概率评分大于所述阈值，则确定自动生成的特定于患者的解剖学模型中的该区域需要用户反馈。

20.根据权利要求19所述的非暂时性计算机可读介质，其中，使用一个或多个经训练的机器学习模型来预测所述自动生成的特定于患者的解剖学模型中需要校正所述自动生成的特定于患者的解剖学模型的动脉几何形状的用户反馈以准确计算血液动力学指数的区域包括：

基于输入到所述一个或多个经训练的机器学习模型的与所述自动生成的特定于患者的解剖学模型相关的提取特征，使用所述一个或多个经训练的机器学习模型来预测所述自动生成的患者特定解剖学模型中需要校正所述自动生成的特定于患者的解剖学模型的动脉几何形状的用户反馈以准确计算所述血液动力学指数的区域。

21.根据权利要求20所述的非暂时性计算机可读介质，其中，所述操作还包括：

在所述患者的所述一个或多个动脉的所述自动生成的特定于患者的解剖学模型中的多个位置处自动计算针对所述血液动力学指数的初始值，其中所述特征包括在所述自动生成的特定于患者的解剖学模型中的所述多个位置处针对所述血液动力学指数计算的所述初始值和从在所述自动生成的特定于患者的解剖学模型中的多个位置处针对所述血液动力学指数的所述初始值中提取的特征。

22.根据权利要求20所述的非暂时性计算机可读介质，其中，所述操作还包括：

在所述自动生成的特定于患者的解剖学模型中执行所述患者的所述一个或多个动脉的自动解剖学评估，其中所述特征包括从在所述自动生成的特定于患者的解剖学模型中的所述患者的所述一个或多个动脉的所述自动解剖学评估的结果中提取的、与所述患者的所述一个或多个动脉中的一个或多个狭窄区域相关的解剖学特征。

23.根据权利要求19所述的非暂时性计算机可读介质，其中，针对所预测的区域请求所述校正所述自动生成的特定于患者的解剖学模型的动脉几何形状的用户反馈包括仅针对所预测的区域请求所述校正所述自动生成的特定于患者的解剖学模型的动脉几何形状的用户反馈，所述操作还包括：

接收针对所预测的区域的所述校正所述自动生成的特定于患者的解剖学模型的动脉几何形状的用户反馈，从而得到所述患者的所述一个或多个动脉的修正的解剖学模型；以及

基于所述患者的所述一个或多个动脉的所述修正的解剖学模型在所述患者的所述一个或多个动脉中的多个位置处计算针对所述血液动力学指数的最终值。